类目筛选(食品学者)
-
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
-
-
深度筛选(计算机学者)
-
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
-
-
标签记录(食品学者)
标签记录(计算机学者)
共 712 条结果
-
集成机器学习作为一种数学方法,用于预测在高电压电场辅助下使用活性多孔电极去除大豆油中的色素和氧化指标
查看原文2024
LWT
中科院一区JCR一区Maryam Mousavifard, Elahe Abedi, & Kazem Alirezalu
食品标签
植物油 非热加工技术 颜色与外观品质 氧化、褐变等化学变化 常规理化指标测定 花青素与类胡萝卜素计算机标签
机器学习/统计学习 支持向量机 定量预测/回归分析多孔电极材料为电化学反应提供了较大的表面积,并有效促进离子传输。通过优化多孔电极的设计和性能,可以提升漂白性能。在本研究中,采用了三种机器学习 (ML) 算法,即支持向量回归、岭回归和决策树回归,用于预测不同高压电场辅助漂白 (HVEFAB) 条件下的漂白效率。随后,将这些模型的结果与通过前述算法组合创建的集成模型进行了比较,集成方法包括装袋(bagging)、提升(boosting)和堆叠(stacking)三种技术。随着电压的增加、电极表面的改性、阴阳极数量的变化以及惰性电解质的存在,叶绿素和类胡萝卜素的水平降低了。同时,红色和叶绿素的减少比黄色和类胡萝卜素的减少更显著。此外,应用 HVEFAB 可能降低极性化合物(如电极表面氧化化合物)的含量。基于 MSE、MAE 和 R² 指标,算法在预测输出 1(颜色指数)和 2(氧化指数)方面的效果可按以下顺序排列:Stacking > Boosting > Bagging > 决策树(DT)> 岭回归 > 支持向量回归(SVR)。研究结果表明,将这三种模型整合,主要通过 stacking 技术,显著提高了预测模型的准确性。与响应面法(RSM)相比,粒子群优化(PSO)和多项式回归代表了预测红色去除的更优模型。
-
使用单细胞拉曼光谱结合机器学习预测多物种固态醋发酵过程
查看原文2024
LWT
中科院一区JCR一区Lei Xu, Ting Yang, Xiao-Juan Zhang, Li-Juan Chai, Xin Li, Jin-Song Shi, Bei Li, Wei E. Huang, Yun Wang, Zhen-Ming Lu, & Zheng-Hong Xu
食品标签
谷物发酵食品 过程监测与在线检测 发酵工艺与动力学 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 逻辑回归/贝叶斯 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据微生物群落是天然食品发酵中风味形成的关键因素。然而,由于微生物群落的多样性和可变性,在发酵过程中保持批次间一致性是一大挑战。对整个发酵过程中微生物群落的结构和功能进行快速检测,对于最终发酵产品的质量控制具有重要意义。首先,我们采用扩增子测序方法,针对镇江香醋(一种传统谷物醋)微生物群落中的优势操作分类单元。其次,我们从醋培养物中分离并创建了13种优势细菌的拉曼数据库,使我们能够建立一个在物种分类中准确率为96.4%的逻辑回归模型。最终,建立了一个拉曼-发酵阶段回归模型,R²达到了0.952,能够准确确定醋的实际发酵阶段。本研究为微生物群落动态监测、发酵状态预测以及多种微生物发酵过程中后续生产操作的决策提供了一种新方法。
-
用于识别体外肝细胞微管扰动的高通量图像检测方法
查看原文2024
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Yang Li, Andrew J. Bowling, Audrey Lehman, Kristina Johnson, Heather E. Pence, Lori A. Breitweiser, Eric Sherer, Jessica LaRocca, & Wei Chen
食品标签
过敏原与毒性问题 显微与成像技术 体外模型计算机标签
机器学习/统计学习 设计/生成与推荐 可见光/RGB/视频数据 中等规模数据集哺乳动物细胞中微管稳定性被扰动可能导致遗传毒性和致癌风险,因此筛查微管去稳定化或稳定化作用,是辅助设计对人体健康安全分子的有效方法。本研究开发了一种高通量 384 孔检测方法,将免疫细胞化学与高内涵成像结合,用于评估代谢能力较强的人肝细胞系 HepaRG 中的微管扰动。为提高分析通量,研究使用 180 种化合物构成的整理训练库,实施监督式机器学习方法,并采用由 8 个机器学习分类器组成的多数投票集成模型预测微管扰动。模型在样本内验证中准确率超过 99.0%,F1 分数为 98.4%;在样本外验证中准确率为 93.5%,F1 分数为 94.3%。这种自动化图像检测可为早期发现阶段化合物提供简单、高通量的筛选方法,以降低作物保护产品开发中的潜在遗传毒性风险。
-
由气味诱导的嗅觉脑电图:用于食物识别和快感分析
查看原文2024
Food Chemistry
中科院一区JCR一区Yuchen Guo, Xiuxin Xia, Yan Shi, Yuxiang Ying, & Hong Men
食品标签
食品安全与风险评估 特征风味计算机标签
机器学习/统计学习 分类/鉴别/等级评定随着食品真伪验证需求的增加,对食物气味的感官评估 已被广泛认可。本研究提出了基于脑电图(EEG)的理论,利用特征工程和集合学习,建立基于嗅觉感知和愉悦的物质和情感空间。本研究探讨了这两个空间之间的内在联系,并探讨了构建OPDS中的整合与分化机制。这种方法能够有效地可视化各种类型的食物气味,同时识别它们的感知强度和愉悦度。在八个类别实验中,气味识别的平均分类准确率为96.1%。相反,在两类实验中,感官愉悦识别的平均分类准确率为98.8%。本研究提出的理论方法基于嗅觉脑电信号构建OPDS,捕捉了对食物气味的细微感知差异和个性化愉悦反应。
-
快速且敏感的食品欺诈检测方法:对前景与挑战的回顾
查看原文2024
Food Chemistry
中科院一区JCR一区Ramesh Sharma, Pinku Chandra Nath, Bibhab Kumar Lodh, Jayanti Mukherjee, Nibedita Mahata, Konga Gopikrishna, Onkar Nath Tiwari, & Biswanath Bhunia
食品标签
食品安全与风险评估 光谱/色谱/质谱等分析方法 传统统计分析与回归计算机标签
机器学习/统计学习 偏最小二乘法 K-近邻 分类/鉴别/等级评定 红外/拉曼光谱数据 文本/知识库/法规数据鉴于食品安全和质量日益增长的关注,需要精确可靠的分析技术来保证食品质量。由于传统程序成本高且耗时,需要快速的食品控制技术来确保产品质量。用于识别和检测食品欺诈的多种分析技术,包括光谱学、色谱法、DNA条形码和肌力比质谱(IRMS)。由于其快速发现、使用简便、高通量、经济实惠以及对多种食品基质的无损评估,镍一级光谱和高光谱成像在食品行业中备受青睐。随着化学计量技术和近红外光谱仪器的发展,该技术的适用性不断提升。本研究还讨论了多种多元分析技术在识别食品欺诈时的应用,如主成分分析、偏最小二乘法、聚类分析、多元曲线解析和人工智能。