基于机器学习的稻米品种-烹饪-咀嚼多尺度预测模型构建及其在食品感官优化中的应用

《Food Research International》：Construction of a machine learning-based prediction model for rice varieties—cooking—mastication

本研究创新性地构建了机器学习驱动的多尺度预测框架，系统量化稻米理化特性、烹饪条件与口腔加工（咀嚼参数、食团特性）的复杂关系。LSTM模型在咀嚼行为预测中表现最优（测试R2=0.9499），SVM在食团特性预测中表现突出（R2=0.9168），XGBoost则有效捕捉烹饪参数与质构的非线性相互作用（R2=0.8161）。级联模型（XGBoost-LSTM、XGBoost-SVM）实现了从烹饪输入到口腔结果的端到端预测，为稻米加工数字化优化和定制化食品设计提供了新工具。

　　

Section snippets

Materials

56个稻米品种被用于实验：20个粳稻（JR）品种（如南粳5718、武香粳1402等）由扬州大学提供，8个东北米品种从不同粮油旗舰店购买，14个籼稻（IR）品种和14个糯米品种从当地市场采购。所有样品在4°C下储存直至分析。

Correlation analysis between physicochemical properties and chewing characteristics

本研究采用Pearson相关性分析探究56个稻米样品的理化性质如何影响咀嚼行为和食团形成。结果（图1）显示，硬度是影响咀嚼行为的关键因素，与咀嚼时间、咀嚼次数、唾液量和还原糖含量呈强正相关（r > 0.7）。较硬的米需要更大的咬合力，从而延长咀嚼时间和次数，同时增加的唾液分泌促进了淀粉水解，导致还原糖含量升高。胶粘性和咀嚼性也显示出类似的趋势。在形态特征方面，粒长宽比与食团粒径呈负相关（r > 0.7），长粒米在咀嚼过程中更容易断裂成更小的颗粒。直链淀粉含量与硬度、胶粘性和咀嚼性呈正相关，但与粘附性呈负相关，表明高直链淀粉稻米质地更硬，需要更长的口腔加工时间。这些发现强调了稻米质地和形态在决定口腔加工动力学和最终食团特性中的核心作用。

Conclusion

通过采用多种机器学习模型，本研究系统地研究了稻米品种特性、烹饪条件、质构特性和咀嚼行为之间的多维关系，从而建立了一个多尺度预测建模框架。相关性分析表明，稻米的硬度、胶粘性和咀嚼性是影响咀嚼行为的核心因素。基于质构特性，多种机器学习模型——包括MLR、SVM、CNN、LSTM和XGBoost——被开发用于预测咀嚼参数和食团特性。LSTM模型在预测咀嚼行为方面表现出色，而SVM模型在预测食团特性方面表现最佳。此外，还建立了一个XGBoost模型来探索烹饪参数（烹饪时间、水米比）与质构特性之间的非线性关系。最终，构建了级联模型（XGBoost-LSTM用于咀嚼行为预测，XGBoost-SVM用于食团特性预测），实现了从烹饪条件到口腔加工结果的端到端预测。该框架为基于口腔消化机制优化稻米加工和消化提供了新颖的数字科学工具。