使用PTR-TOF-MS技术对白牡丹白茶进行挥发性指纹特征分析，结合多任务学习方法实现供应商提供的原产地信息和等级标签的同时识别

《Journal of Food Measurement and Characterization》：PTR-TOF-MS volatile fingerprint characterization of bai mudan white tea for simultaneous discrimination of supplier-provided origin and grade labels using multi-task learning

　　

摘要

地理产地和商业等级是白牡丹白茶重要的质量相关标签，但它们通常被单独建模或合并为单一的联合分类目标。在这项研究中，使用质子转移反应飞行时间质谱（PTR-TOF-MS）技术对360个白牡丹样本的挥发性特征进行了分析，这些样本带有供应商提供的产地和等级标签，涵盖了中国福建省的三个生产区域和四个商业等级。开发了一种多任务深度神经网络（MTL-DNN），该网络具有共享的编码器以及两个特定于任务的头部，用于同时区分供应商提供的产地和等级标签。采用12种产地×等级组合作为分层标签，进行了分层五折交叉验证。整合后的MTL联合预测模型实现了91.1%的精确匹配准确率（逐折叠标准差：2.7%个百分点），其中产地的准确率为96.1%（逐折叠标准差：2.3%个百分点），等级的准确率为93.3%（逐折叠标准差：3.6%个百分点）。整合后的联合宏观F1值为0.911。在固定配置的内部基准测试下，MTL-DNN的联合精确匹配准确率比直接采用的12类DNN基线模型高出5.5个百分点（后者为85.6%）。这种内部性能差异表明，明确的任务分解更好地捕捉了研究数据集中供应商提供的标签之间的相关结构。Shapley加法解释（SHAP）分析和互补的双因素方差分析（ANOVA）表明，一些具有区分性的m/z特征显示了与产地、等级或产地×等级相关的贡献模式。这些结果支持将PTR-TOF-MS挥发性特征分析与多任务学习相结合，作为一种可解释的内部工作流程，用于快速区分研究中的单一供应商样本集中的白牡丹产地和等级标签。在将其应用于更广泛的质量控制或来源认证之前，需要对不同供应商、有记录的生产批次、收获年份、仪器和实验室进行独立验证。