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 2456 条结果
-
基于6,497个双标水测量值的预测方程可用于检测错误报告的能量摄入
查看原文2025
Nature Food
中科院一区JCR一区Rania Bajunaid, Chaoqun Niu, Catherine Hambly, Zongfang Liu, Yosuke Yamada, Heliodoro Aleman-Mateo, Liam J. Anderson, Lenore Arab, Issad Baddou, Linda Bandini, Kweku Bedu-Addo, Ellen E. Blaak, Carlijn V. C. Bouten, Soren Brage, Maciej S. Buchowski, Nancy F. Butte, Stefan G. J. A. Camps, Regina Casper, Graeme L. Close, Jamie A. Cooper, Richard Cooper, Sai Krupa Das, Peter S. W. Davies, Prasangi Dabare, Lara R. Dugas, Simon Eaton, Ulf Ekelund, Sonja Entringer, Terrence Forrester, Barry W. Fudge, Melanie Gillingham, Annelies H. Goris, Michael Gurven, Asmaa El Hamdouchi, Hinke H. Haisma, Daniel Hoffman, Marije B. Hoos, Sumei Hu, Noorjehan Joonas, Annemiek M. Joosen, Peter Katzmarzyk, Misaka Kimura, William E. Kraus, Wantanee Kriengsinyos, Rebecca Kuriyan, Robert F. Kushner, Estelle V. Lambert, Pulani Lanerolle, Christel L. Larsson, William R. Leonard, Nader Lessan, Marie Löf, Corby K. Martin, Eric Matsiko, Anine C. Medin, James C. Morehen, James P. Morton, Aviva Must, Marian L. Neuhouser, Theresa A. Nicklas, Christine D. Nyström, Robert M. Ojiambo, Kirsi H. Pietiläinen, Yannis P. Pitsiladis, Jacob Plange-Rhule, Guy Plasqui, Ross L. Prentice, Susan B. Racette, David A. Raichlen, Eric Ravussin, Leanne M. Redman, John J. Reilly, Rebecca Reynolds, Susan B. Roberts, Dulani Samaranayakem, Luis B. Sardinha, Analiza M. Silva, Anders M. Sjödin, Marina Stamatiou, Eric Stice, Samuel S. Urlacher, Ludo M. Van Etten, Edgar G. A. H. van Mil, George Wilson, Jack A. Yanovski, Tsukasa Yoshida, Xueying Zhang, Alexia J. Murphy-Alford, Srishti Sinha, Cornelia U. Loechl, Amy H. Luke, Herman Pontzer, Jennifer Rood, Hiroyuki Sagayama, Dale A. Schoeller, Klaas R. Westerterp, William W. Wong & John R. Speakman
食品标签
营养与生物功能 光谱/色谱/质谱等分析方法 统计建模与仿真 观察性人群研究 常量营养素(宏量)计算机标签
机器学习/统计学习 定量预测/回归分析 大规模数据集营养流行病学旨在将饮食暴露与慢性病联系起来,但评估饮食摄入的工具并不准确。识别不可靠数据和误差来源的一种方法是将估计的摄入量与总能耗(TEE)进行比较。本研究利用国际原子能机构双标签水数据库,利用6,497个TEE指标在4至96岁人群中推导出TEE的预测方程。由此产生的回归方程预测了体重、年龄和性别等易于获得变量的预期TEE,预测极限为95%,可用于筛查饮食研究参与者的错误报告。我们将该方程应用于两个大型数据集(国家饮食与营养调查和国家健康与营养检查调查),发现错误报告率为27.4%。这些研究中饮食报告的宏量营养素成分随着误报水平增加而系统性偏倚,导致饮食成分与体质指数之间可能存在虚假关联。
-
基于深度神经网络的多目标预测在挥发组学中的应用:模拟改性气氛下热杀索丝菌产生的挥发性有机化合物
查看原文2025
Food Research International
中科院一区JCR一区Linyun Chen, Lotta Kuuliala, Christophe Walgraeve, Kristof Demeestere, Frank Devlieghere & Bernard De Baets
食品标签
肉类/蛋类与水产品 保藏与贮藏 微生物安全计算机标签
深度学习 分类/鉴别/等级评定 定量预测/回归分析 组学数据肉类微生物腐败与挥发性有机化合物(VOCs)和异味的产生有关。虽然预测建模有助于货架期确定,但预测挥发组非常复杂,因为相关的微生物代谢极易受到包装内O2/CO2组成的影响。传统的监督学习主要侧重于预测单一目标,而本研究引入了多目标预测(MTP)的概念,通过研究预测在不同包装气氛下热杀索丝菌产生的多种VOCs来展示该方法。所用数据集包括接种了热杀索丝菌的840个猪肉模拟培养基样品的总菌落数(TPC)、O2/CO2体积比和VOCs浓度,这些样品在20种不同气氛(O2: 0%–70%, CO2: 0%–60%,N2作为填充气: 0%–100%)下储存了不同时间(0–10天)。由于某些VOCs可以通过代谢途径相互关联,本研究首次在食品领域引入了一种双分支神经网络,用于预测配对输入之间的相互作用,即:(1)每个培养基样品中的微生物数量和气体比例,以及(2)每种VOC的代谢信息。基于MTP的回归和分类模型能够在基于其他19种气氛的数据进行训练和验证后,预测特定气氛下的VOCs水平。总体而言,这些结果表明了MTP在挥发组学中的巨大潜力。当处理基于真实肉类基质的更复杂数据集时,获取更多数据来表示实例(例如,肉类/微生物样品的微生物组或食品组学信息)和目标(例如,VOCs的化学信息)至关重要。
-
基于多维指纹图谱并结合深度学习的亚洲甘草溯源与质量评估
查看原文2025
Food Chemistry
中科院一区JCR一区Wentao Cai, Xinyi Li, Yajie Ma, Yu Liao, Boyang Yu & Renshi Li
食品标签
其他果蔬制品/植物类 香精香料 光谱/色谱/质谱等分析方法 植物化学/生物活性成分计算机标签
其他深度学习结构 分类/鉴别/等级评定 组学数据甘草(Glycyrrhizae Radix et Rhizoma)因其营养特性而闻名,且由于不同地理来源的环境差异,其质量存在差异。传统的分析方法,如各种液相色谱和质谱技术,往往提供的信息有限,或者价格昂贵且操作复杂。为应对这些挑战,本研究开发了一种利用深度学习增强的多维指纹图谱的经济高效方法。研究收集并分析了来自中亚6个国家和中国6个省份的样本。首次将化学计量学、机器学习和网络药理学相结合,以预测7个关键质量标志物,随后通过皮尔逊相关分析对这些标志物进行了优化。接着开发了深度学习模型,用于准确确定甘草的地理来源并评估其质量。这种人工智能增强的方法能基于化学成分有效识别潜在的地理来源和质量差异,在其他食品和草药产品的真伪鉴别及质量评估中具有更广泛的应用前景。
-
化学修饰马黛茶叶水浸出液的伏安指纹图谱:ASCA模型分析与PLS-DA鉴别
查看原文2025
Food Chemistry
中科院一区JCR一区Mayara Martins Fonseca, Gustavo Galo Marcheafave, Bruna Goldibelli, Ivar Werndling, Roy Edward Bruns & Elen Romão Sartori
食品标签
茶/茶饮料 植物化学/生物活性成分计算机标签
偏最小二乘法 主成分分析/判别分析 分类/鉴别/等级评定马黛茶(巴拉圭冬青)被广泛饮用,并应用于食品和化妆品行业。其益处包括控制胆固醇和糖尿病、改善消化和注意力,以及提供抗氧化效果。然而,由于含有咖啡因,过量饮用可能会导致紧张和失眠。本研究提出了一种用于化学成分多样的植物质量控制的替代方法,该方法利用循环伏安法和ASCA(方差分析-同时成分分析)模型来评估植物的基因型和遮荫水平。它还采用PLS-DA(偏最小二乘判别分析)来区分脱咖啡因马黛茶和高咖啡因马黛茶。结果显示,判别模型的灵敏度和特异性均为100%,证实了遗传差异以及稳健质量控制模型的可行性。所开发的方法具有经济、快速、准确且环保的显著特点。
-
不同干燥方法对茶树(Camellia sinensis)的影响:利用人工神经网络研究质量参数和干燥动力学
查看原文2025
LWT
中科院一区JCR一区Muhammed Emin Topal, & Birol Şahi̇
食品标签
茶/茶饮料 干燥保藏 品质、结构与理化性质 常规理化指标测定 动力学建模计算机标签
机器学习/统计学习 定量预测/回归分析本研究旨在比较采用四种不同干燥方法(冷冻干燥 FD、热风干燥 HAD、红外干燥 ID 和微波干燥 MWD)处理的茶叶的干燥动力学和质量结果。六种薄层干燥模型(Alibas、Demir 等、Henderson & Pabis、改进的 Midilli-Kucuk、对数模型和 Weibull 模型)被拟合到实验数据。人工神经网络(ANN)模型也被开发用于利用干燥时间和工艺参数作为输入来预测无量纲含水率 (MR)。ANN 模型显示出较高的预测性能,R² 值高达 0.9999。此外,ANN 模型实现了强大的泛化性能,Rc² = 0.9967,Rp² = 0.9132,RPD = 3.3936,验证了其出色的预测能力。质量评估显示,冷冻干燥(FD)保留了最高的抗氧化能力(高达94.7 ± 0.1%),其次是微波干燥(MWD)、热风干燥(HAD)和红外干燥(ID)。FD观察到最低的水活性(0.29 ± 0.01 到 0.34 ± 0.01),有助于延长保质期,而MWD显示最高水活性(0.41 ± 0.04 到 0.64 ± 0.01)。颜色分析表明FD的变化最小,而ID变化最大。总体而言,FD制得的茶叶质量最高,而MWD干燥速度更快。人工神经网络(ANN)模型有效捕捉了非线性干燥行为。这种集成建模与评估方法可以支持未来茶叶干燥工艺的优化和质量控制策略。虽然统一的ANN模型精度很高(总R = 0.9999),但模型的泛化能力目前仅限于单一茶树品种的实验室规模试验。对工业干燥机和不同叶片等级的进一步验证是必要的,而且人工神经网络(ANN)的"黑箱"性质使得直接的物理化学解释变得复杂。这是已知的首个将人工神经网络(ANN)和数学建模方法结合起来,全面评估经四种不同干燥方法处理的茶叶干燥动力学和质量特性的研究。