机器学习在食品风味分析中的应用

机器学习在食品风味分析中的应用

风味物质在食品工业中的作用既复杂又关键。随着计算技术的快速进步和食品风味领域数据的不断积累，机器学习（ML）模型已成为风味预测和调整的重要工具。上海应用技术大学的研究团队综述了在食品风味研究中广泛使用的ML模型，并介绍了ML在食品风味分析中的应用。

常用的ML方法

传统ML方法

在ML中，支持向量机（SVM）是带有相关学习算法的有监督学习模型，可分析用于分类和回归分析的数据。除了执行线性分类外，SVM还能利用所谓的“核技巧”有效地执行非线性分类，隐式地将输入映射到高维特征空间。

K最近邻（KNN）是一种基本的ML算法，它通过测量不同特征点之间的距离执行分类或回归任务。KNN算法的核心思想是相似的数据点往往属于同一类别。

决策树（DT）是一种图形，以树的形式表示选择及其结果。图中的节点代表事件或选择，图中的边代表决策规则或条件。

随机森林（RF）可以集成多个模型，每个DT都是在数据集的一个随机子集上训练出来的，这些树的预测结果将被综合考虑。

极限学习机（ELM）需要标签数据训练模型，它主要用于分类和回归任务，并且已经被证明在很多情况下能够提供与传统神经网络相当或更好的能力。

聚类分析（例如K-均值聚类、层次聚类）、降维技术（例如PCA）按照ML的方式分类都是无监督学习。

神经网络

神经网络是一类强大的计算模型，能够从输入数据中学习复杂的模式和表示。在强化学习中，神经网络通过与环境的交互来学习策略。

深度学习是一种特殊类型的神经网络，其使用深层神经网络，它包含多个隐藏层，能够捕捉更复杂的数据特征和模式。

循环神经网络（RNN）是一种处理时间序列数据的神经网络。与传统的前馈神经网络不同，RNN具有处理序列信息的能力。

图1：ML在食品风味领域的文献分布情况

图2：ML算法示意图

ML在食品风味分析中的应用

预测食品风味

ML已被应用于预测化学反应或化学合成，科学机器学习（scientific ML，SciML）在计算化学领域打开了一条新路，可以在不需要合成的情况下预测化合物的属性。

ML算法可以分析包括化学成分、加工条件和感官数据的复杂数据集，以建模和预测食品的风味特征。

通过使用GC-MS、E-Nose等技术分析挥发性化合物，ML模型可以对食品的香气特征进行分类和预测。

食品质量监测

在质量控制中，ML模型可以检测风味特征的偏差，有助于保持食品的一致性。

ML不仅可以识别食品风味特征是否一致，也可以对不同区域产的食品作出准确区分，以此检测食品中是否有掺假行为。

感官反馈分析

通过整合感官评估数据和消费者反馈，ML模型可以预测消费者对某些口味的偏好，有助于针对特定细分市场定制产品。

使用NLP（ML的一个子集）分析消费者在社交媒体和在线平台上的评论和反馈，可以深入了解消费者对食品口味的看法。

成分优化

ML还可以帮助优化成分组合，以实现所需的风味特征。这对于配制新食品或重新配制现有产品以满足不断变化的消费者偏好特别有用。

图3：ML在食品风味研究中的应用总结

结语

文章列举了几种常用的ML方法。当处理小样本的简单数据时，用SVM快速处理，KNN进行简单直观的数据处理，DT作结构清晰、易于理解的图；对于复杂的大数据集，用RF和ELM进行处理；在处理复杂的高维数据并识别风味化合物中的复杂模式时使用神经网络。

ML在提高食品质量、安全性和消费者满意度方面具有重大的潜力，未来的研究可以通过不断地改善ML算法或使用多种算法组合提高模型预测效果，减少单一模型的弊端，从而增加数据的可信度，促进ML算法在食品风味研究中的应用。

本文原文来自《食品科学》2023年45卷第12期31-41页，作者：沈潇，王海涛，姚凌云，孙敏，王化田，宋诗清，李雪，冯涛*。DOI: 10.7506 / spkx1002-20240104-040。