《Food Control》：E-Nose-based Detection of Red Chilli Powder Adulteration: Impact of Feature Normalisation and Anomaly Threshold on Autoencoder-based-One-Class Model Performance
编辑推荐：
摘要红辣椒粉（RCP）是一种极易遭受经济动机掺假的产品，因此需要快速、无损且可靠的鉴定方法。本研究采用了一种低成本电子鼻（E-nose）系统，该系统由六个MQ系列的金属氧化物半导体（MOS）传感器组成，用于在单分类系统（one-class classification）中检测
摘要
红辣椒粉（RCP）是一种极易遭受经济动机掺假的产品，因此需要快速、无损且可靠的鉴定方法。本研究采用了一种低成本电子鼻（E-nose）系统，该系统由六个MQ系列的金属氧化物半导体（MOS）传感器组成，用于在单分类系统（one-class classification）中检测掺假行为。通过将挥发性有机化合物（VOCs）的响应映射到60维特征空间中，并使用统计特征提取方法进行处理，然后采用仅用正品红辣椒粉样本训练的单分类自编码器来建模纯品类别流形。为了进行系统性研究，评估了数据归一化和决策边界阈值选择的影响，开展了包含十一种归一化方法和十九种异常阈值方法的综合消融研究，从而生成了209种标度器-阈值组合，用于优化单分类模型。相关分析和主成分分析表明，适当的归一化可以改善纯品和掺假样本之间的区分度。幂次（Yeo–Johnson）归一化在所有预处理技术中为纯品类别提供了最紧凑的表示，且具有最高的判别能力。中位绝对偏差（MAD）阈值法始终表现最佳，因为它对外部和重构误差方差相对不敏感。最优的幂次（Yeo–Johnson）+ MAD组合达到了98.47%的准确率、99.19%的精确率、99.19%的召回率、99.19%的F1分数，以及0.99的ROC-AUC。结果表明，单分类电子鼻系统可作为一种有效且高效的工具，用于红辣椒粉快速可靠的鉴定。
引言
红辣椒粉（RCP）是全球消费最广泛的香料产品之一，以其辛辣味、颜色、风味和营养价值而闻名（Jalgaonkar等，2024）。然而，由于其市场需求和经济价值，红辣椒粉极易被廉价的麦麸（WB）、稻壳（RB）、锯末（WS）和低等级辣椒粉（spent chili powder）所掺假（Brar等，2025a）。这些行为降低了消费者信心、营养价值和食品产品的市场真实性（Khan等，2021；Prasad等，2025）。传统分析方法（如高效液相色谱法（HPLC）、气相色谱-质谱联用法（GC-MS）、傅里叶变换红外光谱法（FTIR）、近红外光谱法（NIR）等色谱和光谱技术）虽然检测准确度高，但成本高昂、劳动强度大，且不适用于快速便捷的现场筛查（Brar等，2026）。因此，对快速、无损且便携的鉴定技术的需求日益增长（He等，2021）。作为一种新兴的有用工具，电子鼻（E-nose）系统通过使用传感器阵列来检测挥发性有机化合物（VOCs），从而模拟人类嗅觉系统。电子鼻系统的应用具有快速分析、无损测量、成本低、易于使用、实时分析等优点，非常适合食品质量评估、鉴定和掺假检测，特别是在需要最少样品制备和少量样品体积的情况下尤为适用。生成的挥发性有机化合物（VOC）指纹可用于食品质量、真实性和掺假情况的快速评估，有助于实时监控和食品安全保障（Sarno等，2020）。
然而，这些电子鼻系统的成功在很大程度上取决于机器学习算法从复杂且高维的传感器响应中捕获信息的能力（Li等，2024）。在食品鉴定研究中，传统的有监督分类技术，如支持向量机（SVM）、随机森林（RF）、人工神经网络（ANN）和线性判别分析（LDA），已显示出良好的效果（Anwar等，2023）。然而，这些方法在训练时需要来自正品和掺假类别的代表性样本。在实际的食品监测情况下，往往无法获得包含所有可能掺假程度和掺假物质的完整数据集（Huang等，2021）。
单分类技术为解决此类开放集食品鉴定问题提供了一条有前景的途径。单分类模型学习真实产品的分布，并将偏差作为异常值来处理，而不是学习正品和掺假样本之间的决策边界（Gutoski等，2017）。这些方法引起了广泛关注，尤其是自编码器（autoencoder），它通过学习重构正常样本来获得正常样本的紧凑表示。仅用真实样本训练的自编码器能够以低误差重构真实产品，而如果样本被掺假，误差可能较高，因此可以轻松检测到异常（Liu等，2021）。然而，基于自编码器的系统的有效性很大程度上依赖于良好的特征表示、数据预处理和阈值策略的确定（Binbusayyis & Vaiyapuri，2021）。
将原始传感器信号转换为反映挥发性有机化合物（VOC）响应时间特征和统计特征的有信息量描述符的能力，是特征工程方面一个关键但很大程度上未被充分利用的方面（Meuleman等，2008）。同时，归一化方法对于处理尺度差异、分布偏斜和特征可比性至关重要。不同的数据归一化（标度器）方法会显著改变特征空间的几何结构，从而影响自编码器模型的学习行为（Sill等，2010）。同样，单分类模型的异常检测准确性也取决于区分正常和异常重构误差的阈值。已提出许多阈值方法（例如中位绝对偏差（MAD）、四分位距（IQR）、Otsu阈值法和基于ROC的方法），但这些方法的性能因误差性质的不同而存在很大差异（Lee等，2025）。
尽管基于自编码器的异常检测在食品鉴定领域的应用不断扩展，但数据归一化和阈值确定对单分类电子鼻性能的影响仍知之甚少（Aghili等，2023；Roy & Yadav，2022；Han等，2020）。以往的研究大多只使用单一预处理和阈值方法，未系统评估其对模型判别能力、稳健性和泛化能力的影响（Heidarbeigi等，2015；Timsorn等，2017；Karami等，2020；Huang & Gu，2022；Mirhoseini-Moghaddam等，2023；Sun等，2024；Kakaei等，2025；Feltes等，2026；Lu等，2026）。缺乏系统优化是在实际应用中部署基于自编码器的单分类分类模型辅助的电子鼻系统面临的一个重要挑战。为克服这一问题，本研究引入了一种单分类自编码器学习框架，用于利用低成本电子鼻快速检测红辣椒粉中的天然掺假物质。本研究的创新之处在于对十一种归一化方法和十九种阈值方法进行了深入分析，以优化基于自编码的单分类模型。研究目标是确定最优的特征归一化和异常阈值确定方法组合，以最大化基于电子鼻的单分类框架的性能，从而为食品鉴定和掺假检测的实际应用奠定可靠基础。
章节摘要
框架
利用电子鼻（E-nose）系统检测红辣椒粉中天然掺假物质的所提出框架如图1所示。该框架包含五个连续步骤：(i) 使用由六个传感器组成的金属氧化物半导体（MOS）电子鼻阵列获取挥发性香气指纹；(ii) 从电子鼻传感器响应曲线中提取统计描述符；(iii) 使用多种标度方法进行特征归一化；(iv) 使用深度自编码器进行无监督重构学习（训练完成的自编码器）
结果与讨论
为了评估所开发的电子鼻（E-nose）系统在检测红辣椒粉中天然掺假物质方面的能力，将十一种归一化（标度器）策略与十九种异常阈值确定方法相结合，获得了209种标度器-阈值组合，用于优化基于自编码器的单分类模型，并根据模型性能矩阵进行评估。
结论
本研究开发并测试了一种基于自编码器的单分类辅助电子鼻系统，用于检测红辣椒粉中的天然掺假。通过统计特征提取方法，对所提出的由六个金属氧化物半导体（MOS）传感器阵列组成的系统所捕获的挥发性有机化合物（VOCs）信号进行了处理，生成了一组60个挥发性描述符，代表样本的挥发性轮廓。特征分析和相关性分析表明，每个传感器都包含互补信息
关于生成式AI及AI辅助技术在稿件准备过程中使用的声明
在本工作的准备过程中，作者使用ChatGPT（OpenAI）辅助语言编辑、语法纠正以及提高稿件的清晰度。该工具未被用于生成、分析、解释或验证科学数据、结果或结论。使用工具后，作者仔细审查并编辑了所需内容，并对发表文章的内容承担全部责任。
CRediT作者贡献声明
Birmohan Singh：写作 – 审阅与编辑，写作 – 初稿，可视化，指导，软件，资源，项目管理，方法论，调查，资金获取，形式分析，概念化。Dilpreet Singh Brar：写作 – 审阅与编辑，写作 – 初稿，可视化，验证，软件，方法论，调查，形式分析，数据管理，概念化。Vikas Nanda：写作 – 审阅与编辑，写作 – 初稿，
未引用的参考文献
Abideen等，2024；Brar等，2026b。
资金支持声明
作者声明，本研究未从任何公共、商业或非营利资助机构获得专门资助用于本研究工作的实施、稿件的撰写或本工作的发表。
Dilpreet Singh Brar|Birmohan Singh|Vikas Nanda
桑特隆戈瓦尔工程与技术学院食品工程与技术系，印度旁遮普邦朗戈瓦尔-148106
