风味解码：基于EEG频谱与Hjorth参数利用增强树回归模型预测咖啡感官属性

本文探索性地利用脑电图（EEG）频谱与时域特征，结合最小二乘提升树（LSBoost）机器学习模型，成功预测咖啡的苦、甜、酸和涩感强度。研究采用留一被试交叉验证（LOSO）和贝叶斯超参数优化，模型表现出高预测精度（MAE < 0.75）和中等至大效应稳健性（Cohen's d > 0.6），为替代传统描述性感官分析（DSA）提供了客观、神经营销学与感官科学交叉的新途径。

　　

1 引言

咖啡作为全球热饮市场的主要组成部分，年产量超过1.76亿袋，消费量达70亿公斤。消费者对咖啡的偏好和购买意愿主要受其主观风味体验驱动，包括味觉、嗅觉与口腔触觉等多模态感知。风味感知涉及从孤束核、丘脑腹后内侧核至岛叶前部味觉皮层的信号传递，并在眶额皮层（OFC）整合嗅觉、体感与三叉神经输入，最终形成带有情感效价的多模态表征。

目前，咖啡风味评估主要依赖描述性感官分析（DSA），由专业品鉴小组对标准化感官属性进行评分。然而，DSA易受感觉适应、期望误差、光环效应等多种生理与心理偏倚的影响。近年来，基于生物电信号的直接测量技术——如脑电图（EEG）——被提出作为补充或替代工具。已有研究发现δ波段相位、α与θ波段频谱功率等EEG特征与味觉处理相关，但多数研究仍局限于基础味觉溶液分类，而非连续强度预测，且存在反向推理风险。

为此，本研究采用机器学习（ML）中的模式解码方法，使用提升树回归模型从EEG信号预测咖啡感官属性强度，以避免传统DSA的主观偏倚，并为风味神经机制提供新的数据驱动见解。

2 相关工作

过去研究多集中于使用EEG和机器学习区分基本味觉溶液。例如，De等人（2023）利用长短期记忆循环神经网络（LSTM-RNN）对酸、甜、苦、咸、鲜味和中性溶液进行分类，准确率达97.16%；Xia等人（2024）使用卷积神经网络（CNN）处理空时增强的EEG原始信号，判别四种基本味道，准确率99.5%。仅有Zhao等人（2022）尝试预测五种基本味道的强度，但其最佳模型（XGBoost）拟合优度R2在-0.22到0.18之间，预测性能有限。

此外，仅有少数研究涉及真实食物或饮料。González-Espa?a等人（2023）用SVM区分葡萄酒与水、以及不同葡萄酒，准确率超70%；Naser与Aydemir（2024）使用k近邻（kNN）和随机森林（RF）区分橙油、薄荷油、百里香油和丁香油，最高准确率87.5%。在咖啡研究中，Maram等人（2023）用CNN分类咖啡品牌偏好（准确率83.43%），Xu等人（2021）则用贝叶斯回归预测情绪反应，均未直接涉及感官属性强度预测。因此，现有模型无法替代或补充传统DSA方法。

3 材料与方法

3.1 研究人群

15名专业咖啡品鉴师（9名女性，年龄24–59岁，平均40.13±13.80岁）参与实验，按经验分为训练组（T，经验<3年）与专家组（E，经验>3年）。样本量虽低于以往EEG研究平均值（19.67±12.31），但符合DSA研究通常使用5–15名专家的惯例。两组在平均年龄上无显著差异，但性别比例不平衡（E组2名女性，T组7名女性）。敏感性分析（G*Power软件）显示可检测中等至大效应量（f = 0.302）。研究获伦理委员会批准，遵循赫尔辛基宣言，所有参与者签署知情同意。

3.2 仪器设备

使用NVX-52系统（Medical Computer System Ltd.）采集38导联 scalp EEG，电极按10-10系统布置，参考自由，以左乳突（M1）为接地。数据以2 kHz采样频率、24位分辨率记录（Neorec软件）。实验指令通过iMotions软件呈现，并通过ESB同步盒发送TTL脉冲确保数据同步。所有计算在AMD Ryzen? Threadripper PRO工作站（32核，256 GB DDR4内存）上使用MATLAB R2024b完成，未使用GPU加速。

3.3 实验流程

实验包含60秒闭眼基线（BSL）和两个阶段：基准（Be）与咖啡（Co）。Be阶段品尝4种溶液：蔗糖（甜）、咖啡因（苦）、柠檬酸（酸）、硫酸铝钾（涩）；Co阶段品尝4种不同阿拉比卡/罗布斯塔比例（100:0, 80:20, 85:15, 70:30）的咖啡。阶段顺序固定，品尝顺序随机。液体 administration masked，Be溶液为室温，Co咖啡约60°C。每次品尝前用水漱口（WR任务），含液10秒（TL任务）后吞咽，随后在0–10分尺度评分苦、甜、酸、涩强度。

3.4 数据处理

使用EEGLab工具箱进行预处理：EEG重采样至512 Hz，0.1–40 Hz带通滤波（四阶零相移巴特沃斯），CleanLine去除50/100 Hz工频干扰，ASR（κ=20）校正非平稳伪迹。采用SOBI算法进行ICA分解，ICLabel（Pr{!brain}≥0.9）识别并去除伪迹成分（平均3.8±1.373个），最后使用REST算法重参考至零理想电位。

清洗后的EEG数据对齐TTL脉冲 onset，按实验阶段分段（BSL、WR、TL）。个体α频率（IAF）定义为7.5–12.5 Hz频段功率谱密度（PSD）重心（Welch方法，1秒汉明窗，50%重叠），用于定义被试特异的δ、θ、α、β、γ频带：δ = [0, IAF-6]，θ = [IAF-6, IAF-2]，α = [IAF-2, IAF+2]，β = [IAF+2, IAF+16]，γ = [IAF+16, IAF+25]。

3.5 特征提取

特征从WR与TL时段提取，以避免非任务相关活动干扰。对每个通道C与频带B，计算归一化频谱功率p_C,B（公式2），即B频段内Welch PSD积分与全频段积分之比。同时计算Hjorth参数：活动度（A_C）、移动度（M_C）、复杂度（C_C）（公式3），其中活动度为时间方差。此外，考虑 expertise level（组别）与年龄的影响。特征向量（306维）由频谱（190维）、时域（114维）特征及年龄、组别（分类变量）拼接而成。TL向量x_T,P相对于WR向量y_T,P进行归一化（公式4，Hadamard除法）。最终构建Be、Co及合并BeCo三个数据集（规模分别为60×306、60×306、120×306），目标变量y经log(1+y)转换。

3.6 模型训练与评估

选择LSBoost（最小二乘提升树）作为预测模型，因其非线性集成特性与内置特征选择能力。超参数包括学习器数量（n∈[1,500]）、学习率（ρ∈[0.01,1]）、叶节点大小（l_s∈[1,100]）、最大分裂数（n_s∈[1,100]）及标准化方法（S∈{z-score, minmax, median, none}）。通过100步贝叶斯优化（目标函数为留一被试交叉验证的MAE）求解CASH问题（公式5），最大评估次数100，随机种子固定。

基线模型为均值回归器（Me）与lasso回归（LR），lasso惩罚项λ按公式6设置（n=56, p=306）。通过Cohen's d（公式7）比较LSBoost与基线模型的MAE差异，d>0.5、0.8分别对应中、大效应，显著性由95%置信区间（非中心t分布）评估。对显著模型，提取特征重要性（归一化至总和1），绘制地形图展示通道级重要性分布。

4 结果

四个模型显示显著改进：Be阶段预测苦（Bi）与甜（Sw），Co阶段预测酸（Ac），BeCo阶段预测涩（As）。总体MAE为0.537±0.073（反log转换后0.714±0.124），Cohen's d为d_Me = 0.858±0.341, d_LR = 0.897±0.326。Ac预测性能最佳（MAE = 0.459±0.178），Sw最差（MAE = 0.600±0.282）；Bi模型稳健性最高（d_Me = 1.344, d_LR = 1.372），Sw最低（d_Me = 0.651, d_LR = 0.660）。

最优超参数因目标与数据集而异：Bi（Be）使用minmax标准化、n=271、ρ=0.27、l_s=7、n_s=74；Sw（Be）为z-score、n=498、ρ=0.01、l_s=2、n_s=77；Ac（Co）为minmax、n=500、ρ=0.01、l_s=1、n_s=100；As（BeCo）为无标准化、n=500、ρ=0.01、l_s=1、n_s=100。训练时间17.35–141.78秒不等。

特征重要性分析显示，频谱功率（尤其p_α，中位数0.139）总体贡献高于时域参数（M最低，中位数0.034）。年龄与组别在部分模型中为预测因子：年龄对Sw（Be）与Ac（Co）重要，组别对Ac（Co）与As（BeCo）重要，且组别重要性最高（中位数0.252）。地形图表明中央、枕、顶、额区通道贡献最大。

5 讨论

本研究成功使用EEG特征与LSBoost模型预测咖啡感官属性强度，验证了EEG结合机器学习在风味评估中的可行性。模型性能优于均值与lasso基准，具较高精度与稳健性。Ac的易预测性契合既往研究（Zhao等人2022），Sw的预测难度与低判别性（De等人2023）一致，而Bi的高稳健性或反映苦味敏感性的进化基础（Wooding等人2021）。

频谱特征（p_α、p_β、p_γ、p_δ、p_θ）的重要性与以往研究一致，时域参数（Hjorth参数）的有效性则支持使用原始EEG信号的深度学习模型。中央-顶-额区的重要性符合味觉处理神经通路，年龄与 expertise 的影响则呼应了Croijmans与Majid（2016）及Mojet（2003）的发现。

研究存在若干局限：样本量较小，数据质量受肌电伪迹影响；实验设计存在潜在偏倚（固定阶段顺序、温度差异、视觉线索）；缺乏重测信度验证。未来需扩大样本、改进盲法设计、进行纵向研究。尽管如此，本研究为基于EEG的客观风味评估奠定了基础，有望替代传统DSA方法。