基于阻抗光谱的多模式组织状态监测可解释的特征工程
Mahdi Guermazi1, Ahmed Yahia Kallel1, Olfa Kanoun1
1Chair for Measurement and Sensor Technology, Chemnitz University of Technology, 09126 Chemnitz, Germany.
Sensors (Basel, Switzerland)
|August 29, 2024
概括
阻抗光谱学的物理特征使得牛肉肌肉类型和新鲜度的准确分类成为可能. 具体的模型参数 (MP) 和特征点 (CP) 显著改善了肉质评估.
科学领域:
- 食品科学与技术 食品科学与技术
- 电气工程 电气工程 电气工程
- 生物物理学的生物物理.
背景情况:
- 食品质量评估对于消费者安全和经济价值至关重要.
- 阻抗光谱学 (IS) 与机器学习 (ML) 结合,为食品分析提供了一个有希望的,非破坏性的方法.
- 特性选择对于提高基于ML的分类模型的准确性至关重要.
研究的目的:
- 识别和评估从IS的物理基础上,可测量的特征,用于分类牛肉肌肉类型和新鲜度.
- 评估从肉类分类的IS数据中得出的特征点 (CP) 和模型参数 (MP) 的有效性.
- 确定最佳的特征组合,以最大限度地提高分类准确度.
主要方法:
- 对牛肉样本进行阻抗光谱测量.
- 包括CP和MP在内的基于物理的特征 (例如,细胞内电阻 (Rin),电容 (C),细胞外电阻 (Rex)) 被提取.
- 使用F1得分,累积特征选择和t分布式静态邻居嵌入 (t-SNE) 进行了特征选择.
主要成果:
- 对于精确的肌肉类型分类,MP和CP都足够了.
- 特定的MP组合 (例如,C和Rex) 和CP组合 (例如,模量Z1和阶段Phi2) 实现了高分离.
- 使用Rin和C的新鲜度分类达到90%的准确度,使用Phi3和Rin的准确度为95.5%.
- 结合肌肉类型特征提高了总体样本分离能力,达到99.6%.
结论:
- 来自IS的物理基础特征对分类牛肉特征非常有效.
- 选择合适的特征显著提高了肌肉类型和新鲜度检测的准确性.
- 这种方法为客观的肉类质量评估提供了一种可靠的数据驱动方法.
