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 167 条结果
-
Pictet-Spengler 模型体系中 harman 和 norharman 的形成及预测建模:肌内脂肪和还原糖的影响
查看原文2026
LWT
中科院一区JCR一区Teng Hui, Yincen Xiong, Qinyu Zeng, Xue Li, Tao Liu, Yanlei Li, Hao Dong, & Cheng Li
食品标签
畜肉 传统热加工 过程监测与在线检测 常规理化指标测定 脂质与脂肪酸计算机标签
偏最小二乘法 定量预测/回归分析Harman 和 norharman 是最具代表性的 beta-咔boline 类杂环胺。本研究在含有肌内脂肪、D-glucose、D-ribose 和 D-glucose-6-phosphate 的模型体系中,在不同条件下考察其形成机制,并建立预测模型。结果表明,在 90-210 摄氏度、反应时间 10-60 min、pH 5.5-8.0 以及不同添加水平下,与无添加对照相比,肌内脂肪分别使 harman 和 norharman 的形成增加 16-275% 和 16-284%;而 D-glucose、D-ribose 和 D-glucose-6-phosphate 表现出更强促进作用,分别使 harman 形成增加 50-753%、18-718% 和 46-1586%,使 norharman 形成增加 68-396%、36-391% 和 11-107%。这说明在相同加工条件下,糖来源的活性羰基物质比脂质来源活性羰基物质更强地促进 harman 和 norharman 形成。此外,线性和多项式回归模型均能有效描述形成趋势,R2 分别为 0.916 和 0.981,范围为 0.608-0.999。对于最优偏最小二乘回归模型,harman 的校准 R2c 和预测 R2p 分别为 0.75-0.87 和 0.73-0.86;norharman 分别为 0.75-0.78 和 0.74-0.75。结果确认,在肉制品烟熏和烤制过程中,harman 和 norharman 可被准确量化和监测。
-
基于 LC–MS/MS 代谢组学结合机器学习筛选培根候选生物标志物
查看原文2026
Food Chemistry: X
中科院一区JCR一区Xinyi Huang, Yingmin Tian, Yufei Yang, Miaohua Zheng, Ling Wang, Shanshan Wang, Tao Zhang & Hongzhao Lu
食品标签
畜肉 光谱/色谱/质谱等分析方法 其他特殊成分计算机标签
机器学习/统计学习 分类/鉴别/等级评定 组学数据为克服传统培根真伪鉴别存在的主观性,本研究构建了一种基于液相色谱-串联质谱(LC–MS/MS)代谢组学与机器学习相结合的客观判别框架。对五花肉(LRW)与猪臀肉(LRT)制成的培根样品进行代谢组分析,共鉴定出两组共有的100种差异代谢物。经Kruskal–Wallis H检验(p<0.05)筛选得到75个显著特征变量,再通过随机森林特征筛选与低方差过滤进一步缩减至22种关键代谢物。随后对这22种关键代谢物进行多维评价(VIF<75、标签相关系数>85%、信息增益=1),最终确定4种候选判别代谢物:其中6-羟基辛酰肉碱为LRT特征标志物,二甲基乙醇胺、黄嘌呤与富马酸单乙酯为LRW特征标志物。采用随机森林(RF)、K近邻(KNN)、支持向量机(SVM)与前馈神经网络(FNN)模型进行双向验证,结果显示该组合具有良好的判别性能。该框架为优化培根生产提供依据,并为肉制品中数据驱动的生物标志物发掘提供可推广的范式。
-
烤羊肉串气味感知解码:一个整合TDS与GC-IMS的EEG-MambaFusionNet框架
查看原文2026
Food Chemistry
中科院一区JCR一区Che Shen, Wenxi Qi, Yi Zhang, Ran Wang, Qi Jin, Kezhou Cai, Bo Wang, & Dengyong Liu
食品标签
畜肉 传统热加工 特征风味 感官科学与消费者研究 光谱/色谱/质谱等分析方法 行为实验与选择实验 其他植物化学物质计算机标签
其他深度学习结构 模型可解释性 分类/鉴别/等级评定 多模态/融合数据 时序传感器/物联网数据 质构/流变/感官数据 红外/拉曼光谱数据本研究探讨了羊肉串从生到全熟阶段香气感知的动态演变及其相应的神经特征。将感官主导时间法(TDS)与气相色谱-离子迁移谱(GC-IMS)结合起来,捕捉从"羊肉特有气味"到"木炭烤"、"脂肪味"、"烤肉味"最终到"烧焦味"的感官转变,以及相关挥发性化合物的变化。同步进行的脑电图(EEG)记录显示,这些香气变化引发了明显且逐渐增强的神经反应。在吸入后8-10秒的关键时间窗口内,神经活动在不同烤制阶段之间表现出最高的可区分性。EEG-MambaFusionNet 是一个融合神经、感官和化学数据的深度学习框架,用于量化这一过程,其预测准确率达到了 0.925。解释性分析表明,前额叶和顶叶电极作为享乐性和整合性香气处理的关键枢纽。这些发现揭示了大脑对烤羊肉串香气的处理机制。
-
基于人工智能的牲畜情感监测为何重要:对肉类质量认知和消费者购买意向的影响
查看原文2026
Food Quality and Preference
中科院一区JCR一区Vanessa Apaolaza, Mario R. Paredes, Patrick Hartmann, & Ainhize Eletxigerra
食品标签
畜肉 品质、结构与理化性质 感官科学与消费者研究 问卷/市场与消费者研究计算机标签
机器学习/统计学习 定量预测/回归分析 质构/流变/感官数据畜牧生产因其对环境的影响和动物福利方面的关注而受到日益审查,这促使人们探索能够在保持高福利标准的同时提高生产力的新技术。本文利用美国具有代表性的样本数据,构建并实证检验了一个概念模型,其中对人工智能在监测动物情绪以降低其压力水平方面的有效性的感知,与消费者的购买意图正相关,既有直接影响,也有通过感知肉类质量的间接影响。我们进一步引入了两个调节变量:对人工智能在促进畜牧业可持续性方面有效性的感知,以及个人对动物福利的关切。我们的研究发现,通过感知的肉类质量,消费者对动物情绪监控中人工智能效果的间接认知与购买意图之间的关系,在那些认为人工智能是提升可持续性有价值工具的消费者以及对动物福利高度关注的消费者中被放大。这些结果强调了技术、伦理与可持续性在塑造消费者行为中的复杂相互作用。从管理角度来看,这些结果强调了关于人工智能驱动的动物福利和环境改善的透明沟通的重要性。同样,政策制定者可以利用这些见解创建框架,使技术创新与消费者对肉类生产的伦理和可持续性期望相一致。
-
利用 DMAMC-UCNPs@PEG 实现食品中硫化氢的智能手机辅助三模式传感
查看原文2026
Food Control
中科院一区JCR一区Ning Zhang, Xuelian Hu, Shuaijie Guo, Chang Lu, Siqi Zhang, Yiwei Tang, Tianyi Ma, & Shuo Wang
食品标签
畜肉 液态乳 食品安全与风险评估 颜色与外观品质 显微与成像技术 常规理化指标测定计算机标签
智能手机/其他 分类/鉴别/等级评定 红外/拉曼光谱数据 可见光/RGB/视频数据硫化氢既是食品腐败指示物,也是具有危害性的化合物,因此快速、准确监测对食品安全具有重要意义。本研究基于 UCNPs@PEG 与 DMAMC 之间的荧光共振能量转移,构建了用于 H2S 检测的智能手机辅助三模式传感器。DMAMC 探针可通过亲核加成选择性捕获 H2S,使上转换荧光增强、可见吸收减弱并产生更浅的紫色。该平台提供上转换荧光、紫外-可见吸收和智能手机比色三种读出方式。在优化条件下,荧光、吸收和比色模式的检出限分别为 0.11 μM、0.42 μM 和 0.60 μM。基于 iPhone 和紫色通道图像分析的智能手机平台可在 3 分钟内完成检测。方法在自来水、牛奶、卷心莴苣和猪肉中得到验证,回收率约为 97.10%-107.40%,RSD 低于 6%。结果表明,该三模式传感器可为食品相关基质中 H2S 的便携、自校准监测提供工具。