桌面 volatilomics 和先进的卷积神经网络工作流程,用于准确和可解释的食品认证

科学领域:

• 分析化学 分析化学
• 计算化学计算化学
• 频谱学是一种光谱学.

背景情况:

• 气色谱-离子流动性光谱法 (GC-IMS) 是一种敏感的技术,用于挥发性有机化合物 (VOC) 分析.
• 由于GC-IMS数据具有二次性质,因此在峰值对齐,特征提取和分类方面存在挑战.
• 现有的方法难以应对GC-IMS数据的复杂性,限制了其实际应用.

研究的目的:

• 为GC-IMS数据分析开发一个强大且可解释的深度学习 (DL) 框架.
• 使用卷积神经网络 (CNN) 提高GC-IMS数据的分类准确性.
• 为了解决数据的局限性,并提高GC-IMS分析的解释性.

主要方法:

• 开发了一个使用卷积神经网络 (CNN) 的深度学习工作流程,将GC-IMS染色图处理为图像.
• 两个CNN架构 (简化和复杂) 在橄油和类数据集上进行了评估.
• 引入了一种新的GC-IMS特定的数据增强技术来模拟仪器漂移.
• 度图和主要成分分析 (PCA) 用于数据解释性.

主要成果:

• 简化的CNN模型实现了高分类准确度,为橄油的96.4%,类数据集的98.3%.
• 开发的数据增强方法有效地解决了有限的样本大小所带来的挑战.
• 可解释性方法揭示了每个类别的稳定,集体的VOC签名,超越了单个样本的解释.

结论:

• 拟议的DL框架为GC-IMS数据分析提供了一种强大且易于解释的方法.
• 将DL预测与化学测量解释性结合起来,可以提高VOC分析的稳定性.
• 这种工作流便于实践实验室部署复杂的GC-IMS数据集.