类目筛选（计算机学者）
清除筛选
-
模型类型
-
机器学习/统计学习
-
偏最小二乘法
-
支持向量机
-
随机森林
-
K-近邻
-
梯度提升决策树
-
主成分分析/判别分析
-
逻辑回归/贝叶斯
-
智能手机/其他
-
-
深度学习
-
卷积神经网络
-
循环神经网络
-
目标检测网络
-
图像分割网络
-
生成对抗网络
-
图神经网络
-
序列到序列/编码-解码
-
其他深度学习结构
-
-
大模型与 LLM
-
大语言模型
-
视觉基础模型
-
多模态基础模型
-
知识图谱与 LLM 集成
-
垂直领域微调/指令调优
-
检索增强生成
-
-
模型设计/优化策略
-
迁移学习/领域自适应
-
小样本学习
-
模型可解释性
-
模型轻量化/边缘计算
-
特征工程与选择策略
-
超参优化/自动机器学习
-
强化学习
-
-
-
模型任务
-
分类/鉴别/等级评定
-
定量预测/回归分析
-
缺陷/异物检测与定位
-
过程控制与实时优化
-
知识抽取与语义理解
-
设计/生成与推荐
-
模拟与数字孪生
-
-
模型数据
-
来源
-
可见光/RGB/视频数据
-
高光谱/多光谱光谱
-
红外/拉曼光谱数据
-
时序传感器/物联网数据
-
组学数据
-
质构/流变/感官数据
-
文本/知识库/法规数据
-
多模态/融合数据
-
-
量级
-
小规模数据集
-
中等规模数据集
-
大规模数据集
-
超大规模/工业级数据集
-
公开数据集
-
合成/仿真数据为主
-
-
深度筛选（食品学者）
清除筛选
-
研究对象/基质维度
-
谷物/块根/豆与坚果类
-
小麦
-
玉米
-
大米
-
杂粮
-
马铃薯
-
其他根茎类
-
其他谷物与块根
-
豆类与坚果（及籽类）
-
-
肉类/蛋类与水产品
-
畜肉
-
禽肉
-
鱼肉
-
甲壳类
-
软体与贝类
-
内脏及副产物
-
其他肉与水产品
-
蛋类及其制品
-
-
乳及乳制品
-
液态乳
-
发酵乳/酸奶
-
奶酪
-
乳粉
-
乳清及乳清制品
-
其他乳制品
-
-
水果/蔬菜与菌菇类/植物类
-
新鲜水果
-
新鲜蔬菜
-
果蔬汁/浓缩汁
-
果蔬干/果脯/蔬菜干
-
其他果蔬制品/植物类
-
食用菌菇
-
食用花卉
-
-
油脂及油脂制品
-
植物油
-
动物油脂
-
起酥油/人造脂肪
-
油炸食品
-
其他油脂制品
-
-
饮料
-
果蔬饮料
-
茶/茶饮料
-
咖啡饮料
-
乳饮料
-
功能/运动饮料
-
碳酸饮料
-
酒精饮料
-
其他饮料
-
-
糖、焙烤与糖果制品
-
面包
-
蛋糕/糕点
-
饼干/薄脆制品
-
糖果
-
巧克力及含可可制品
-
其他焙烤与糖果制品
-
蜂蜜等天然糖
-
-
发酵食品及酱腌制品
-
大豆发酵制品
-
蔬菜发酵制品
-
发酵豆制品
-
谷物发酵食品
-
肉类发酵制品
-
水产发酵制品
-
其他酱腌/发酵食品
-
-
复合/即食/餐饮食品
-
方便面及速食米面
-
预制菜/即食菜肴
-
冷冻方便食品
-
罐头菜肴
-
餐饮菜品与团餐
-
其他复合食品
-
-
新资源食材
-
昆虫蛋白
-
微藻及藻类产品
-
单细胞蛋白
-
细胞培养肉
-
其他新资源食材
-
-
食品添加剂与配料
-
碳水化合物配料
-
脂肪/油脂配料
-
蛋白质配料
-
乳化剂/稳定剂/增稠剂
-
甜味剂
-
香精香料
-
酸度调节剂/防腐剂/抗氧化剂
-
营养强化剂
-
其他添加剂与配料
-
-
新材料/包装与接触材料
-
塑料材料
-
纸及纸板
-
金属材料
-
玻璃材料
-
生物基/可降解材料
-
多层复合材料
-
探针与分析传感材料
-
其他材料
-
-
食品加工设备与机械系统
-
热处理设备
-
干燥设备
-
挤压/混合/成型设备
-
分选/分级/检验设备
-
灌装/封口/包装设备与生产线
-
清洗/CIP/卫生相关设备
-
输送/搬运/机器人系统
-
其他加工设备与系统
-
-
-
研究主题/科学问题维度
-
加工与新加工技术
-
传统热加工
-
非热加工技术
-
物理辅助加工
-
3D 打印与结构构筑
-
挤压膨化与共挤技术
-
其他加工技术
-
-
保藏与贮藏
-
冷藏与冷冻保藏
-
干燥保藏
-
改良气调/控气贮藏
-
保鲜涂膜与保鲜剂
-
货架期预测与品质劣变动力学
-
其他保藏技术
-
-
品质、结构与理化性质
-
质构与流变性质
-
颜色与外观品质
-
微观结构与成像
-
氧化、褐变等化学变化
-
其他品质相关性质
-
特征风味
-
-
营养与生物功能
-
基本营养价值评价
-
抗氧化/抗炎等功能
-
血糖、血脂与代谢相关功能
-
肠道健康与微生物相关功能
-
其他生物活性与健康效应
-
-
食品安全与风险评估
-
微生物安全
-
化学污染物
-
加工污染物
-
过敏原与毒性问题
-
暴露评估与风险表征
-
其他安全问题
-
-
包装与智能监测
-
包装设计与机械性能
-
活性包装
-
智能/指示型包装
-
包装系统中的监测与标签应用
-
其他包装相关研究
-
-
可持续性与资源高值化
-
副产物与废弃物高值利用
-
能耗/水耗与环境影响分析
-
生命周期评价与碳足迹
-
循环经济与绿色供应链
-
其他可持续性主题
-
-
感官科学与消费者研究
-
感官评价与方法学
-
消费者偏好与接受度
-
市场细分与消费行为
-
标签、营养声称与信息呈现
-
其他感官与消费者研究
-
-
过程控制与数字化
-
过程监测与在线检测
-
过程优化与控制策略
-
生产管理与数字化工厂
-
其他过程控制与数字化研究
-
-
-
研究方法/证据层级维度
-
理化与结构表征
-
常规理化指标测定
-
质构与流变测试
-
显微与成像技术
-
光谱/色谱/质谱等分析方法
-
其他理化与结构表征
-
-
微生物与发酵实验
-
微生物计数与生长曲线
-
菌种筛选与特性评价
-
发酵工艺与动力学
-
生物膜与耐受性研究
-
其他微生物/发酵方法
-
-
组学与高通量技术
-
基因组学
-
转录组学
-
蛋白质组学
-
代谢组学
-
微生物组/宏基因组学
-
其他组学方法
-
风味组学
-
-
体外模型
-
体外消化模型
-
体外发酵模型
-
细胞模型
-
模拟胃肠/肠道系统
-
其他体外模型
-
-
动物实验/人体试验
-
小动物实验
-
大动物实验
-
人体干预试验
-
观察性人群研究
-
其他体内/人群研究
-
-
统计建模与仿真
-
传统统计分析与回归
-
响应面分析与多因素优化
-
动力学建模
-
数值仿真
-
其他统计建模方法
-
-
问卷/市场与消费者研究
-
问卷设计与实施
-
访谈与质性研究
-
行为实验与选择实验
-
其他消费者研究方法
-
-
标准/法规/数据库分析
-
标准与法规对比分析
-
政策评估与影响分析
-
食品成分/消费数据库分析
-
其他标准法规相关方法
-
-
其他方法
-
专利分析
-
德尔菲法与专家咨询
-
情景分析与情景模拟
-
其他难以归类的方法
-
-
-
关键营养素/成分维度
-
常量营养素（宏量）
-
蛋白质与氨基酸
-
脂质与脂肪酸
-
碳水化合物与糖类
-
-
膳食纤维与抗性淀粉
-
可溶性膳食纤维
-
不溶性膳食纤维
-
抗性淀粉
-
其他膳食纤维类成分
-
-
维生素
-
脂溶性维生素 A/D/E/K
-
维生素 C
-
维生素 B 族
-
其他维生素或前体
-
-
矿物质与微量元素
-
钙
-
铁
-
锌
-
碘/硒等微量元素
-
钠/钾/镁等常量矿物质
-
其他矿物质
-
-
植物化学/生物活性成分
-
多酚与黄酮
-
花青素与类胡萝卜素
-
酚酸类
-
含硫植物化合物
-
其他植物化学物质
-
-
益生菌/益生元/合生元
-
益生菌菌株
-
益生元
-
合生元产品
-
可发酵底物与其他肠道相关成分
-
-
功能性脂类与糖替代品
-
植物甾醇/甾烷醇
-
共轭亚油酸
-
中链脂肪酸
-
糖醇类
-
非营养性甜味剂
-
盐替代品与其他代谢敏感因子
-
-
其他特殊成分
-
咖啡因
-
茶氨酸
-
胆固醇
-
嘌呤
-
其他特殊成分
-
-
标签记录（计算机学者）
清除全部筛选
标签记录（食品学者）
共 1173 条结果
-
预见饮食行为测量的未来：验证 OCOsense™ 眼镜用于检测咀嚼行为
查看原文
2025
Food Quality and Preference
中科院一区JCR一区
计算机标签
机器学习/统计学习 超参优化/自动机器学习 分类/鉴别/等级评定 可见光/RGB/视频数据 时序传感器/物联网数据 小规模数据集食品标签
其他加工设备与系统 感官科学与消费者研究 其他方法目前评估饮食行为的方法常常因无法真实反映日常生活中的饮食体验而受到批评，这些方法要么需要耗费大量资源来进行主观行为编码，要么依赖于自我报告的测量方式。而 OCOsense 眼镜则提供了一种有前景的替代方案，它能够直接监测面部肌肉的运动，且没有上述限制。初步数据表明，这些眼镜能够检测到多种进食和咀嚼行为。然而，这需要通过实证验证来确认：这就是本研究的目的。47 名年龄在 18 至 33 岁之间的成年人（31 名女性和 16 名男性）参加了 60 分钟的实验室早餐，并进行了视频记录。通过在 ELAN（版本 6.7）上进行手动行为编码以及对 OCOsense 眼镜的传感器数据进行分析，对口腔处理行为进行了标注。在此，我们重点关注对两种早餐食物（即：面包圈和苹果）的咀嚼数据。对于这两种食物，在每个进食段记录的咀嚼次数在手动编码和眼镜算法输出之间没有显著差异，并且回归分析显示这两种测量方法之间存在很强的一致性（r(550) = 0.955）。同样，两种方法所估算的平均咀嚼速率没有显著差异。参与者对自己进食速度的自我评估与记录的咀嚼行为高度一致，并且两种方法都能检测到这一情况。总体而言，OCOsense 眼镜正确检测到了 81%的进食行为和 84%的非进食行为。虽然该眼镜的算法仍有改进的空间，但通过 OCOsense 眼镜检测到的面部肌肉运动能够检测出所测试的两种食物的咀嚼动作，未来的工作将把这一技术扩展到其他食物和实验室之外的进食行为上。
-
红豆消费者认知的跨文化分析：利用韩日问答话语数据进行主题建模方法
查看原文
2025
Food Quality and Preference
中科院一区JCR一区
计算机标签
机器学习/统计学习 分类/鉴别/等级评定 文本/知识库/法规数据 大规模数据集食品标签
豆类与坚果（及籽类） 感官科学与消费者研究 问卷/市场与消费者研究红豆（学名：Vigna angularis），又称小豆，是东亚地区的主要食材，但不同文化中的消费者对其认知和消费习惯存在差异。本研究采用大数据方法，通过分析在线问答讨论来探究韩国和日本之间红豆消费的跨文化差异。我们从在线问答平台（韩国的 Naver Knowledge iN 和日本的 Yahoo！ Chiebukuro）收集了超过十年有关红豆的问题。利用潜在狄利克雷分配（LDA）主题建模，我们确定了消费者关注的关键主题。分析显示了不同的文化侧重点：韩国消费者主要关注健康益处，特别是饮食和消肿效果，而日本消费者则更注重烹饪方面，如烹饪方法和口味。此外，季节性分析表明，兴趣在韩国的冬至和日本的新年/春季达到高峰。这些发现为食品行业制定有针对性的营销策略和针对特定文化偏好的产品创新提供了有价值的见解。
-
结合机制与机器学习模型，用于色氨酸代谢的预测工程与优化
查看原文
2020
Nature Communications
中科院一区JCR一区
计算机标签
机器学习/统计学习 定量预测/回归分析 大规模数据集食品标签
动力学建模 数值仿真代谢工程旨在优化细胞代谢过程，以生产有价值的化学物质，包括氨基酸及其衍生物。然而，代谢网络的复杂性常常阻碍了高性能菌株的合理设计。在此，我们提出了一种融合机制动力学模型与机器学习的混合建模方法，用于预测和优化大肠杆菌中的色氨酸代谢。我们构建了色氨酸生物合成途径的动力学模型，并利用该模型生成了大量的模拟代谢通量和浓度数据集。然后，这些数据被用于训练机器学习模型，包括集成方法，以预测色氨酸及其中间产物的产量。这种混合模型准确地捕捉了该途径的非线性动态，并识别出了关键的速率限制步骤和调控节点。在模型预测的指导下，我们对大肠杆菌菌株进行了工程改造，使其色氨酸浓度和产量显著提高。这项研究展示了将机制性理解与基于数据的预测相结合在代谢工程中的强大作用，并为优化其他高价值化合物的生产提供了一个通用的框架。
-
机器学习助力构建人类肠道微生物群的群体感应通信网络
查看原文
2024
Nature Communications
中科院一区JCR一区
计算机标签
机器学习/统计学习 分类/鉴别/等级评定 组学数据 大规模数据集食品标签
发酵食品及酱腌制品 肠道健康与微生物相关功能 组学与高通量技术 其他方法 益生菌/益生元/合生元群体感应（QS）是一种细菌间进行细胞间通讯的机制，用于协调群体行为，这对于肠道微生物群的稳定以及宿主健康至关重要。然而，肠道微生物群的复杂性使得全面解析群体感应通讯网络变得极具挑战性。在此，我们开发了一种基于机器学习的流程——QS-Net，用于从宏基因组数据中识别群体感应信号和受体，并构建人类肠道微生物群的群体感应通讯网络。我们整理了一个大规模的群体感应蛋白质序列数据集，并训练了机器学习模型，以高精度分类群体感应合酶和受体。将 QS-Net 应用于人类肠道宏基因组，我们揭示了一个复杂的群体感应网络，涉及多种细菌物种和信号分子，包括 N-酰基羟赖氨酸乳素和自诱导剂 - 2。我们的分析确定了关键的群体感应枢纽以及可能影响肠道健康和疾病的潜在跨物种相互作用。这项研究为理解肠道微生物群的化学语言及其对人类健康的影响提供了有价值的资源和强大的工具。
-
基于机器学习和深度学习预测酶小分子底物的通用模型
查看原文
2023
Nature Communications
中科院一区JCR一区
计算机标签
深度学习 分类/鉴别/等级评定 文本/知识库/法规数据食品标签
食品添加剂与配料 蛋白质配料 过程控制与数字化 统计建模与仿真 标准/法规/数据库分析 其他方法 其他特殊成分酶通过结合特定底物催化生化反应，然而对于许多已测序的酶，其底物范围仍然未知。机器学习预测可以提供一种替代实验表征的有效方法，但往往因缺乏有关酶非底物的信息而受阻，因为可用的训练数据主要由阳性样本组成。在这里，我们提出了 ESP，这是一种通用的机器学习模型，用于预测酶-底物对，在独立和多样化的测试数据上准确率超过 91%。ESP 可以成功应用于广泛不同的酶和训练数据中包含的各种代谢物，优于为单个、研究充分的酶家族设计的模型。ESP 通过改进的 Transformer 模型表示酶，并在通过随机采样被指定为非底物的小分子增强的数据上进行训练。通过促进对潜在底物的简单计算机测试，ESP 网络服务器可以支持基础科学和应用科学，包括用于代谢工程和食品配料合成的酶的发现。
