先进的数据驱动可解释分析用于预测米中的耐药粉含量,使用NIR光谱学

科学领域:

• 食品科学与技术 食品科学与技术
• 分析化学 分析化学
• 生物技术是生物技术.

背景情况:

• 耐性粉 (RS) 提供了显著的健康益处,但传统的量化方法对于大规模使用是无效的.
• 现有的RS分析方法通常是劳动密集型,昂贵,不适合实时工业应用.
• 需要快速,具有成本效益和可扩展的分析解决方案来确定食品中的RS.

研究的目的:

• 开发和验证一个数据驱动的框架,用于准确和高效的耐药粉预测.
• 整合近红外 (NIR) 光谱与先进的机器学习模型进行定量分析.
• 提高深度学习模型在食品质量评估的光谱分析中的可解释性.

主要方法:

• 利用近红外 (NIR) 光谱仪来获取光谱数据.
• 开发了一个卷积神经网络 (CNN) 模型,将数据增强用于RS预测.
• 采用了SHapley添加式解释 (SHAP) 来解释CNN模型并确定关键的光谱区域.

主要成果:

• 该CNN模型实现了卓越的预测准确性 (Rp2 = 0.992),超过了PLSR和SVMR等传统方法.
• SHAP分析确定了特定的关键波长 (2000-2500纳米),对RS预测作出了重大贡献.
• 优化的光谱范围减少了数据采集时间和分析成本.

结论:

• 集成的NIR-CNN-SHAP框架为抗性粉量化提供了一个快速,经济有效和可解释的解决方案.
• 这种方法提高了数据采集效率,并简化了食品质量控制的操作复杂性.
• 该研究建立了一种实用且可扩展的方法,用于在工业食品生产环境中部署NIR光谱.