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
-
通过种子酚谱评估栽培浆果的真实性
查看原文2023
Food Chemistry
中科院一区JCR一区Đurđa D. Krstić, Petar M. Ristivojević, Uroš M. Gašić, Mila Lazović, Milica N. Fatinić Akišić, Jasminka Milivojević, Gertrud E. Morlock, Dušanka M. Milojković-Opsenica & Jelena D. Trifković
食品标签
新鲜水果 食品安全与风险评估 光谱/色谱/质谱等分析方法 多酚与黄酮计算机标签
分类/鉴别/等级评定考虑到浆果类水果食用对健康的益处,以及食品真实性已成为最重要质量保障指标之一、市场对此需求日益增长,本研究将高效薄层色谱、超高效液相色谱-质谱联用技术的酚类物质图谱分析与多元统计分析相结合,对人工栽培浆果种子进行植物化学特征解析及品种间鉴别研究。选取塞尔维亚9种本土栽培浆果(草莓、树莓、黑莓、黑加仑、蓝莓、醋栗、灯笼果、黑涩石楠、枸杞)的45份种子样本开展酚类图谱分析,结果显示样本可依据植物来源实现良好区分。为筛选出用于品种分类的特征生物标志物,研究共鉴定出103种酚类化合物,包含53种酚酸及其衍生物、26种黄酮类化合物和24种糖苷类物质。研究证实,基于浆果种子酚类物质图谱筛选得到的生物标志物,可有效用于浆果植物来源真伪鉴别,也可为检测含浆果种子类产品的掺假行为提供技术支撑。
-
基于新预测模型,研究银鲤鱼(Hypophthalmichthys molitrix)可溶性果胶纤维与苏里米蛋白网络的相互作用
查看原文2023
Food Chemistry
中科院一区JCR一区Yianxue Cai, Jihui Wang, Shan Xiao, Jie Zhu, Jiamei Yu, Lin Li& Yujia Liu
食品标签
鱼肉 品质、结构与理化性质 3D 打印与结构构筑 质构与流变性质 膳食纤维与抗性淀粉 蛋白质与氨基酸计算机标签
机器学习/统计学习 定量预测/回归分析 质构/流变/感官数据鲢鱼纯鱼糜无法满足新型食品3D打印的质构要求。本研究从分子层面探究了添加可溶性果胶纤维对鱼糜品质的作用机制,并通过一种新型预测模型阐释了二者间的相互作用。与纯鱼糜相比,随着果胶添加量增加,鱼糜的pH值与持水性均有所下降,质构特性则得到改善;储能模量呈先升后降趋势,在果胶添加量为0.5%时达到最大值15012帕斯卡。肌球蛋白的热转变温度由52.13摄氏度降至49.80摄氏度。果胶延长了T22弛豫时间,表明鱼糜中不易流动水占比减少。本研究构建的新型时间序列预测模型及相互作用分析,进一步揭示了不同果胶添加量下鱼糜各项品质参数的内在关联。该研究有助于深化对果胶在鱼糜制品中应用的认知,为未来特殊膳食食品的研发提供理论支撑。
-
使用稳定同位素比值分析和随机森林分类验证乳制品的产地声明
查看原文2023
Food Chemistry: X
中科院一区JCR一区Roisin O' Sullivan, Raquel Cama-Moncunill, Michael Salter-Townshend, Olaf Schmidt & Frank J. Monahan
食品标签
奶酪 乳粉 其他乳制品 食品安全与风险评估 光谱/色谱/质谱等分析方法 蛋白质与氨基酸计算机标签
随机森林 分类/鉴别/等级评定 定量预测/回归分析 中等规模数据集用科学依据支持地理产地声明将提高消费者对食品标签的信任度。稳定同位素比值分析是一种基于自然发生的同位素组成差异来支持食品产地验证的分析技术。本研究对从黄油(60份)、奶酪(96份)和全脂奶粉(41份)中分离的酪蛋白进行了五种相关元素(碳、氢、氮、氧、硫)的稳定同位素比值分析。根据其商业来源地将样本分为四个地理区域:爱尔兰(79份)、欧洲(67份)、澳大拉西亚(29份)和美国(22份)。使用所有产品(197份)的δ13C、δ2H、δ15N、δ18O和δ34S值构建的随机森林机器学习模型,准确预测了原产地(模型准确率88%),其中对爱尔兰产品的分类准确率为95%,欧洲产品为84%,澳大拉西亚产品为71%,美国产品为94%。
-
通过三酰甘油筛查方法揭露掺假的橄榄油:超越官方方法
查看原文2023
Food Chemistry
中科院一区JCR一区Berta Torres-Cobos, Beatriz Quintanilla-Casas, Giulia Vicario, Francesc Guardiola, Alba Tres & Stefania Vichi
食品标签
植物油 光谱/色谱/质谱等分析方法 脂质与脂肪酸计算机标签
偏最小二乘法 分类/鉴别/等级评定 红外/拉曼光谱数据现行用于检测橄榄油掺假的官方管控方法无法为消费者提供令人满意的保护。因此,亟需开发更快速、灵敏度更高的筛查工具以提升检测效能。本研究将橄榄油掺假检测的官方方法,与三种基于甘油三酯分析、结合高通量检测技术(FIA-HESI-HRMS、高通量气相色谱-质谱联用、高效液相色谱-示差折光检测器)及模式识别技术(偏最小二乘判别分析)的非靶向筛查方法进行对比。研究采用143份天然差异度较高的纯正橄榄油及掺假橄榄油样品开展检测验证。官方方法对掺假比例≥2%的高亚油酸混合油样品检测灵敏度为1,而对掺假比例≥5%的高油酸混合油样品检测灵敏度仅为0.39,特异度为0.96。经外部验证,各筛查方法对高亚油酸混合油的检测灵敏度为0.90~0.99,对高油酸混合油的检测灵敏度为0.82~0.88。其中,高通量气相色谱-质谱联用法的检测灵敏度(0.94)与特异度(0.76)均为最优,被证实是橄榄油真伪鉴别最适宜的筛查手段。
-
利用单一咖啡豆质谱法结合机器学习策略对咖啡豆进行分析与分类
查看原文2023
Food Chemistry
中科院一区JCR一区Jia-Jen Tsai, Che-Chia Chang, De-Yi Huang, Te-Sheng Lin & Yu-Chi Chen
食品标签
豆类与坚果(及籽类) 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 分类/鉴别/等级评定咖啡是日常必需品,价格根据口味、香气和化学成分而异。然而,由于样品预处理耗时且破坏性强,区分不同的咖啡豆具有挑战性。本研究提出了一种通过质谱(MS)直接分析单颗咖啡豆的新方法,无需样品预处理。我们利用一颗沉积含有甲醇和去离子水的溶剂液滴的单颗咖啡豆,产生电喷雾以提取主要物质用于MS分析。单颗咖啡豆的质谱仅用几秒钟即可获得。为了展示该方法的有效性,我们使用了棕榈灵子猫咖啡豆(kopi luwak),这是最昂贵的咖啡类型之一,作为样品。我们的方法以高准确度、灵敏度和选择性区分了棕榈灵猫咖啡豆与普通咖啡豆。此外,我们采用机器学习策略,基于质谱快速分类咖啡豆,实现了99.58%的准确率、98.75%的灵敏度和100%的选择性。我们的研究强调了将单豆MS方法与机器学习结合,在快速且无损地分类咖啡豆方面的潜力。这种方法有助于识别低价咖啡豆与高价咖啡豆的混合,惠及消费者和咖啡行业。