使用H NMR光谱和基于深度学习的卷积神经网络对亚洲红胡粉的地理歧视

科学领域:

• 食品科学 食品科学 食品科学
• 分析化学 分析化学
• 计算科学 计算科学

背景情况:

• 验证食品的地理来源对于质量控制和防止欺诈至关重要.
• 核磁共振 (NMR) 光谱提供了详细的化学信息,但需要先进的分析方法来解释复杂的数据.

研究的目的:

• 开发和评估一种深度学习方法,特别是卷积神经网络 (CNN),用于区分亚洲红粉的地理来源.
• 为了比较CNN与传统化学测量方法的性能,例如主要组件分析-线性差异分析 (PCA-LDA) 和支持向量机 (SVM).

主要方法:

• 从来自中国,韩国和越南的300个红粉样本中收集了一维1H的NMR光谱.
• 应用深度学习 (CNN) 和传统机器学习 (PCA-LDA,SVM) 模型用于分类.
• 利用贝叶斯优化进行超参数调整和交叉验证,以确保模型的稳定性.

主要成果:

• 所有测试的模型都实现了高精度,在区分地理来源方面超过95%.
• 美国有线电视新闻网 (CNN) 模型表现出卓越的性能,在分类红样本的来源方面达到100%的准确性.
• 梯度加权类激活映射证实,CNNs根据特定的代谢物分布模式确定了起源.

结论:

• 深度学习,特别是CNN,为分析1HNMR光谱以确定食品的地理来源提供了高度准确和可靠的方法.
• 这种方法在红以外的各种食品的认证中具有很大的应用潜力.