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
-
使用Vis-NIR和拉曼光谱数据融合结合化学计量学模型评估婴幼儿配方奶粉的储存温度和时间
查看原文2020
Innovative Food Science and Emerging Technologies
中科院一区JCR一区Xiao Wang, Carlos Esquerre, Gerard Downey, Lisa Henihan, Donal O'Callaghan & Colm O'Donnell
食品标签
乳粉 货架期预测与品质劣变动力学 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 定量预测/回归分析 红外/拉曼光谱数据本研究评估了利用可见-近红外和拉曼光谱数据融合,结合基于大型商业婴幼儿配方奶粉样本数据集构建的偏最小二乘法和支持向量机化学计量学模型,来区分不同储存温度和预测储存时间的潜力。研究比较了三种基于区间的PLS变量选择方法和SVM递归特征消除方法用于模型开发。最佳的储存温度判别模型是使用SVM分类和Vis-NIR全光谱数据建立的。采用中层次数据融合构建的SVM回归模型,对在两个温度下储存的样本均获得了最低的预测误差。工业相关性:包括Vis-NIR和拉曼光谱在内的光谱技术已广泛应用于过程分析,并越来越多地用于化工、食品加工、农业和制药等领域的在线过程监控。由于其测量快速且几乎无需样品前处理,它们非常适合于在线过程监控。本研究表明,Vis-NIR和拉曼过程分析工具,无论是单独使用还是结合使用,都可用于婴幼儿配方奶粉生产的质量评估和过程控制。
-
通过生物信息学预测的源自马铃薯蛋白的乳化肽:稳定鱼油水包油型乳状液
查看原文2020
Food Hydrocolloids
中科院一区JCR一区Pedro J. García-Moreno, Charlotte Jacobsen, Paolo Marcatili, Simon Gregersen, Michael T. Overgaard, Mogens L. Andersen, Ann-Dorit M. Sørensen & Egon B. Hansen
食品标签
马铃薯 动物油脂 蛋白质配料 其他品质相关性质 微观结构与成像 氧化、褐变等化学变化 副产物与废弃物高值利用 常规理化指标测定 其他理化与结构表征 蛋白质与氨基酸 脂质与脂肪酸计算机标签
深度学习 分类/鉴别/等级评定 组学数据 文本/知识库/法规数据 合成/仿真数据为主食品行业对具有乳化性能的可持续植物基成分的需求日益增长。本研究提出了一种新颖的方法,用于识别和应用源自马铃薯蛋白(马铃薯淀粉生产的副产品)的乳化肽。利用先进的生物信息学工具,基于其疏水性、亲水性和表面活性等物理化学性质,通过计算预测了潜在的乳化肽序列。随后,合成了预测的肽,并通过实验验证了其稳定鱼油水包油型乳状液的能力。对乳状液的稳定性、液滴大小和氧化稳定性进行了深入研究。结果表明,通过生物信息学预测的肽展现出显著的乳化能力,能有效防止乳状液的聚结和氧化降解。这种集成的计算机模拟预测结合实验验证的方法,为从未被充分利用的蛋白质来源中发现新的功能性食品配料提供了一个强大而高效的策略。
-
利用表面增强拉曼光谱快速检测和预测动物饲料中的氯四环素和氧四环素
查看原文2020
Food Control
中科院一区JCR一区Kyung-Min Lee, Danielle Yarbrough, Mena Medhat Kozman, Timothy J. Herrman, Jinhyuk Park, Rui Wang & Dmitry Kurouski
食品标签
其他复合食品 化学污染物 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 K-近邻 主成分分析/判别分析 智能手机/其他 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据本研究对表面增强拉曼光谱(SERS) 进行考察,探究采用该技术建立一种快速、无损、可靠的光谱方法,用于定性与定量分析动物饲料中金霉素(CTC)和土霉素(OTC) 的可行性。实验样品采用无四环素类添加的动物饲料,经不同浓度梯度加标制备。在包含特征峰的多个拉曼位移区间内,不同浓度的金霉素、土霉素组间的光谱差异与拉曼强度变化可被清晰观测,且差异特征与四环素种类相关。k 近邻(KNN) 与线性判别分析(LDA) 模型取得优异的正确判别率,加标样品仅出现零次或一次假阴性误判。用于分类的化学计量模型中,前两个典型变量可解释 SERS 光谱中超过 95% 的变异信息。在针对金霉素、土霉素含量预测所构建的模型里,用于金霉素定量的多元线性回归(MLR) 和偏最小二乘回归(PLSR) 模型表现出极佳的性能与预测能力:决定系数(r2)>0.94,预测误差较低(<10.0 mg/kg),线性回归斜率理想(接近 1.0)。土霉素定量的 MLR 与 PLSR 模型预测能力与拟合效果略低。本研究结果表明,SERS 可作为现有标准化学方法的替代或补充检测技术,在灵敏度与准确度满足要求的前提下,实现动物饲料中特定四环素类药物的快速检测,可作为优良的筛查体系,用于四环素污染饲料样品的实时监测。
-
作为食品科学与营养大数据分析工具的文本挖掘应用综述
查看原文2020
Comprehensive Reviews in Food Science and Food Safety
中科院一区JCR一区Dandan Tao, Pengkun Yang & Hao Feng
食品标签
营养与生物功能 食品安全与风险评估 标准/法规/数据库分析计算机标签
机器学习/统计学习 分类/鉴别/等级评定 知识抽取与语义理解 文本/知识库/法规数据 大规模数据集大数据分析能够将海量数据转化为可用于明智商业决策和运营决策的见解,因此在许多行业都有应用。先进的数据挖掘技术已被应用于食品行业供应链的多个环节。然而,以往的研究主要集中在对仪器生成数据的分析上,例如来自高光谱成像、光谱学和生物识别受体的数据。由于大数据分析技术的进步,数字文本数据在食品和营养学领域的重要性最近才受到关注。本综述旨在概述食品行业中文本数据的数据源、计算方法和应用。本文将讨论文本挖掘技术,如词级分析(例如频率分析)、词关联分析(例如网络分析)以及先进技术(例如文本分类、文本聚类、主题建模、信息检索和情感分析)。文本数据分析的应用将在食品安全与食品欺诈监测、饮食模式特征分析、消费者意见挖掘、新产品开发、食品知识发现、食品供应链管理和在线食品服务等方面进行阐述。其目标是为智能决策提供见解,以改善食品生产、食品安全和人类营养。
-
辣椒(Capsicum annuum cv. jalapeño)实验品系:通过1H NMR/机器学习进行化学表征和分类
查看原文2020
Food Research International
中科院一区JCR一区Moisés Ramírez-Meraz, Reinaldo Méndez-Aguilar, Diego Hidalgo-Martínez, Nemesio Villa-Ruano, L. Gerardo Zepeda-Vallejo, Fernando Vallejo-Contreras, Claudia J. Hernández-Guerrero, & Elvia Becerra-Martínez
食品标签
新鲜蔬菜 品质、结构与理化性质 代谢组学 光谱/色谱/质谱等分析方法 常量营养素(宏量)计算机标签
偏最小二乘法 随机森林 主成分分析/判别分析 分类/鉴别/等级评定 组学数据 红外/拉曼光谱数据本研究报道了利用基于¹H NMR 的代谢组学结合机器学习投影,对十个新的甜椒(Capsicum annuum cv. jalapeño)品种进行的代谢指纹分析。根据差异代谢物、商业关注的变量及多变量数据分析/机器学习算法,对十个品种进行了分类和评估。研究结果显示,实验的jalapeño辣椒品种在碳水化合物、氨基酸、核苷酸和有机酸含量方面表现出差异。通过一维和二维NMR鉴定了四十八种代谢物,并通过qNMR对差异代谢物进行了定量分析。主成分分析(PCA)和正交偏最小二乘判别分析(OPLS-DA)将所研究的品种分为两组。A组包括品种Colosus、Emperador、Fundador和Rayo,而B组包括品种Don Benito、SMJ 1416、SMJ 1417、SMJ 1423、SMJ 145和STAM J0904。OPLS-DA显示,A组柠檬酸水平高于B组,而天冬氨酸、富马酸、GABA、葡萄糖、苹果酸、丙酮酸、奎宁酸、蔗糖和色氨酸的水平在B组较高。值得注意的是,维生素C仅在Colosus品种中被发现。随机森林模型显示了实验品种的多样性以及与已知品种的相似率。用于生成模型的最相关变量为长度、重量、产量、宽度、木糖含量和有机酸含量。