The 6th sensometrics meeting took place July 31 - August 2, 2002

1. The 6th sensometrics meeting took place July 31 - August 2, 2002 at the Department of Statistics, University of Dortmund, Germany. 108 persons from all over the world participated in this meeting. We hope that you all had a pleasant stay in Dortmund and took benefit from the conference. We thank you for coming to Germany and contributing to the conferenceby presenting and discussing very different topics of Sensometrics. http://www.statistik.uni-dortmund.de/sensometrics/

9. http://www.statistik.uni-dortmund.de/sensometrics/

10. Estimating intensity of composite odours in air samples using an artificial neural network Joanna Kośmider, Małgorzata Zamelczyk-Pajewska* Technical University of Szczecin, Institute of Chemical Engineeringand of Processes of Environmental Protection, Air Odour Quality Laboratory,Aleja Piastów 42, 71-065 Szczecin, Poland Key words: intensity of odour, the artificial smell idea, GC-ANN method (robocza wersja polska)

11. Introduction Intensywność zapachu jest, obok jakości hedonicznej, jedną z najbardziej charakterystycznych cech artykułów spożywczych. Jest jedną z cech, które mogą stanowić kryterium autentyczności aromatu podczas jego kontroli i wpływać na akceptację lub negację żywności. Próby sformułowania równań wiążących intensywność zapachu mieszanin odorantów z analitycznie oznaczanymi stężeniami poszczególnych składników ([ppm] lub [mg/m3]) są dotychczas podejmowane na podstawie wyników badań mieszanin dwóch (wyjątkowo trzech) odorantów (Laing & Willcox, 1983; Berglund & Olsson, 1993). Proponowane równania nie mają charakteru ogólnego. Ich parametry są wyznaczane empirycznie dla określonej pary związków i zachowują stałe wartości tylko w ograniczonym zakresie stężeń i wzajemnych proporcji (Wyszyński, 2001; Kośmider & Wyszyński & Zamelczyk-Pajewska, 2002). Z wymienionych względów analityczna kontrola przebiegu produkcji artykułów spożywczych i jakości wyrobów rzadko dostarcza wystarczających informacji o jakości zapachu. Konieczne jest wykonywanie analiz sensorycznych (Amerine & Pangborn & Roessler, 1965; Herschdorfer, 1967; Baryłko-Pikielna, 1975; ASTM E-18, 1968; ISO 5492, 1992). Metody analizy sensorycznej są również wykorzystywane podczas ocen jakości środowiska i jego zagrożeń – badań wody, powietrza lub gazów odlotowych (Van Langenhove & Schamp, 1984; VDI-Richtlinien 3881, 1986-1989;VDI-Richtlinien 3882, 1989; Van Harreveld, 1993; EN 13725, draft 1999; EN 1622, 1997; Kośmider & Mazur-Chrzanowska, 1998; Kośmider & Mazur Chrzanowska & Wyszyński, 2002). Cechuje je duża czasochłonność i wysokie koszty, co sprawia że nie ustają poszukiwania metod instrumentalnej oceny intensywności zapachu. Duże nadzieje budzi możliwość monitoringu zapachu z użyciem elektronicznego nosa (sztuczny węch) - techniki naśladującej działanie ludzkiego węchu. Elektroniczny nos - analizator rozpoznający wzorce zapachowe, zawiera pole kilkunastu lub kilkudziesięciu sensorów o zróżnicowanej charakterystyce, równocześnie poddawanych działaniu badanej mieszaniny (Yang &Yang & Wang 2000; Keller, 1999; Keller & Kangas & Liden & Hashem & Kouzes, 1995; Kośmider & Wyszyński, 2000). Zbiór sygnałów o określonym pobudzeniu sensorów jest analizowany z wykorzystaniem różnych technik analizy statystycznej oraz sztucznych sieci neuronowych (ANN).

12. Sztuczne sieci neuronowe ANN są dzisiaj bardzo popularnym narzędziem obliczeniowym mającym zastosowanie w wielu dziedzinach życia. Wykorzystywane są do analizy danych pochodzących z pomiarów sensorycznych (grupy panelistów lub układy sensorów) i instrumentalnych (między innymi: chromatografy, spektrometry). Coraz częściej korzysta się z ANN do określania sensorycznych cech próbek na podstawie wyników analiz instrumentalnych. Zależności pomiędzy sensorycznymi i instrumentalnymi właściwościami próbek charakteryzują się na ogół dużą nieliniowością. Sztuczne sieci neuronowe umożliwiają przeprowadzanie analiz w skomplikowanych i złożonych zbiorach danych o nieprzewidywalnym rozkładzie. Są nazywane „klasyfikatorami” i „aproksymatorami” znalezionych zależności (Wilkinson & Yuksel, 1997). Dzięki dużej zdolności zapamiętywania i samouczenia się, potrafią uogólniać zdobytą wiedzę (generalizacja). Główne obszary zastosowań sztucznych sieci neuronowych to ochrona środowiska, medycyna i przemysł spożywczy. W ochronie środowiska powodzeniem zakończyły się próby zastosowania ANN w kontroli jakości powietrza i wód. Przeprowadzono klasyfikacje odpadów i ścieków na podstawie sygnałów z zestawów różnych sensorów. Wykorzystywano czujniki gazowe umożliwiające identyfikację oparów chemicznych, optyczne - do identyfikacji rozpuszczalników - oraz spektrometr promieniowania gamma – do identyfikacji izotopów promieniotwórczych (Keller & Kouzes & Kangas, 1994). Inne charakterystyczne przykłady dotyczą zastosowań ANN do predykcji stężeń ditlenku azotu i tlenku węgla w zakresie: 0-45 ppm CO i 0-125 ppb NO2 (Martin & Santos & Agapito, 2001), klasyfikacji lotnych związków mieszaninach metanol-etanol-aceton (Da-Qi, 1998; Shukla & Das & Dwivedi, 1998) lub klasyfikacji par acetonu, etanolu, amoniaku, izopropanolu i kwasu octowego na podstawie reakcji sensorów przewodności elektrycznej, wilgotności i temperatury (Keller & Kangas & Liden & Hashem & Kouzes, 1995). Sztuczne sieci neuronowe są również cennym narzędziem diagnostyki medycznej (Keller, 1999). Diagnozowano już między innymi raka piersi, cukrzycę, choroby serca, nad i niedoczynność tarczycy (Linder & Pöppl, 2001). Zestawy sensorów dostarczały danych o próbkach wydychanego powietrza, płynów ustrojowych lub wymazów pobranych z ran. Klasyfikacja zgromadzonych informacji z użyciem ANN umożliwiała przypisanie im określonych stanów zapalnych lub chorób. Stwierdzono, że predykcję stanów chorobowych charakteryzuje duża odtwarzalność i obiektywność. W testach otrzymano 96-98% poprawnego rozpoznania raka piersi oraz 94-98% - nad i niedoczynności tarczycy.

13. Rośnie zainteresowanie możliwościami wykorzystania sztucznych sieci neuronowych w przemyśle spożywczym (kontrola jakości surowców i produktów, monitoring procesów produkcyjnych itp.). Powodzeniem zakończyły się na przykład próby klasyfikacji lotnych związków (również zapachowych) wytwarzanych przez różne gatunki bakterii w przetwórstwie drobiu (Arnold & Senter & Russell, 1998). Wyniki analiz GC-MS i ANN wykorzystano do sortowania - zgodnie z cechami sensorycznymi - takich gotowych wyrobów jak cukier krystaliczny (Kaipainen & Ylisuutari & Lucas & Moy, 1997). Wyniki analiz chromatograficznych i sztuczne sieci neuronowe zastosowano również z powodzeniem do predykcji smakowitości koncentratów owocowych. Badania dotyczyły ekstraktów z czarnej porzeczki, pochodzącej z różnych obszarów geograficznych i różnych procesów przetwarzania (Boccorh & Paterson, 2002). Sztuczna sieć neuronowa umożliwiła też poprawną klasyfikację zapachowych związków chemicznych pochodzących z różnych napojów alkoholowych - piwa, spirytusu, wina (Yang & Yang & Wang, 2000). Pozytywne wyniki wymienionych i podobnych badań zachęciły nas do podjęcia prób predykcji intensywności zapachu. Intensywność zapachu traktujemy jako synonim siły wrażenia węchowego - określanej werbalnie (np. słaby, mocny, bardzo mocny) lub z użyciem innych metod skalowania (skale wzorców, graficzne, punktowe). Temu terminowi bywa przypisywane inne znaczenie. Zapach lub smakowitość koncentratów są uznawane za bardziej "intensywne", jeżeli zanikają po dodaniu większej ilości bezwonnego rozpuszczalnika (np. woda, powietrze). Według stosowanej przez nas terminologii dotyczącej smakowitości wody pitnej stopień rozcieńczenia próbki powodujący osiągnięcie progu wyczuwalności nie jest miarą intensywności wrażenia, lecz miarą stężenia zanieczyszczeń, określanego jako threshold flavour number, TFN (EN 1622, ...). Analogicznie stopień rozcieńczenia próbek gazowych czystym powietrzem do progu wyczuwalności jest miarą stężenia odorantów wyrażonego w jednostkach zapachowych (ou) w metrze sześciennym. Jest ono określane terminem threshold odour number, TON [ou/m3] (EN 13725, draft 1999). Wpływ tak zdefiniowanego stężenia odorantów na intensywność zapachu (siłę wrażenia) opisują prawa psychofizyczne, między innymi logarytmiczne równanie Webera-Fechnera lub wykładnicze Stevensa (Fechner, 1877; Stevens, 1972; Zimbardo & Ruch, 1977; Berglund & Olsson, 1993; Kośmider & Wyszyński, 2002). Podjęliśmy próby sprawdzenia możliwości wykorzystania ANN do określania intensywności zapachu złożonych mieszanin na podstawie ich chromatogramów. Informacje istotne z punktu widzenia zapachu są na nich ukryte wśród wielu danych nie istotnych - dotyczących związków nie wpływających na zapach.

14. Wytypowanie danych istotnych jest zwykle bardzo trudne. Założono, że zastosowanie sieci neuronowej umożliwi uniknięcie tych trudności − intensywność zapachu może być określana przez wytrenowaną sieć na podstawie całego zbioru cech chromatogramu. • Opisane wcześniej badania dotyczyły hipotetycznych mieszanin trójskładnikowych (Kośmider & Zamelczyk-Pajewska, 2001)oraz rzeczywistych próbek powietrza zanieczyszczonego heksanem i cykloheksanem (Kośmider & Zamelczyk-Pajewska, 2002).W drugim wypadku treningowe zbiory wzorców zawierały informacje o intensywności zapachu próbek i stężeniach obu zanieczyszczeń. Po treningu wykonanym z użyciem 750 wzorców odpowiedzi udzielane przez sieć były niemal dokładnie równe średnim z opinii uczestników pomiarów. • Celem niniejszej pracy było zbadanie przebiegu treningów sieci neuronowej przygotowywanej do ocen intensywności zapachu bardziej skomplikowanych mieszanin rzeczywistych. • Badano próbki powietrza zawierającego cykloheksanol (A), cykloheksanon (B) i cykloheksan (C) oraz różne ilości związków neutralnych (bezwonnych i nie wpływających na zapach). Liczne zbiory informacji o intensywności zapachu próbek zanieczyszczonych w różnym stopniu związkami A, B i C zaciągnięto z literatury (Wyszyński, 2001). Określono wielkości zbiorów treningowych umożliwiających przygotowanie sieci do ocen intensywności. • Experimental • Przygotowanie próbek i oznaczenia sensoryczne Wzorcowe próbki powietrza sporządzano metodą statyczną w workach z folii zaopatrzonych w teflonowe rurki wlotowe z zatyczką. Do odmierzonej ilości powietrza wprowadzano strzykawką chromatograficzną (Hamilton 700 Series Syringe) określone ilości jednego, dwóch lub trzech zanieczyszczeń. Porcje cykloheksanolu (A), cykloheksanonu (B) i cykloheksanu (C) zostały dobrane tak, że po odparowaniu ustalały się stężenia przedstawione w tabeli 1. Po upływie 30  40 minut kondycjonowania folii worki opróżniano i powtarzano procedurę odmierzania powietrza i odorantów. Oceny intensywności zapachu wykonywano w laboratorium odorymetrycznym wyposażonym w wysokosprawną instalację wentylacyjną. Zapach oceniała grupa ośmiu osób (studenci, po krótkim instruktażu i sesji szkoleniowej). Pomiary wykonywano z użyciem wzorców intensywności.

16. Wzorcami były wodne roztwory n-butanolu umieszczone w kolbkach stożkowych o pojemności 50 cm3. Przygotowywano je z roztworu podstawowego (symbol NrB = 1) o ułamku molowym n-butanolu x = 0,017, sporządzonego przez rozcieńczenie 8 cm3 n-butanoluwodą destylowanądo 100 cm3.Stężenie n-butanolu w powietrzu nad takim roztworem, ustalające się w stanie równowagi w temperaturze pokojowej, wynosi około S1 = 20 g/m3. Zapach roztworu jest bardzo intensywny. Wzorzec NrB = 2 otrzymywano dodając 13 cm3 wody do 7 cm3 roztworu NrB = 1. Analogicznie sporządzano kolejne wzorce NrB = 3 ÷ 10. Zapach wzorca NrB = 10 był wyczuwalny dla mniej niż 20% oceniających (stężenie w powietrzu w stanie równowagi : S10 ≈ 1,5 mg/m3). Ze sposobu przygotowania roztworów wynika, że w powietrzu nad nimi ustalają się stężenia n-butanolu (S) stanowiące malejący szereg geometryczny o czynniku 7/20: Sn = S1 (7/20)n-1. Odległości między poziomami intensywności zapachu takich próbek uważa się za równoodległe. Wynika to z równania Webera-Fechnera: I = k log (S /Sth) gdzie: I − intensywność zapachu, S − stężenie odoranta, Sth– próg wyczuwalności, k – współczynnik Webera-Fechnera. Liniowość otrzymanej skali wzorców potwierdzają przekształcenia: In = k log (Sn/Sth) In+1 = k log (Sn+1/Sth) Sn = S1 (7/20)n-1 Sn+1 = S1 (7/20)n In - In+1 = k log (Sn/Sth) - k log (Sn+1/Sth) = - k log (7/20) = const Prawo Webera-Fechnera jest powszechnie akceptowane w odniesieniu do zakresu średnich intensywności zapachu. Przyjmujemy, że obowiązuje w zakresie ograniczonym poziomami odpowiadającymi wzorcom NrB = 1 (n = 0) i NrB = 10 (n = 9). Pozwala to uznać różnicę (10 - NrB) za miarę poziomu intensywności zapachu. Nadanie otrzymanej skali liczbowej właściwości proporcjonalnej skali intensywności zapachu wymaga wyznaczenia punktu zerowego (NrB0, I=0). Sposób wyznaczania NrB0 istosowania otrzymanej skali wzorców ilustruje przykład przedstawiony na rysunku 1. W celu wyznaczenia NrB0każdy z uczestników pomiarów wącha kolejne wzorce rozpoczynając od najbardziej rozcieńczonego (NrB = 10) i wskazuje ten, którego zapach jest najsłabszy, ale już wyczuwalny. Rzeczywisty próg wyczuwalności leży między ostatnim wzorcem bezwonnym i pierwszym wzorcem pachnącym.

18. Przyjmujemy, że poziom NrB0leży w połowie między poziomami ograniczającymi ten przedział (rys. 1a: wskazanie wzorca NrB = 8 jako najsłabiej pachnącego oznacza, że NrB0 = 8,5). Oceniając intensywność zapachu próbek powietrza zawierającego różne ilości odorantów uczestnicy pomiarów poszukiwali wzorca o zbliżonej intensywności lub przedziału między wzorcem nieco słabiej i nieco mocniej pachnącym. W przypadku przedstawionym na rysunku 1b-c oceniający stwierdził, że intensywności zapachu próbki pierwszej i wzorca NrB = 6 są porównywalne, a zapach próbki drugiej jest silniejszy od zapachu NrB = 3, ale słabszy od zapachu NrB = 2. Rysunek 1d ilustruje sposób rejestracji ocen oraz obliczania intensywności zapachu jako różnicy: I = NrB0 - NrB. Wyniki indywidualnych ocen intensywności zapachu (I1) zilustrowano zamieszczonym w tabeli 2 przykładem dotyczącym próbek o jednakowych stężeniach zanieczyszczeń A i B, zmienianych w zakresie 18360 ppm (see tab.1, proportion A:B:C = 1:1:0). Wyniki ocen intensywności zapachu każdej z próbek były bardzo zróżnicowane. Oceny próbki zawierającej po 18 ppm A i B mieściły się w zakresie od I1,AB = 1,0 do I1,AB = 3,0. Intensywności zapachu próbki o największym stężeniu zanieczyszczeń przypisywano wartości I1,AB = 4,0 ÷ 7,0. Przyczyną dużego rozrzutu wynikówjest zróżnicowanie indywidualnych węchowych wrażliwości osób biorących udział w pomiarach i zmiany tej wrażliwości w czasie. Zestawione w tabeli 2 wyniki pomiarów oraz analogiczne dane pozostałych próbek o innych stężeniach A, B i C (tab. 1) wykorzystano do sporządzenia zestawów danych treningowych w programie STATISTICA Neural Networks. Przygotowanie zbiorów treningowych Zbiór ocen intensywności zapachu wszystkich badanych próbek o określonych stężeniach S­A­, SB i SC(stężenia − patrz tab.1) wzbogacono w hipotetyczne dane dotyczące stężeń zanieczyszczeń neutralnych (N1, N2, N3, ..., N20) − nie pachnących i nie wpływających na zapach odorantów A, B i C. Zanieczyszczenia neutralne pełniły rolę szumu jaki zawsze występuje w złożonych sensoryczno-instrumentalnych zbiorach danych. Celem ich wprowadzenia było sprawdzenie czy sieć podczas modelowania potrafi odrzucić szum i rozpoznać, że intensywność zapachu zależy tylko od stężeń związków zapachowych – odorantów.

20. Założono, że stężenia każdego z zanieczyszczeń neutralnych charakteryzują rozkłady normalne o różnych wartościach średniej (z zakresu 20÷750 ppm) i różnych odchyleniach standardowych (1,4÷3,2). Sposób tworzenia zbiorów treningowych ilustrują tabele 3 i 4. • Tabela 3 zawiera część danych pochodzących z tabeli 2. Zostały zamieszczone w kolumnach SA, SB i I1,AB. Pozostałe kolumny zawierają liczby losowe - stężenia hipotetycznych zanieczyszczeń węchowo neutralnych (w przedstawionym wypadku – SN1, SN2,SN3, ...,SN20). W tabeli 4 przedstawiono fragment zrandomizowanego zbioru danych treningowych, otrzymanego z wykorzystaniem wyników wszystkich ocen intensywności zapachu próbek zawierających odoranty A i B (see tab.1, proportion A:B:C = 1:1:0, 1:3:0, 3:1:0). • Analogiczne zbiory treningowe sporządzano wykorzystując wyniki sensorycznych badań próbek powietrza zanieczyszczonego trzema odorantami (A, B i C). Wszystkie zbiory zawierały: • wyniki pomiarów sensorycznych jako kolumny danych wyjściowych (I1,AB lub I1,ABC,), • kolumny z odpowiednimi wartościami: SA i SBlub SA,SB i SC (wejścia istotne), • różne ilości kolumn z liczbami losowymi (wejścia: SN1, SN2,SN3, ...; „szum” ). • Treningi przeprowadzano z użyciem zbiorów zawierających różne ilości wzorców. • Treningi i testy ANN • Zastosowano Automatic Network Designer – narzędzie programowe umożliwiające wybór najdokładniejszych modeli predykcyjnych spośród zawartych w programie STATISTICA Neural Networks (Linear, PNN, GRNN, Radial Basis Function and Multilayer Perceptron). W większości przypadków Designer wybierał sieć ‘Multilayer Perceptrons feed-forward with three or four hidden layers’. Każdemu ze składników próbki (związków zapachowych i węchowo neutralnych) odpowiadał jeden neuron w warstwie wejściowej. Liczba neuronów w warstwach ukrytych mieściła się w zakresie 3 ÷ 35. Każda z sieci miała jedno wyjście (oceniana intensywność zapachu). • Stosowano zbiory zawierające: 5−400 wzorców uczących, 100−200 wzorców weryfikacyjnych oraz tyle samo wzorców testowych. Wzorce prezentowano w kolejności losowej. • Precyzję określania intensywności zapachu, osiąganą w toku szkolenia, weryfikacji i testów oceniano na podstawie miernika SD.RATIO oraz wartości błędu RMS. Dodatkowo obliczano bezwzględną wartość różnicy między średnią z indywidualnych ocen intensywności zapachu próbki o znanych stężeniach A, B i C (I1m) i średnią zodpowiedzi sieci (I2m), uzyskiwanych w czasie testów po prezentacji tych samych stężeń A, B i C wraz z dodatkowymi informacjami o stężeniach hipotetycznych zanieczyszczeń neutralnych. Założono, że odpowiedzi sieci udzielane w czasie testów będą uznawane za poprawne, jeżeli: |I1m – I2m| < 0,5.

23. Results and discussion Po zakończonych treningach otrzymano niskie wartości mierników SD.Ratio mieszczące się w granicach: 0,072-0,233 oraz błędów RMS: 0,242-0,479. W serii szkoleń dotyczących powietrza zawierającego dwa odoranty (A i B) oraz 20 zanieczyszczeń węchowo neutralnych zastosowano zbiory treningowe o ośmiu wielkościach z zakresu 5 − 400. Na rysunku 2 przedstawiono rezultaty treningu wykonanego z użyciem 200 wzorców. Porównano wartościI1,ABi I2,AB, dotyczące mieszanin testowych o stężeniach SA ≈ SB ≈ 360 ppm i różnych stężeniach zanieczyszczeń neutralnych. Stwierdzono, że średnia z wartości określonych przez sieć (I2m,AB = 6,4) jest niemal dokładnie równa średniej z indywidualnych ocen sensorycznych (I1m,AB = 6,2). Drugie istotne spostrzeżenie dotyczy rozrzutu danych w obu zbiorach. Zmienność I1,AB, wynikająca ze zróżnicowania wrażliwości węchu oceniających, jest większa od zmienności odpowiedzi sieci I2,AB, związanej z wpływem celowo wprowadzonego „szumu”. Występowanie bardzo podobnych bezwzględnych błędów |I1m,AB - I2m,AB| stwierdzono po zastosowania większych zbiorów treningowych zawierających 300 i 400 wzorców (rys. 3). Nie miało istotnego znaczenia również zmniejszanie wielkości zbioru w zakresie od 200 do 25. Wyraźnie większe błędy wystąpiły dopiero po zredukowaniu zbioru treningowego do 10 wzorców. Stwierdzono, że w przypadku mieszanin zawierających dwa odoranty i dwadzieścia związków neutralnych spełnienie kryterium |I1m,AB – I2m,AB| < 0,5 umożliwia zbiór co najmniej 25 wzorców treningowych. Trudniejszy zadaniem, które zostało postawione przed siecią, było określenie intensywności zapachu próbek zawierających trzy odoranty (A, B i C) i różne ilości związków węchowo neutralnych. Zależność bezwzględnego błędu |I1m,ABC – I2m,ABC| od ilości składników w mieszaninach i od wielkości zbiorów treningowych ilustruje rysunek 4. Zbiory treningowe złożone z 50 wzorców umożliwiały skuteczne przygotowanie sieci do określania intensywności zapachu próbek zawierających poza odorantami 10 lub 15 zanieczyszczeń neutralnych (|I1m,ABC – I2m,ABC| < 0,3). W przypadku próbek zawierających dwadzieścia zanieczyszczeń neutralnych użycie pięćdziesięciu wzorców okazało się niewystarczające (|I1m,ABC – I2m,ABC| > 0,5). Osiągnięcie założonej precyzji wymagało użycia ponad stu wzorców. Rysunki 3 i 4 umożliwiają oszacowanie spadku dokładności predykcji intensywności zapachu po wprowadzeniu dodatkowego odoranta. W wypadku mieszanin zawierających dwa odoranty (A i B) i dwadzieścia związków neutralnych po zastosowaniu zbioru 50 wzorców treningowych różnica (|I1m,AB – I2m,AB| wynosiła około 0,2 (rys. 3). Wprowadzenie dodatkowego odoranta (C) spowodowało zwiększenie tego błędu do wartości większej od 0,5 (rys. 4).

27. Acknowledgement • This work has been supported by the State Committee for Scientific Research, as a part of the research project. • References • Amerine, M. A. & Pangborn, R. M. & Roessler, E. B. (1965). Principles of sensory evaluation of food, New York−London: Academic Press. • Arnold, J.W., Senter, S.D. & Russell, B. R. (1998). Use of digital aroma technology and SPME, GC-MS to compare volatile compounds produced by bacteria isolated from processed poultry. J. Sci. Food Agric.,78 (3), 343-348. • ASTM − American Society for Testing and Materials, Committee E-18 (1968). Manual onsensory testing methods. Philadelphia: ASTM Publ.. • Baryłko-Pikielna, N. (1975). Zarys analizy sensorycznej żywności(An outline of sensoric analysis of food).Warszawa: PWN. • Berglund, B., & Olsson, M.J. (1993). A theoretical and empirical evaluation of perceptual and psychophysical models for odour-intensity interaction. Reports from the Department of Psychology, Stockholm University, no. 764. • Boccorh, R. K., & Paterson, A. (2002). An artificial network model for predicting flavour intensity in blackcurrant concentrates. Food Quality and Preference,13 , 117-128. • Da-Qi, G. (1998). Artificial olfactory analyses of micro-and simple-component vapors. Gaodeng Xuexiao Huaxue Xuebao, 20 (10), 1523-1527. • EN 13725 (draft 1999). EN 1622 (1997). Committee Européen de Normalisation CEN - TC 264. CEN-TC 264/WG2: Air Quality – Determination of odour concentration by dynamic olfactometer. • EN 1622 (1997). Committee Européen de Normalisation CEN - TC TC 230: Water analysis - Determination of the threshold odour number (TON) and threshold flavour number (TFN). • Herschdoerfer, S. M. ed. (1967). Quality control in food industry. vol. 1, New−York: Academic Press. • ISO 5492, Pr PN-ISO 5492 (1992). International Standard Organization: Sensory Analysis. Terminology • Kaipainen, A., Ylisuutari, S., Lucas, Q. & Moy, L. (1997). A new approach to odor detection. Comparison of thermal desorption GC-MS and electronic nose. Two techniques for the analysis of headspace aroma profiles of sugar. Int. Sugar J.,99 (1184), 403-408. • Keller, E.P. (1999). Physiologically Inspired Pattern Recognition for Electronic Noses. SPIE Applications and Science of Computation Intelligence II Conference, Orlando, USA. SPIE Proceedings,3722 (13), 144-153. • Keller, E.P., Kangas, J.L., Liden, H.L., Hashem, S., & Kouzes, T.R. (1995). Electronic noses and their applications. IEEE Northcon/Technical Applications Conference (TAC’95), Portland, USA.

28. Keller, E.P., Kouzes, T.R., & Kangas, J.L. (1994). Three Neural Network Based Sensor Systems for Environmental Monitoring. IEEE Electro/94 International Conference, Boston, USA. • Kośmider, J., & Mazur-Chrzanowska, B. (1998). Uciążliwość zapachowa. Terenowa weryfikacja wyników obliczeń komputerowych (Odour annoyance. Field verification of the computer calculations). Arch. Ochr. Środ. (Archives of Environmental Protection), 3-4, 19-24. • Kośmider, J., & Wyszyński, B. (2000). Artificial olfaction. Chemia Analityczna (Warsaw), 45, 483-500. • Kośmider, J., & Zamelczyk-Pajewska, M. (2001). Trening sieci neuronowej określającej intensywność zapachu (Training of artificial neural network for prediction of odour intensity). Inż. Chem. i Proc. (Chemical and Process Engineering), 22, 645-660. • Kośmider, J., & Zamelczyk-Pajewska, M. (2002). Sieć neuronowa oceniająca zapach mieszanin cykloheksanu i heksanu (Neural network predicting the odour of cyclohexane and hexane mixtures).Inż. Chem. i Proc. (Chemical and Process Engineering), 23, 207-218. • Kośmider, J., Mazur-Chrzanowska, B., & Wyszyński, B. (2002). Odory. Warszawa: Wydawnictwo Naukowe PWN. • Kośmider, J., Wyszyński, B., & Zamelczyk-Pajewska, M. (2002). Odour of mixtures of cyclohexane and cyclohexanone. Archives of Environmental Protection (Arch. Ochr. Środ.), 28 (2), 29-43. • Laing, D. G., & Willcox, M. E. (1983). Perception of components in binary odour mixtures, Chemical Senses, 7, 249-264. • Linder, R. & Pöppl, J. S. (2001). ACMD: A Practical Tool for Automatic Neural Net Based Learning. Proceedings of the Second International Symposium on Medical Data Analysis (ISMDA), Madrid, Spain. LNCS 2199, Berlin, 168-73. • Martin, A.M., Santos, J.P., & Agapito, J.A. (2001). Application of artificial neural networks to calculate the partial gas concentrations in a mixture. Sensors and ActuatorsB, 3905, 1-4. • Shukla, K.K., Das, R.R., & Dwivedi, R. (1998). Adaptive resonance neural classifier for identification of gases/odors using an integrated sensor array. Sensors and ActuatorsB, 50 (3), 194-203. • Van Harreveld, A. P. (1993). European standardisations of olfactometry,Semin. ODOURS’93, Odours - Control, Measurement, Regulations, Świnoujście, 140-175. • Van Langenhove, H., & Schamp, N. (1984). Chemical and olfactometric measurement of odours, Proc. International Symp.: Characterization and Control of odoriferous pollutants in process industries,Louvain-Neuve (Belgium): Ed. SBF, 23-36. • VDI-Richtlinien 3881, Blatt 1-4 (1986-1989). Olfaktometrie. Geruchsschwellenbestimmung. • VDI-Richtlinien 3882 (1989). Olfaktometrie. Bestimmung der Geruchsintensität. Bestimmung der hedonischen Geruchswirkung. • Wilkinson, C., & Yuksel, D. (1997). Using artificial neural networks to develop prediction models for sensory-instrumental relationships; an overview. Food Quality and Preference , 8 (5/6), 439-445. • Wyszyński, B. (2001). Metody oceny skuteczności dezodoryzacji (Methods of deodorization effectiveness assessments).Doct. thesis, Szczecin: Politechnika Szczecińska. • Yang, Y-M., Yang, P-Y., & Wang, X-R. (2000). Electronic nose based on SAWS array and its odor identification capability. Sensors and ActuatorsB, 66 (1-3), 167-170. • Zimbardo, P.G. & Ruch, F. L. (1977). Psychology and Life. Illinois: Ed. Scott, Foresman & Company