以数据为导向的方法优先考虑与乳制品相关的微生物和化学危害,使用开源数据库
Gopaiah Talari1, Rajat Nag2, John O'Brien3
1Creme Global, 4th Floor, The Design Tower, Trinity Technology & Enterprise Campus, Grand Canal Quay, Dublin 2 D02 P956, Ireland; University College Dublin, School of Biosystems and Food Engineering, Belfield, Dublin 4, Ireland.
The Science of the total environment
|November 13, 2023
概括
这项研究使用机器学习来分类乳制品食品安全警报,识别关键的化学和微生物污染物. 模型在分类严重的食品安全风险时达到高达98%的准确性,以便及时干预.
科学领域:
- 食品安全分析 食品安全分析
- 数据驱动风险评估数据驱动的风险评估
- 机器学习在食品科学中的应用.
背景情况:
- 乳制品容易受到化学和微生物污染,造成严重的公共卫生风险.
- 现有的食品安全警报系统需要有效的方法来优先考虑和分类危险.
- 像RASFF和GEMS这样的数据库为了解污染物的流行和严重性提供了有价值的数据.
研究的目的:
- 根据发生和严重程度,优先考虑乳制品中的微生物和化学危害.
- 开发和验证机器学习模型,用于对食品安全警报的严重程度进行分类.
- 确定影响机器学习模型在食品安全分类中的性能的主要特征.
主要方法:
- 在RASFF和GEMS食品污染物数据库中利用探索性数据分析.
- 应用机器学习算法,包括决策树,随机森林,k-NN,LDA和SVM.
- 在乳制品中的化学污染物RASFF警报的外部数据集上验证的模型.
主要成果:
- 确定了优先的微生物危害:Listeria monocytogenes,大肠杆菌,沙门氏菌等
- 优先考虑的十大化学危害:酸盐,,, ochratoxin A 等.
- 在"严重"与"不严重"的警报中达到高达98%的分类准确性,在外部数据中达到95.1%.
结论:
- 机器学习模型在对化学污染物的乳制品食品安全警报进行分类方面表现出了强度.
- 参考剂量和物质量等关键特征显著影响模型性能.
- 这些发现支持开发准确的模型,以便及时进行食品安全干预.
