基于生物阻抗谱与机器学习预测蜜桃的可溶性固形物含量

《Journal of Food Measurement and Characterization》：Predicting the soluble solids content of honey peach based on bioimpedance spectroscopy and machine learning

　　

摘要

可溶性固体含量是衡量蜜桃风味、成熟度及商业价值的重要内在指标。本研究提出了一种利用生物阻抗谱技术结合机器学习来预测蜜桃可溶性固体含量的无损方法。研究采集了‘胡晶蜜露’蜜桃在1赫兹至100千赫兹频率范围内的生物阻抗数据，通过构建单科尔-瓦伯格等效电路模型，提取出七个与生理特性相关的电学参数。随后，研究人员基于四种不同的特征组合训练并评估了五种回归模型，这四种特征组合分别为偏最小二乘回归、支持向量回归、随机森林回归、极端梯度提升回归以及卷积神经网络回归。在所有被评估的模型中，卷积神经网络回归、极端梯度提升回归和随机森林回归的表现最为出色。在测试数据集上，卷积神经网络回归的R_p值为0.864，R2 p值为0.728，RMSEP值为0.982；紧随其后的是极端梯度提升回归（R_p = 0.860）和随机森林回归（R_p = 0.858）。Shapley加性解释分析进一步表明，等效电路参数和相位角特征是影响模型预测结果的主要因素。此外，研究人员还采用了四种特征选择方法——遗传算法、蚁群优化算法、竞争自适应加权采样算法以及逐次投影算法——来构建简化模型。仅基于五个频率点构建的简化模型仍能保持相当的预测性能，其中遗传算法与卷积神经网络回归结合的模型表现最佳（R_p = 0.856，R2 p?=?0.706，RMSEP?=?1.029）。这些结果表明，生物阻抗谱数据存在大量的信息冗余。总体而言，将生物阻抗谱技术与机器学习相结合，可为蜜桃可溶性固体含量的无损检测提供有效的方法。