《Applied Food Research》：Multimodal THz-TDS and NIR-HSI Fusion for Moisture Dynamics Prediction During Microwave Vacuum Drying
编辑推荐：
微波真空干燥（MVD）因具有干燥速率快、能效高等特性，已成为一种常用的脱水方法。然而，现有的水分含量（MC）评估方法多为破坏性检测且不适用于分钟尺度的动力学表征。本研究旨在探索将太赫兹时域光谱（THz-TDS）的原位监测能力与近红外高光谱成像（NIR-HSI）
微波真空干燥（MVD）因具有干燥速率快、能效高等特性，已成为一种常用的脱水方法。然而，现有的水分含量（MC）评估方法多为破坏性检测且不适用于分钟尺度的动力学表征。本研究旨在探索将太赫兹时域光谱（THz-TDS）的原位监测能力与近红外高光谱成像（NIR-HSI）的表面化学表征能力进行协同整合，以在MVD过程中实现跨多种食品基质（苹果、胡萝卜、生姜和甘薯）的水分含量损失（MCL）动态监测与预测。研究人员在100 W微波功率和3±1 kPa真空压力条件下开展MVD实验，并在8个预设干燥时间点（0–35 min）分别采集样品的NIR-HSI数据，同时利用THz-TDS对干燥过程中排出的水蒸气进行连续原位监测。在建模策略方面，研究人员比较了偏最小二乘回归（PLSR）、基于Transformer的神经网络（TbNN）以及集成学习（EL）等多种方法，并采用基于留一重复（LORO）交叉验证策略的嵌套验证方案进行评估。研究结果表明，不同食品基质在干燥动力学和THz吸收行为上表现出显著差异。在预测性能方面，单一模态模型的结果显示传感器效能具有基质依赖性；对苹果、胡萝卜、生姜和甘薯的MCL预测中，NIR-HSI与THz-TDS各有优势。通过无信息变量消除（UVE）和主成分分析（PCA）实现的中间级数据融合（MidF）对生姜和甘薯的预测性能有所提升，但并未在所有基质中带来一致性改善。在所评估的七种建模策略中，基于THz-PLSR与HSI-PLSR基学习器预测结果构建的集成学习模型取得了最优性能，其预测决定系数（R2p）中位数为0.928，剩余预测偏差（RPD）均值为3.630。该EL模型的有效性可归因于两种模态残差近乎不相关（r=0.01），表明THz-TDS与NIR-HSI提供了互补的预测误差信息。综上，本研究验证了多模态EL框架作为一种稳健的非破坏性替代方案，用于MVD过程中不同食品基质水分动态的实时监测与预测的可行性。
**论文解读**
**一、研究背景与拟解决的科学问题**
水分含量（MC）是食品加工中的关键质量参数，尤其在脱水过程中，精确的水分去除直接关系到产品安全性、货架期及感官品质。微波真空干燥（MVD）凭借其快速脱水与高能效特性，已成为广泛应用的可持续加工技术。与热风干燥（HAD）依赖热对流而导致热损伤不同，MVD在真空条件下利用微波辐射与食品物料间的快速振荡将电磁能转化为热能，既避免了高温烹调又保持了脱水效率。在姜、苹果、胡萝卜、甘薯等植物基产品中，由于水分分子与植物组织微观结构（薄壁细胞、维管组织、细胞间隙）之间的复杂相互作用，水分以自由水、毛细管结合水和细胞壁结合水等多种状态存在，受控脱水至关重要。然而，干燥过程中水分的分子状态演变和组织结构的动态转变可在短时间内发生，传统检测方法难以对其原位表征。现有非破坏性评价（NDE）方法如近红外高光谱成像（NIR-HSI）和计算机视觉（CV）系统，通常需要将样品从干燥舱中取出进行扫描，这不可避免地干扰了MVD的温度和真空环境。太赫兹时域光谱（THz-TDS）由于对极性分子（尤其是水分子）具有高灵敏度，且能穿透聚四氟乙烯（PTFE）等特定气路材料，已被证明可作为MVD系统内的原位监测工具。然而，将THz-TDS的穿透式蒸气感测能力与NIR-HSI的表面化学表征能力相结合以发挥协同效应的研究仍然有限。此外，近期深度学习（DL）的进展，尤其是基于Transformer的架构，为光谱数据中的复杂时序关系建模和多模态融合特征学习提供了新的机遇。为此，本研究旨在(i)通过监测MVD过程中的水分含量损失（MCL）来探究具有不同细胞结构的植物基食品材料（姜、苹果、胡萝卜、甘薯）的干燥动力学和水分迁移行为，以及(ii)利用循环MVD操作的内在时序动态，验证一种集成了THz-TDS和分阶段在线NIR-HSI分析的混合多模态分析工作流的可行性。该研究发表于《Applied Food Research》。
**二、主要技术方法概述**
本研究构建了集成THz-TDS（TeraSmart，Menlo System GmbH，Munich，Germany）的智能MVD监测系统，将PTFE气管连接至MVD腔与冰盒以在线引导排出蒸气。苹果、胡萝卜、姜和甘薯自本地超市（Tesco，Ireland）当日采购，四种物料均切成4 mm厚度（胡萝卜按25 mm直径圆柱形切片），每份样品质量控制在1.5±0.2 g，共制备384个样品（4样品×8干燥阶段×3重复×4产品）。在100 W微波功率、3±1 kPa真空压力下进行MVD。建模中比较了SG-1d与SNV两种预处理方法，采用了PLSR和基于Transformer的神经网络（TbNN），并使用LORO嵌套验证。数据融合分别采用低层直接拼接和中间级特征融合。最后构建了以岭回归为元学习器的集成学习框架。
**三、研究结果与分析**
**3.1 形态特性表征**
体积收缩率随干燥时间持续增加，苹果和姜在初始5 min即出现快速结构变形；最终姜收缩最严重达74.35%，甘薯结构最稳定为51.42%。色差分析显示苹果ΔE值最高（16.71），与酶促褐变相关。
**3.2 水分含量定量分析**
所有样品呈现加速、恒速和减速三段式干燥特征。姜在5 min时水分下降最快（94.71%→54.12%），苹果在减速阶段保留水分最多。NIR-HSI光谱分析显示1400 nm处O–H一级倍频吸收持续减弱。
**3.3 THz-TDS谱学分析**
研究发现各类样品的THz吸收存在明显差异。胡萝卜、姜与甘薯呈现相似的THz信号先滞后再上升后平台化的特征，信号与排出水蒸气浓度对应；而苹果在约8-10 min达到早期峰值后即持续下降，这种差异与其独特的细胞结构相关。
**3.4 平台模型性能比较**
单一模态PLSR模型方面，SG-1d预处理在THz-TDS中表现更好，而NIR-HSI中的最优预处理因基质而异。苹果最优用NIR-HSI，胡萝卜和姜的最优用THz-TDS。低层融合未产生一致性提升，而中间级融合结合UVE和PCA方法对姜和甘薯的预测性能显著改善。
**3.5 EL模型性能**
在所有7种策略中，基于PLSR的THz基学习器和NIR-HSI基学习器的预测值构成的集成学习模型达到最优性能，其R
2p中位数达0.928，RPD均值达3.630。两种基学习器残差系数r=0.01表明它们几乎完全独立，这是EL模型能成功的关键基础。
**四、讨论与结论总结**
本文结果表明MVD中不同食品基质水分动态的无损监测具有可行性。单一模态模型存在性能基质依赖性，UVE/PCA中间级融合能带来部分改善。LDA分析显示融合特征保留了大量基质判别信息（总计96.9%方差）。EL模型在两个层面上解决了稳定性的问题：在最小程度上，它通过线性岭回归组合了互补模态的优点；在更广义的层面，本研究为多模态无损检测在工业MVD中的应用提供了通用框架。但需要说明的是，这项改进是用嵌套验证而非简单的外部数据实现的，因此其统计结论具有更保守的性质。未来的研究方向宜集中在扩大气体指纹覆盖范围并提高模型泛化性能，以便尽早识别加工过程中产生的热损伤。
