Desenvolvimento de um sistema e-nose para detecção de maconha em tempo real

• Ano de defesa: 2021
• Autor(a) principal: LEITE, Lucas Sampaio
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Pernambuco; UFPE; Brasil; Programa de Pos Graduacao em Biologia Aplicada a Saude
• Palavras-chave em Português: Drogas; Inteligência artificial; Detectores
• Link de acesso: https://repositorio.ufpe.br/handle/123456789/41797

Atualmente, o abuso de drogas ilegais tornou-se um problema de saúde pública mundial, com várias implicações médicas, sociais e legais. O tráfico de drogas é o maior negócio ilícito mundial, movimentando cerca de US $ 322 bilhões por ano. O controle do tráfico de drogas nas fronteiras é realizado principalmente por meio de abordagens aleatórias e pelo uso de cães farejadores, o que permite que grande parte das ilegalidades não sejam percebidas. As drogas apreendidas são analisadas preliminarmente por métodos de triagem (spot tests), seguindo-se de métodos validativos, como cromatografia gasosa ou líquida acoplada a espectrometria de massa. Essas técnicas, além de demoradas e caras, são destrutivas, impossibilitando, em muitos casos, que as amostras sejam reanalisadas. O teste de drogas requer melhoria contínua e implementação de novas tecnologias que forneçam informações ou evidências corroborativas com precisão, rapidez e eficiência. Assim, um nariz eletrônico (e-nose) pode ser uma alternativa portátil de baixo custo, não invasiva e não destrutiva para teste de drogas. Esses dispositivos imitam o sistema olfativo humano e são compostos de uma matriz de sensores com especificidade parcial e um sistema de reconhecimento de padrões capaz de reconhecer odores simples ou complexos. Este estudo apresenta um dispositivo e-nose recém projetado com base em sensores de gás disponíveis comercialmente para detectar amostras de maconha. Os sinais elétricos correspondentes aos perfis de odor de maconha apreendida, cigarros de tabaco e amostras de maconha pseudo-narcótica foram registrados pelo sistema. Após o pré-processamento, foi realizada a análise exploratória por Análise de Componentes Principais (PCA) para verificar a distribuição das amostras e identificar agrupamentos naturais dos dados. Para a classificação das amostras, foram utilizadas a Modelagem Independente Suave de Analogia de Classe (SIMCA) e análise discriminante linear por algoritmo de projeções sucessivas (SPA–LDA). Uma arquitetura IoT (Internet of Things) baseada em nuvem foi implementada como solução online e em tempo real, permitindo resultados preliminares mais rápidos durante a medição usando uma parte inicial dos sinais. A comunicação entre o protótipo e o ambiente de nuvem ocorreu usando o protocolo Transporte de Telemetria do Serviço de Enfileiramento de Mensagens (MQTT). Os resultados da PCA mostraram que apenas dois PCs explicam 100% da variância dos dados e permitiu a discriminação entre as classes de amostras. O modelo SIMCA obteve 100,0, 99,0 e 98,6% de sensibilidade, precisão e especificidade, respectivamente. Usando o SPA- LDA, o número de variáveis foi reduzido de 355 para 10, obtendo 100,0% de sensibilidade, precisão e especificidade. Os resultados demonstraram que o sistema e-nose pode ser utilizado de forma eficiente para detecção in situ de maconha provendo resultados em tempo real e pode ser expandido para detectar outras classes de drogas ilícitas.