通过通过自适应加权特征选择和多通道特征融合来预测 Ractopamine 度的精确定量分析的多层次合作关注网络
Tianzhen Yin1, Yankun Peng1, Yongyu Li1
1National R & D Center for Agro-processing Equipment, College of Engineering, China Agricultural University, Beijing 100083, China.
Food chemistry
|November 10, 2024
概括
一种新方法,分层梯度感知光谱网络 (HGASNet),通过使用表面增强拉曼光谱 (SERS) 改善了猪肉中的拉托巴胺检测. 它克服了信号噪声和光谱变化,以获得更准确的结果.
科学领域:
- 分析化学 分析化学
- 频谱学是一种光谱学.
- 化学测量 化学测量 化学测量
背景情况:
- 表面增强拉曼光谱 (SERS) 提供快速和灵敏的检测能力.
- 在猪肉中检测ractopamine的SERS中的挑战包括信号噪声,波动和光谱变化.
- 现有的方法很难有效地克服这些局限性.
研究的目的:
- 开发一种先进的深度学习模型,使用SERS在猪肉中准确检测ractopamine.
- 解决和减轻信号噪声,波动和SERS数据中的光谱转移的影响.
- 为了提高基于SERS的ractopamine量化的灵敏度和可靠性.
主要方法:
- 介绍层次梯度感知光谱网络 (HGASNet).
- 纳入光谱梯度加权注意力 (SGWA) 进行动态特征加权和对光谱移动的敏感性.
- 集成多道峰值注意力机制 (MCPAM) 来捕捉远程依赖性和融合全球/本地信息.
- 使用层次结构用于增量特征提取和集成.
主要成果:
- 与现有方法相比,HGASNet表现出优越的性能.
- 获得了高精度,R2为0.9972.
- 报告的低误差指标:RMSRE为0.0413,RMSLE为0.0548,sMAPE为6.47%,MAPE为6.72%. 这两项指标均为低误差指标.
结论:
- HGASNet有效地克服了SERS在猪肉中检测ractopamine的限制.
- 该模型的注意力机制和层次结构提高了检测准确性和可靠性.
- HGASNet代表了基于SERS的食品安全分析的重大进步.
