通过深度学习研究2D-COS与代谢学修改,以追溯葡萄酒的可追溯性
Zhuo-Kang Wang1, Na Ta1, Hai-Cheng Wei2
1School of Electrical and Information Engineering, North Minzu University, No. 204 North Wenchang Street, Yinchuan, 750021, Ningxia, China.
Scientific reports
|June 1, 2024
概括
这项研究引入了一种使用代谢学和深度学习的葡萄酒原产地可追溯性的新方法. 它确定了关键的光谱特征,以准确地分类葡萄酒的起源,改进了传统的光谱分析.
科学领域:
- 分析化学 分析化学
- 化学测量 化学测量 化学测量
- 机器学习 机器学习
背景情况:
- 传统的光谱分析在从一维的光谱信号中提取特征时面临着挑战.
- 准确的葡萄酒来源可追溯性对于质量控制和打击欺诈至关重要.
研究的目的:
- 通过将代谢学与深度学习相结合,开发一种葡萄酒原产地可追溯性的先进方法.
- 识别和利用特定的二维相关的光谱 (2D-COS) 特性带,以加强分类.
主要方法:
- 用UPLC-Q-TOF-MS.对来自6个地区的180个葡萄酒样本进行了代谢学分析.
- 识别差异性成分 (印醇,硫胺,咖啡因) 和特征性光谱波段 (1000-1400 nm,1500-1800 nm).
- 应用2D-COS和卷积神经网络 (CNN) 模型进行分类.
主要成果:
- 综合方法结合了代谢学衍生的光谱特征和CNN,实现了葡萄酒原产地可追溯性的最佳分类结果.
- 该方法有效地消除了无关的变量,并通过保留关键的化学信息来增强光谱分辨率.
结论:
- 代谢学选对于确定葡萄酒起源追踪的光谱特征区域是有效的.
- 拟议的方法显著提高了葡萄酒原产地分类模型的准确性和稳定性.
