AI-Enabled Multi-Sensor Fusion for Field Detection of Chemical Warfare Agents: A System-Oriented Experimental Study

Публикацията представя системна рамка за много-сензорно сливане на данни с използване на изкуствен интелект за откриване на бойни отровни вещества (CWA), която обединява йонно-мобилна спектрометрия (IMS), преносима Raman спектроскопия и електрохимични сензори в единен процес за машинно обучение. Основният принос е двоен: формулиране на модулна архитектура за сливане на данни, ориентирана към практическо внедряване и изрично отчитаща променливостта на околната среда, и напълно възпроизводим експериментален процес, базиран на Python, който позволява пряко сравнение между едномодални и комбинирани сензорни стратегии. Използван е синтетичен набор от данни, изграден въз основа на описани в литературата характеристики на реакцията на представителни симуланти на бойни отровни вещества и безвредни смущаващи вещества, за моделиране на реалистични оперативни условия, включително припокриващи се класови разпределения и въздействия на околната среда. Предложеният подход интегрира разнородните сензорни изходи в единно пространство от характеристики и прилага мултиномиална логистична регресия за вероятностна класификация. Експерименталните резултати показват, че комбинираният модел значително превъзхожда отделните сензорни модалности, като достига точност 99,2% и претеглена F1-стойност 0,992. Анализът е допълнен с оценка на неопределеността, приближение на доверителните интервали и аблационна оценка, потвърждаващи допълващия принос на всяка сензорна модалност и устойчивостта на комбинираното представяне. Макар настоящата валидация да се основава на синтетични данни, предложената рамка предоставя прозрачна, мащабируема и изчислително ефективна основа за бъдещо лабораторно валидиране със симуланти и за реално приложение в CBRN сценарии.