一种集成机器学习用于快速检测红绿花椒（Zanthoxylum bungeanum和Zanthoxylum schinifolium）麻味强度的便携式电化学分析系统

《Foods》：A Portable Electrochemical Analysis System Integrated with Machine Learning for Rapid Detection of Pungency Intensity in Red and Green Szechuan Peppers (Zanthoxylum bungeanum and Zanthoxylum schinifolium)

　　

花椒的麻味传统上通过主观感官评价小组或实验室仪器进行评估，这阻碍了现场检测。感知到的麻木感并不总是直接与烷基酰胺含量对应，因为多种电活性成分（包括多酚和山椒素）可能共同影响整体感官响应。色谱方法可定量单个化合物，但可能无法完全反映人类对麻味的综合感知。电化学检测避免了分离步骤，因为伏安响应整合了多种电活性物种的氧化信号。研究人员开发了一种便携式电化学系统，配备定制可编程增益恒电位仪、三电极检测器和基于STM32控制的软件，用于差分脉冲伏安法（DPV）测量。结合机器学习，该系统评估了红花椒（Zanthoxylum bungeanum）和青花椒（Zanthoxylum schinifolium）。来自22个产地的各15次重复扫描共计330条DPV曲线，已根据训练感官评价小组的一般标记量值表（gLMS）评分进行校准。人工神经网络（ANN）对红花椒的R2为0.937，而主成分分析-支持向量回归（PCA-SVR）对青花椒的R2为0.860。竞争性自适应重加权采样（CARS）识别出每种花椒的三个特征电位区间：红花椒为0.17–0.21 V、0.57–0.62 V和0.69–0.80 V；青花椒为0.24–0.27 V、0.56–0.68 V和0.69–0.77 V。这些区间表明，与麻味相关的电化学信息分布在多个电位区域。该系统显示出对花椒进行快速、客观质量评估的潜力。

**论文解读：一种集成机器学习的便携式电化学分析系统，用于快速检测红绿花椒（Zanthoxylum bungeanum和Zanthoxylum schinifolium）的麻味强度**

**一、研究背景与问题**

花椒（Zanthoxylum bungeanum和Zanthoxylum schinifolium）因其独特的麻刺感（tingling/numbing sensation）而备受珍视，是中国重要的经济作物。可靠地评估这种感官特性对于原料分级、产品配方和工业质量控制至关重要。然而，传统上花椒麻味的评估依赖训练有素的感官评价小组，但评估者差异、疲劳、适应、样品顺序和环境条件等因素限制了其可重复性和通量。此外，色谱法（如气相色谱、液相色谱）和近红外光谱虽能定量烷基酰胺（特别是羟基-山椒素），但感知到的麻木感并不总是严格与总烷基酰胺浓度相关，因为多种电活性成分（包括多酚和山椒素）可能共同贡献于整体的感官响应。色谱仪器通常昂贵、笨重，需要专业操作人员且耗时，限制了现场筛选和生产线旁质量评估的适用性。电化学分析作为一种替代方案，因为花椒的乙醇提取物中含有多种电活性成分，如烷基酰胺和酚类化合物。差分脉冲伏安法（DPV）记录未分离提取物的电流响应，可作为跨反应电化学指纹，包含多种共提取成分的贡献。然而，尚未开发出集成的便携式硬件-软件系统，能够将全提取物DPV指纹直接映射到训练感官小组的一般标记量值表（gLMS）评分。因此，本研究旨在填补这一技术空白。

**二、研究内容与结论**

本研究开发了一种便携式电池供电的电化学指纹识别系统，集成了可编程增益恒电位仪、三电极检测器、STM32控制单元以及移动/云端或本地计算机推理功能。该系统通过DPV测量获取指纹，并与gLMS感官评分相关联。研究人员对红花椒（15个产地）和青花椒（7个产地）分别建模，采用Kennard-Stone（K-S）采样以70:30比例划分校准集和测试集。通过竞争性自适应重加权采样（CARS）定位预测性电位区间，并使用SHapley Additive exPlanations（SHAP）量化峰电流和其他电化学描述符的作用。结果表明，对于红花椒，人工神经网络（ANN）表现最佳（测试集R2=0.937，RMSE=3.09 gLMS单位）；对于青花椒，主成分分析-支持向量回归（PCA-SVR）表现最佳（测试集R2=0.860，RMSE=4.46 gLMS单位）。CARS识别出红花椒的三个特征电位区间：0.17–0.21 V、0.57–0.62 V和0.69–0.80 V；青花椒为0.24–0.27 V、0.56–0.68 V和0.69–0.77 V。SHAP分析显示，红花椒模型中高电位斜率贡献最大（23.1%），而青花椒模型中基线区域均值贡献最大（17.8%），表明麻味预测依赖于DPV指纹中分布的多区域信息，而非单一峰电流。该系统的羟基-α-山椒素校准（10–120 mg·L^?1）给出线性回归方程y = 0.04667x + 1.30427（R2=0.96729），仪器检出限（LOD）和定量限（LOQ）分别为2.84和8.61 mg·L^?1。便携式分析仪重约0.5 kg，电池供电可支持约8小时间歇操作，在野外可通过移动网关进行云端推理，在固定场所可使用电源适配器和本地计算。完整工作流程约需35–40分钟，但对于已制备的提取物，DPV采集和自动预测仅需不到3分钟。该论文发表在《Foods》。

**三、主要技术方法**

1. **便携式电化学系统设计**：基于STM32F103ZET6微控制器，集成可编程增益恒电位仪、三电极检测器（玻碳工作电极、Ag/AgCl参比电极、铂丝对电极）、无线通信模块和可充电电池，实现DPV波形生成（-0.20至1.20 V，342个电位-电流对）和电流采集。
2. **数据预处理与特征工程**：对DPV曲线进行11点三阶Savitzky–Golay（SG）平滑和标准正态变量（SNV）变换，然后计算三种特征：CARS选择的三个电位区间均值、六个来自SG平滑电流曲线的描述符（峰电流、峰电位、终点电流、高电位斜率、梯形积分电流、基线区域均值），共九个特征。
3. **机器学习建模**：对红、青花椒分别建模，评估12种算法（包括ANN、SVR、KNN、XGBoost、1D-CNN、GBDT、PCA-SVR等），采用K-S划分校准/测试集，超参数通过贝叶斯优化在三分交叉验证中调整。
4. **变量选择与解释**：CARS（50次蒙特卡洛运行，指数衰减和自适应重加权）识别预测性电位区间；SHAP（300次特征顺序排列，校准集均值向量为背景）量化特征贡献。

**四、研究结果**

**3.1 预处理与分析性能**：SG滤波抑制高频噪声，SNV校正恒定偏移和乘性尺度差异，保留用于感官预测的电位依赖性响应。羟基-α-山椒素标准溶液在10–120 mg·L^?1范围内线性良好（R2=0.96729），LOD和LOQ分别为2.84和8.61 mg·L^?1，低于人类检测阈值（38 mg·L^?1）。20次重复扫描的短期指纹重复性高（平均配对皮尔逊相关系数r=0.9950）。

**3.2 感官评估**：采用平衡不完全区组设计，21名训练评估员对每个产地进行45次评分。红花椒感官均值17.16±8.10 gLMS单位（范围2.9–36.3），青花椒均值9.59±2.54 gLMS单位（范围3.0–15.0）。红花椒产地均值从7.86到24.32 gLMS单位不等，青花椒从6.61到11.90 gLMS单位不等，表明产地间存在显著变异。

**3.3.1 红花椒麻味强度模型**：在九特征矩阵和K-S划分下，ANN最优（测试R2=0.937，RMSE=3.09 gLMS单位），对应观测范围（2.9–36.3 gLMS）的9.3%，能够区分低、中、高麻味样品。

**3.3.2 青花椒麻味强度模型**：PCA-SVR最优（测试R2=0.860，RMSE=4.46 gLMS单位），对应观测范围（3.0–15.0 gLMS）的37.2%，在较窄范围内保留排序能力，但定量精度低于红花椒模型。

**3.3.3 特征工程与机理解释**：CARS识别出红、青花椒各自三个电位区间，其中两个相邻区间（约0.56–0.80 V）对应羟基-山椒素相关的氧化响应，较低电位区间（约0.17–0.27 V）对应酚类成分的贡献。这些响应共同构成跨反应的电化学指纹，用于感官预测。

**3.3.4 PCA、线性基线与SHAP解释**：22个产地均值的PCA显示红花椒得分空间更分散，与感官分布一致。线性基线（PLSR、Elastic Net）弱于最优非线性模型，SHAP分析表明红花椒预测依赖高电位斜率和CARS窗口均值，青花椒依赖基线区域均值、CARS窗口均值和积分电流等分布特征，印证了麻味预测依赖于多区域信息。

**3.4 技术与操作可行性**：便携式分析仪尺寸约15 cm × 10 cm × 5 cm，重约0.5 kg，电池续航约8小时。样品制备仍需约35–40分钟，但DPV采集和自动预测不足3分钟。适用于现场筛选、近线分析和生产线旁批量比较。

**五、讨论与结论**

**讨论总结**：本研究建立的便携式DPV指纹系统成功将电化学指纹与感官麻味强度关联。CARS和SHAP揭示了预测依赖于分布式的电位窗口、电流强度、积分响应和曲线形状信息，支持将设备解释为跨反应的全提取物传感器。羟基-α-山椒素校准验证了仪器响应，LOD低于人类检测阈值。红花椒模型优于青花椒模型，可能与青花椒感官范围较窄及产地数量较少有关。线性基线表现较弱，证实了非线性模型的重要性。系统便携性通过电池供电、无线传输和移动/云端推理实现，但样品制备步骤仍需独立设备。当前数据集仅包含22个产地（7个青花椒），测试结果为内部留出性能，需通过更多产地、成熟度、季节和生产批次进行外部验证以建立校准转移和工业鲁棒性。

**研究结论（翻译原文）**：本研究建立了一个便携式电池供电的DPV指纹识别系统，用于快速评估花椒麻味强度。来自22个产地的所有330条曲线均通过预设质量控制并保留。通过完全指定的SG-SNV和特征工程工作流，ANN对红花椒给出最强的测试结果（R2=0.937；RMSE=3.09 gLMS单位），而PCA-SVR对青花椒给出最强结果（R2=0.860；RMSE=4.46 gLMS单位）；两者均优于PLSR和Elastic Net。CARS和SHAP将预测与分布式的电位窗口、电流强度、积分响应和曲线形状信息关联，支持将设备解释为跨反应的全提取物传感器。羟基-α-山椒素校准（10–120 mg·L^?1）给出y = 0.04667x + 1.30427（R2=0.96729），仪器LOD和LOQ分别为2.84和8.61 mg·L^?1。约0.5 kg的分析仪可在野外使用电池供电和移动/云端推理，或在固定站点使用电源适配器和本地计算。完整工作流程约需35–40分钟，而对于已制备的提取物，采集和自动预测需时不到3分钟。通过更多产地、成熟度、季节和独立生产批次的更广泛验证将加强未来的校准转移。