基于微波频率扫描耦合 PKO 特征选择、PKO 优化随机森林及 SHAP 分析的储存多谷物中玉米赤霉烯酮（ZEN）污染快速可解释分类

《Journal of Stored Products Research》：Rapid and explainable classification of ZEN contamination in stored multi-grain based on microwave frequency sweeping coupled with PKO feature selection, PKO-optimized RF, and SHAP analysis

　　微波传输频率扫描技术能够实现小麦和玉米中ZEN污染水平的快速甄别。PKO同步选择关键频率并优化随机森林超参数。SHAP分析揭示了谷物基质的特异性频率模式，并增强了模型的可解释性。PKO-RF模型在两类谷物的独立测试集上均达到了97.44%的准确率。引言小麦和玉米是全球最重要的谷物作物之一，在种植面积、总产量和贸易量方面均位居前列（Dadrasi等，2023）。两者共同构成了全球粮食供应体系的支柱，不仅为人类提供了主要的能量和营养来源，也是畜牧业饲料、食品加工行业和生物制造产业的关键原料（Choi等，2022）。因此，小麦和玉米的产量、质量与安全性直接关系到全球粮食安全、公共健康以及农业经济的可持续发展（Oluwole等，2023）。然而，由于高温、高湿、通风不良以及籽粒含水量过高等不良环境条件，小麦和玉米在收获、运输和储存过程中容易发生真菌污染（Sharma等，2023）。真菌在生长和繁殖过程中会产生多种有毒的次级代谢产物，即真菌毒素（Sajjad等，2025）。其中，由镰刀菌属产生的常见真菌毒素玉米赤霉烯酮（ZEN）在小麦、玉米及其衍生物中被广泛检出（Mahato等，2021）。由于ZEN具有极高的热稳定性，在食品加工过程中难以被完全降解，且容易通过食物链进入人体和动物体，造成各种健康风险，包括生殖毒性、肝毒性、肾毒性和免疫毒性（Li等，2025a）。因此，ZEN已成为全球食品安全与质量控制中重点关注的污染物之一（Wu等，2021）。因此，建立一种快速、准确、可靠的ZEN污染水平鉴定方法，对于保障粮食质量安全、降低食品安全风险以及实现储粮过程中的智能监测具有重大的理论意义和实用价值（Feng等，2025）。目前，鉴定小麦和玉米中ZEN污染水平的常规方法主要包括色谱技术和高分辨质谱（Gadza?a-Kopciuch等，2020）。近年来，也发展了多种无损检测技术，如近红外光谱和嗅觉可视化技术（Ahmed等，2026）。然而，这些方法仍然存在一定的局限性。部分技术需要高度精密的实验环境和复杂的操作程序，可能导致较大的检测误差（Xu等，2025）；而另一些方法则依赖昂贵的仪器，导致检测成本高昂，同时选择性及特异性有限（Xu等，2024）。因此，迫切需要对小麦和玉米中的ZEN污染水平进行快速、经济且准确的检测方法（Xiong和Long，2025）。微波传输频率扫描技术是一种新兴的无损检测方法，凭借速度快、灵敏度高、穿透能力强、可实时监测以及非接触操作等优势，已被越来越多地应用于各种无损检测领域（Li等，2025b）。该技术的频率范围通常在300 MHz到300 GHz之间，可对材料的内部结构完整性、物理性质及缺陷状况进行准确评估（Ghattas等，2025）。与传统无损检测方法相比，微波传输频率扫描技术可显著缩短检测周期，并避免分析过程中对样品的污染（Ku等，2024）。在食品质量监测领域，微波传输频率扫描技术用于真菌毒素检测显示出巨大的潜力（Hanif等，2023）。当微波与谷物样品相互作用时，基质中的极性分子和离子会发生偶极取向极化和离子电导损耗，从而改变微波的传输特性（Tao等，2025）。通过测量这些变化，可以间接确定材料的介电特性（Badry等，2021）。此外，由于不同物质具有不同的介电常数，可获得微波传输参数来表征谷物样品之间的差异，从而评估籽粒的污染水平（Ramasamy等，2022）。尽管微波传输频率扫描技术能够实现谷物污染状况的快速评估，但在检测过程中所采集的信号通常具有高维特征（Kurt等，2020）。当直接使用常规分类方法（如偏最小二乘判别分析（PLS-DA）和随机森林（RF））时，其分类性能往往会受到高维数据严重干扰的影响（Shih等，2024）。此外，不同谷物基质之间颗粒结构、化学成分及其他固有性质的差异进一步加剧了信号的复杂性，使得这些模型难以达到实际检测应用所需的精度（Zhang等，2026）。因此，将有效的降维策略与先进的分类模型相结合，对于实现小麦和玉米ZEN污染水平的准确分类，并充分发挥微波传输频率扫描技术的优势至关重要（Kabir等，2025）。在本研究中，采用自主研发的微波传输频率扫描系统获取ZEN污染的小麦和玉米样品的微波响应信号。随后应用合适的降维策略降低数据复杂度，并建立分类模型以验证所提出方法的可行性。本研究的主要目标如下：（1）制备不同ZEN污染水平的小麦和玉米样品；（2）使用微波传输频率扫描系统采集和预处理ZEN污染的小麦和玉米样品的微波传输指数信号；（3）根据国家小麦和玉米标准中ZEN的最高允许限量，将样品分为三种污染水平，包括低污染（在国家安全限量之内）、中污染（超出国家安全限量）和高污染（大幅超出国家安全限量）；（4）引入石燕优化器（PKO）进行频率特征选择和RF超参数优化，并结合基于SHAP的可解释性分析，实现小麦和玉米ZEN污染水平的快速准确识别。小节摘要储存谷物样品的制备与ZEN测定在本研究中，通过批量培养制备了含有ZEN的储存小麦和玉米样品，以确保培养过程的一致性，并在样品制备后立即进行原位检测（Qi等，2026）。简而言之，分别购买了10 kg含有ZEN的小麦和玉米样品，并在受控条件下进行培养。培养条件维持在ZEN产生的最佳范围内，温度为26–30 °C，……数据集划分本研究共收集了258份谷物样品，其中包括129份小麦样品和129份玉米样品。根据ZEN浓度水平与国家标准最高限量（60 μg kg?1）之间的关系（Lu等，2024），将样品分为三类：低、中和高污染水平，以全面覆盖实际检测应用中遇到的不同污染情形。低污染组由阴性样品组成……结论本研究通过整合微波传输频率扫描技术、基于PKO的特征选择以及PKO优化的RF超参数调优，建立了一种ZEN污染水平的鉴定方法。此外，还引入了SHAP分析，对模型决策机制进行深入了解，从而实现了对储存小麦和玉米中低、中和高ZEN污染水平的准确识别。与常规PLS-DA及……相比作者贡献声明祁奥成：原稿撰写、软件、方法学。朱敬文：概念设计。梅丛丽：形式分析。徐磊君：资源。白雪：可视化。姜辉：撰写—审阅与编辑，监督指导。伦理合规声明本研究不涉及人类参与者、人体组织或动物实验。因此，无需伦理审批。生成式AI声明生成式AI工具仅用于语言润色和语法改进。作者对本手稿的内容、准确性和完整性承担全部责任。利益冲突声明我们声明，我们与其他人员或组织之间不存在可能不当影响我们工作的财务或个人关系，也不存在可能被视为影响本手稿所呈现立场或其审阅过程的产品、服务和／或公司的专业或其他个人利益。致谢本工作得到国家自然科学基金委员会（项目编号：32172291）的资助。祁奥成|朱敬文|梅丛丽|徐磊君|白雪|姜辉