基于电子鼻信号多步时间序列分析的牛肉新鲜度动态预测模型研究及其在智能食品监测中的应用

本研究创新性地采用电子鼻技术结合多步时间序列分析方法，实现了对牛肉新鲜度的动态精准预测。通过解析挥发性有机化合物（VOCs）信号与微生物代谢产物的关联性，构建了基于机器学习（如LSTM、ARIMA）的预测模型，为食品智能监测与安全保障提供了新技术路径。

　　

^Highlight

本研究通过多步时间序列分析技术解析电子鼻采集的牛肉挥发性信号，开发了动态新鲜度预测模型。结果表明，该模型能有效捕捉胺类、硫化物等腐败标志物（如NH₃、H₂S）的浓度变化趋势，预测准确率达92.7%±3.5%。

^Methodology

采用高精度电子鼻传感器阵列采集牛肉样本在4°C贮藏期间的挥发性指纹数据，每2小时采集一次连续7天。通过小波变换（Wavelet Transform）去噪后，构建ARIMA-LSTM混合模型进行多步预测。

^Results

模型成功预测了总挥发性盐基氮（TVB-N）和菌落总数（TAC）的动态变化，其RMSE值较传统方法降低38.6%。电子鼻信号与气相色谱-质谱（GC-MS）检测结果呈显著正相关（R²>0.89）。

^Conclusion

该技术为肉类品质无损检测提供了新方案，通过实时监测特定生物标志物（如丙二醛MDA）的释放规律，可提前24小时预警腐败风险，适用于智慧冷链和食品供应链质量管理。