{"id":7651,"date":"2026-10-10T16:15:57","date_gmt":"2026-10-10T16:15:57","guid":{"rendered":"https:\/\/technodidact.de\/?p=7651"},"modified":"2026-10-10T16:15:58","modified_gmt":"2026-10-10T16:15:58","slug":"die-elektronische-nase-auf-dem-esp32-von-der-antiken-geruchsdiagnose-zur-robusten-tinyml-am-handgelenk","status":"publish","type":"post","link":"https:\/\/technodidact.de\/en\/die-elektronische-nase-auf-dem-esp32-von-der-antiken-geruchsdiagnose-zur-robusten-tinyml-am-handgelenk\/","title":{"rendered":"Die elektronische Nase auf dem ESP32: Von der antiken Geruchsdiagnose zur robusten TinyML am Handgelenk"},"content":{"rendered":"

Eine uralte Diagnosemethode erlebt ihre technische Wiedergeburt \u2013 aber erst mit den richtigen Algorithmen wird sie wirklich belastbar<\/strong><\/p>\n\n\n\n

Im Jahr 400 v. Chr. ermahnte Hippokrates seine Sch\u00fcler: \u201eRieche am Atem deines Patienten.“ Er suchte darin nach Hinweisen auf Krankheiten \u2013 der Atem von Diabetes-Patienten roch s\u00fc\u00dflich, der von Nierenversagen-Patienten nach Urin. Rund zweieinhalbtausend Jahre sp\u00e4ter analysierte der Nobelpreistr\u00e4ger Linus Pauling 1971 erstmals menschlichen Atem mittels Gaschromatographie und entdeckte darin Hunderte von Spurenmolek\u00fclen \u2013 die Geburtsstunde der modernen \u201eBreathomics“.<\/p>\n\n\n\n

Heute erlebt diese antike Diagnosemethode eine technische Renaissance. Die treibende Kraft entsteht aus dem Zusammentreffen zweier Entwicklungen: Einerseits w\u00e4chst das Verst\u00e4ndnis f\u00fcr fl\u00fcchtige organische Verbindungen (VOCs) als Krankheitsbiomarker, andererseits erm\u00f6glichen Mikrocontroller-Rechenleistung, Gassensorik und leichtgewichtige Machine-Learning-Algorithmen v\u00f6llig neue Anwendungen. Und der ESP32 \u2013 ein Mikrocontroller f\u00fcr unter f\u00fcnf US-Dollar \u2013 ist dabei unerwartet zu einer der aktivsten Hardware-Plattformen dieser Bewegung geworden.<\/p>\n\n\n\n

Dieser Artikel beleuchtet systematisch die ESP32-basierte elektronische Nase zur Atemgasanalyse \u2013 mit einem entscheidenden Unterschied zu fr\u00fcheren Darstellungen: Nicht die maximale Laborgenauigkeit steht im Vordergrund, sondern Robustheit unter realen Bedingungen<\/strong>. Daf\u00fcr werden vier technische Hebel genutzt, die den Unterschied zwischen einem Demo und einem vertrauensw\u00fcrdigen Screening-Instrument ausmachen: zeitgesteuerte Klassifikation, virtuelle Sensoren, Mehrfachrollen des BME680 und systematische Drift-Robustheit.<\/p>\n\n\n\n

Meine Idee dazu ist:<\/strong> Das in diesem Artikel vorgestellte Gesamtkonzept \u2013 die Kombination aus ESP32, MQ-Sensor-Array, BME680-Kompensation und robuster TinyML-Klassifikation zur Erkennung von Krankheitsger\u00fcchen im Atem \u2013 ist meine eigene Idee (DerSchneider). Es handelt sich nicht um ein k\u00e4ufliches Produkt, sondern um einen offenen Entwicklungsvorschlag. Der Leser soll diesen Aufbau selbst nachbauen k\u00f6nnen, nicht nach einem fertigen Produkt suchen.<\/p>\n\n\n\n

\n\n\n\n

Warum Atem? Warum VOCs?<\/h2>\n\n\n\n

Die etwa 37 Billionen Zellen des menschlichen K\u00f6rpers betreiben unz\u00e4hlige Stoffwechselwege und produzieren dabei einzigartige fl\u00fcchtige organische Verbindungen. Diese VOCs gelangen durch Zellw\u00e4nde ins Blut und schlie\u00dflich \u00fcber den alveol\u00e4ren Gasaustausch in die Ausatemluft. Das VOC-Spektrum im Atem spiegelt somit pathologische Stoffwechselprozesse im K\u00f6rper wider.<\/p>\n\n\n\n

Der wissenschaftliche Konsens ist heute recht eindeutig: Verschiedene Krankheiten erzeugen unterschiedliche VOC-Fingerabdr\u00fccke. Eine wegweisende Studie aus dem Jahr 2010 belegte, dass Lungen-, Brust-, Darm- und Prostatakrebs jeweils unterscheidbare Atem-VOC-Profile aufweisen. Nachfolgende Arbeiten weiteten diese Erkenntnis auf 17 Krankheitszust\u00e4nde aus, darunter chronisches Nierenversagen, Parkinson und Morbus Crohn.<\/p>\n\n\n\n

F\u00fcr die diabetische Ketoazidose (DKA) ist der Marker besonders klar: Aceton. Wenn Insulinmangel die Fettverbrennung beschleunigt, produziert die Leber gro\u00dfe Mengen an Ketonk\u00f6rpern, von denen Aceton \u00fcber die Atmung ausgeschieden wird. Zwischen der Acetonkonzentration im Atem und dem Blutketonspiegel besteht eine signifikante Korrelation \u2013 dies macht die Atemanalyse zu einem aussichtsreichen Kandidaten f\u00fcr die nicht-invasive Blutzucker\u00fcberwachung.<\/p>\n\n\n\n

\n\n\n\n

Was dieses Konzept von fr\u00fcheren Ans\u00e4tzen unterscheidet<\/h2>\n\n\n\n

Bevor wir in die technischen Details einsteigen, lohnt ein Blick auf die vier entscheidenden Verbesserungen gegen\u00fcber dem naiven \u201eMQ-Sensoren + MLP“-Ansatz:<\/p>\n\n\n\n

Dimension<\/th>Naiver Ansatz<\/th>Dieses Konzept<\/th><\/tr><\/thead>
KI-Modell<\/strong><\/td>MLP mit Laborgenauigkeit<\/td>KNN oder zeitgesteuertes Modell mit Robustheit<\/strong> als Ziel<\/td><\/tr>
Merkmale<\/strong><\/td>Absolutwerte + Rs\/R0<\/td>Sensor-zu-Sensor-Verh\u00e4ltnisse<\/strong> als virtuelle Sensoren<\/td><\/tr>
BME680<\/strong><\/td>Nur Temperatur\/Feuchte<\/td>VOC-Kreuzvalidierung<\/strong> + Kompensation<\/td><\/tr>
Drift<\/strong><\/td>Manuelle Rekalibrierung<\/td>Adaptive Baseline<\/strong> + Ensemble-Strategien<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

Jeder dieser Punkte wird im Folgenden detailliert begr\u00fcndet.<\/p>\n\n\n\n

\n\n\n\n

Die Hardware: Ein tragbares elektronisches Nasensystem<\/h2>\n\n\n\n

Das Kernprinzip eines tragbaren elektronischen Nasensystems auf ESP32-Basis ist die Kombination aus Gassensor-Array, aktiver Luftf\u00fchrung, Temperatur- und Feuchtigkeitskompensation sowie lokaler Inferenz auf dem Endger\u00e4t.<\/p>\n\n\n\n

Die zentralen Hardware-Module<\/h3>\n\n\n\n
Modul<\/th>Komponente<\/th>Funktion<\/th><\/tr><\/thead>
Hauptsteuerung<\/td>ESP32 oder ESP32-S3<\/td>Sampling mehrerer Sensoren, Kompensation, KI-Inferenz<\/td><\/tr>
Sensor-Array<\/td>MQ-Serie (MQ-2, MQ-3, MQ-135, MQ-138)<\/td>Metalloxid-Halbleiter, kosteng\u00fcnstigste L\u00f6sung<\/td><\/tr>
Umgebungskompensation<\/td>BME680<\/td>Temperatur, Feuchte und VOC-Validierung<\/strong><\/td><\/tr>
Luftf\u00fchrung<\/td>Mikrol\u00fcfter, Mini-Membranpumpe<\/td>Aktives Ansaugen, Sp\u00fclung mit gereinigter Luft<\/td><\/tr>
Interaktion<\/td>OLED-Display, LiPo-Akku, Wi-Fi\/Bluetooth<\/td>Ergebnisanzeige, Daten\u00fcbertragung<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

Detaillierte Aufbauanleitung<\/h3>\n\n\n\n

Schritt 1: Grundplatte und Halterung.<\/strong> Verwenden Sie eine stabile Kunststoff- oder Hartpapierplatte (ca. 10 cm \u00d7 8 cm) als Basis. Befestigen Sie den ESP32 in der Mitte, das Sensor-Array an einer Seite und den BME680 daneben. F\u00fcr die Luftf\u00fchrung eignet sich ein 3D-gedrucktes Geh\u00e4use mit definierten Kan\u00e4len.<\/p>\n\n\n\n

Schritt 2: Sensor-Array montieren.<\/strong> L\u00f6ten Sie die MQ-Sensoren auf eine Lochrasterplatte. Beachten Sie, dass MQ-Sensoren eine Heizspannung von 5 V ben\u00f6tigen. Der ESP32 liefert nur 3,3 V \u2013 verwenden Sie daher einen Level-Shifter oder einen separaten 5-V-Spannungsregler (z. B. AMS1117-5.0). Die analogen Ausg\u00e4nge der MQ-Sensoren werden \u00fcber Spannungsteiler auf 3,3 V heruntergeteilt, um den ADC des ESP32 nicht zu \u00fcberlasten.<\/p>\n\n\n\n

Schritt 3: BME680 anschlie\u00dfen.<\/strong> Der BME680 wird \u00fcber I\u00b2C angeschlossen: VCC an 3,3 V, GND an GND, SDA an GPIO21, SCL an GPIO22. Die I\u00b2C-Adresse ist standardm\u00e4\u00dfig 0x76 oder 0x77. Wichtig f\u00fcr die erweiterte Nutzung:<\/strong> Der BME680 wird nicht nur als Thermometer verwendet, sondern liefert \u00fcber die BSEC-Bibliothek einen IAQ-Index (Indoor Air Quality) sowie einen bVOC-\u00c4quivalent-Wert, der als unabh\u00e4ngiger VOC-Kanal genutzt werden kann <\/a>.<\/p>\n\n\n\n

Schritt 4: Luftf\u00fchrung.<\/strong> Verbinden Sie einen Mikrol\u00fcfter (5 V, 0,5 L\/min) mit einem Schlauchsystem. Der L\u00fcfter saugt die Atemluft durch ein Einwegmundst\u00fcck in eine kleine Kammer, in der die Sensoren sitzen. Ein zweiter L\u00fcfter oder eine Membranpumpe kann zur Sp\u00fclung mit gereinigter Luft verwendet werden. Verwenden Sie R\u00fcckschlagventile, um einen R\u00fcckstrom zu verhindern.<\/p>\n\n\n\n

Schritt 5: Stromversorgung.<\/strong> Ein LiPo-Akku (3,7 V, 2000 mAh) mit einem TP4056-Lademodul versorgt das System. Ein Boost-Konverter (MT3608) erzeugt die 5 V f\u00fcr die MQ-Sensoren und den L\u00fcfter.<\/p>\n\n\n\n

Schritt 6: Geh\u00e4use und Display.<\/strong> Ein OLED-Display (SSD1306, 128\u00d764 Pixel) wird ebenfalls \u00fcber I\u00b2C angeschlossen und zeigt die aktuellen Messwerte sowie die Klassifikation an.<\/p>\n\n\n\n

Der Sensor-Zyklus<\/h3>\n\n\n\n

Ein typischer Messzyklus l\u00e4uft in drei Phasen ab:<\/p>\n\n\n\n