机器学习
-
基于质谱-机器学习技术的番茄分类:一个食品安全增强平台
今天介绍一篇由Arthur Noin de Oliveira等人于2022年8月发表在Food Chemistry(IF=9.231)上的文章。该研究旨在开发一个使用机器学习算法的平台,分析质谱数据,对番茄进行有机和非有机的分类。决策树算法被定制用于数据分析,该模型在确定每种水果属于哪个组时达到了92%的准确度、94%的灵敏度和90%的精确度。
-
机器学习模型预测有机污染物的作物根系浓度因子
今天分享一篇近期由耶鲁大学医学院遗传学系的FengGao等人发表在Journal of Hazardous Materials (IF: 14.224)上的文章。
-
机器学习方法表征致肥胖城市的暴露组
今天分享一篇近期由荷兰阿姆斯特丹公共卫生研究所流行病学和数据科学系的Haykanush Ohanyan等人发表在Environment International上的文章。
-
中国农业大学周欣团队基于宏基因组学和机器学习的蜂蜜产品溯源
今天介绍一篇来自中国农业大学昆虫学系周欣教授课题组于2022年3月发表在Food Chemistry上的文章。该文为了查询蜂蜜的地理来源,收集蜂蜜样本产生的宏基因组数据,应用机器学习方法来推断蜂蜜的地理来源。
-
拉曼光谱与机器学习结合应用在单细胞水平上快速检测食品传播病原体
今天给大家介绍一篇由Shuaishuai Yan等人,于2021年5月1日上发表在Talanta(IF=6.057)的一篇研究性文章。该文章表明拉曼光谱结合基于指纹的机器学习是快速诊断病原菌的一种前瞻性策略。在这项研究中,在单细胞水平上获得了常见菌株单细胞拉曼光谱(SCRS)。然后,利用核主成分分析(KPCA)提取原始数据的非线性特征,并利用决策树(DT)算法在血清型水平上对单个细菌细胞进行评价和识别。
-
豆类中毛豆的理化特性及基于光谱学的机器学习方法在最佳采收期预测中的应用
今天介绍一篇由弗吉尼亚理工大学食品科学与技术系Dajun Yu等人于2021年8月发表于Food Chemistry的一篇文章。文中通过研究毛豆发育过程中理化性质的变化,并应用基于光谱学的机器学习(ML)技术来确定毛豆最佳采收期。对R5(始籽)、R6(满粒)和R7(初熟)生长期采收的毛豆进行了理化特性分析,并用手持式分光光度计测量了豆荚的光谱反射率(360-740nm)。根据毛豆样品的特征特性将其采收期分为“早期”、“准备期”和“晚期”,使用豆荚的光谱反射率的机器学习方法随机森林进行分类,研究结果证明该方法可以确定毛豆的最佳采收期。
-
展望:大数据和机器学习有助于推进营养流行病学
今天介绍一篇由Morgenstern Jason D等人于2021年在Advances in Nutrition上发表的文章。营养流行病学领域面临着测量误差、饮食复杂,和残余混杂所带来的挑战。本文的目的是强调大数据和机器学习的发展如何帮助应对这些挑战。
-
静态顶空-气相色谱-离子迁移谱(SHS-GC-IMS)结合机器学习技术对长相思葡萄酒的质量等级预测
该研究将静态顶空-气相色谱-离子迁移谱(SHS-GC-IMS)技术首次应用于葡萄酒香气分析,通过预测模型将香气化学与葡萄酒感官质量分级联系起来。对6种机器学习模型进行了比较,结果表明人工神经网络(ANN)的预测精度最高,达到95.4%。
-
机器学习技术在食物摄入量评估中的应用
天给大家介绍一篇由Larissa Oliveira Chaves等人,于2021年7月29日上发表在Food Science and Nutrition(IF=11.171)的一篇综述性文章。该综述使用5个计算机数据库进行文献搜索,旨在确定使用ML算法评估不同人群食物摄入量的研究。
-
如何科学地挑选西洋参 / 机器学习预测西洋参生长年限
疫情反复,想买点西洋参提高下免疫力,又怕买到假货?今天这篇发表在Chinese Medicine (IF=5.4)的文章教你如何科学地剁手鉴定西洋参生长年限。这篇文章由中国食品药品检定研究院胡笑文、严华等人于2021年10月发表,通讯是魏锋和马双成研究员。这项研究基于106批西洋参样本和4种机器学习算法,建立了西洋参年限预测模型。为了进一步适应不同来源的西洋参样本,又基于相似性构建了模型的应用域,最终实现了对西洋参生长年限的准确预测。该方法为西洋参年限造假的鉴别提供了技术支持,论文也提供了完整的模型代码。