区分相似的食物香气:基于脑电图(EEG)的茶叶与薄荷气味的感知研究

《Journal of Future Foods》:Distinguishing Similar Food Aromas: EEG-Based Perception of Tea and Mint Odors

【字体: 大 中 小 】 时间:2026年03月25日 来源:Journal of Future Foods 7.2

编辑推荐:

  张静志|徐家伟|张大川|黄欣|柯勤飞|刘海清|朱凤萍|严凌云|寇兴然 上海工业大学香料与香气技术学院香精与香料创新中心,中国上海201418 **摘要** 食品香气的识别在感官科学和产品质量控制中至关重要。本研究基于由具有高组内相似性但组间差异显著的香气引发的脑电图

  张静志|徐家伟|张大川|黄欣|柯勤飞|刘海清|朱凤萍|严凌云|寇兴然
上海工业大学香料与香气技术学院香精与香料创新中心,中国上海201418

**摘要**
食品香气的识别在感官科学和产品质量控制中至关重要。本研究基于由具有高组内相似性但组间差异显著的香气引发的脑电图(EEG)信号进行了跨层次分类,重点研究了茶叶(铁观音和普洱)和薄荷(薄荷和亚洲薄荷)的香气。电子鼻分析能够清晰地区分这四种香气样本,但其聚类结果与人类感官三角测试结果不一致,这突显了客观化学分析与感知体验之间的差异。我们的研究发现,对薄荷亚型的神经反应高度相似,而茶叶亚型则产生更明显的模式,并且薄荷和茶叶香气的神经表征可以清晰区分。将空间域与其他特征域相结合提高了分类的准确性,解决了单一特征域的局限性。通过传统特征工程得到的紧凑特征集在区分能力上优于简单的串联方法。层次化分类策略在区分茶叶和薄荷香气方面的准确率为92.86%,在所有四种香气上的平均准确率为67.86%,优于直接分类模型;然而,在普洱香气上的表现较差,这可能是由于内部神经模式的异质性和个体间差异较大,反映了发酵香气感知的复杂性相对于新鲜草本香气的复杂性。总体性能还受到当前特征提取方法在表示复杂时空和非线性神经动态方面的限制。尽管存在这些限制,本研究仍展示了层次化分类和特征工程在识别密切相关的香气方面的实用性,并为未来使用先进建模和多模态神经成像方法进行改进提供了基础。

**1. 引言**
食品香气是影响人类饮食行为的关键感官属性。这些嗅觉线索通过嗅球直接传递到边缘系统,并通过跨模态整合调节味觉、情绪和记忆,最终塑造消费者的偏好和食物选择[1,2]。食品香气显著增强了味觉感知;例如,焦糖香气会增强蔗糖溶液的甜味感知[3]。此外,食品香气可以有效激活与奖励相关的脑区,提高风味的愉悦度[4]。这些发现强调了香气在食品工业中的关键作用,优化的香气设计可以精确调节消费者行为并推动功能性食品的发展。
传统的食品香气评估受到主观偏见、文化和语言误解以及潜在的反应操纵的影响[[5], [6], [7]]。为了补充人类感知,电子鼻(e-nose)设备提供了气味的客观化学分析,实现了对香气样本的准确聚类和初步区分[8]。近年来,脑电图(EEG)作为一种非侵入性技术出现,能够捕捉实时的脑电活动,从而精确检测不同香气引发的独特神经模式[9,10]。EEG信号包含丰富的时域、频域、时频域和空间域特征,这些特征共同构成了对嗅觉刺激的神经反应模式[11]。然而,原始EEG信号的高维度和噪声对直接分析构成了重大挑战。特征工程可以系统地提取和优化特征,提高嗅觉模式检测和模型性能[12]。机器学习(ML)算法能够提取和分类EEG特征,使研究人员能够量化不同香气引发的神经反应差异,并基于脑活动构建嗅觉感知的预测模型。例如,Rajabi等人(2025年)使用一维卷积神经网络对EEG时间序列进行分析,自动捕捉复杂的时间频率和非线性模式,其曲线下面积(AUC)高于使用手动特征的逻辑回归[13]。同样,Guo等人(2024年)结合特征工程和集成学习对34个EEG特征进行了分析,定义了一个香气感知空间,在区分八种食品香气方面的准确率为96.1%[14]。此外,Xia等人(2024年)利用特定频段的特征提取和自注意力机制深入整合了多频段EEG信息,揭示了δ、θ和γ频段在香气识别中的协同作用,对相同的八种香气的识别准确率为98.92%[15]。
当前食品科学的研究主要集中在具有独特特征的香气上,但对于相似香气(如同一香气类别内的异构体或亚型)之间的神经表征差异仍探索不足。这些微妙的感知差异可能依赖于精细调节的神经编码机制,这对于理解嗅觉系统的敏感性和区分能力至关重要。Gottfried等人(2006年)证明了人类梨状皮层中的双重分离:后部区域主要编码香气质量(例如“柠檬样”或“蔬菜样”),而前部区域则优先编码分子结构特征(例如醇类或醛类)。这表明前部梨状皮层保留了来自嗅球的结构性信息,而后部区域通过合成机制整合主观香气质量[16]。为了进一步研究相似香气的神经编码,Howard等人(2009年)选择了来自薄荷、木质和柑橘类别的九种香气样本,使用fMRI从四个区域提取了香气引发的大脑活动模式:后部梨状皮层、前部梨状皮层、杏仁核和眶额皮层。他们的发现表明,即使是密切相关的香气也可以通过后部梨状皮层的活动模式区分开来[17]。探索相似香气引发的神经活动差异不仅促进了嗅觉障碍的精确诊断和干预策略的发展,还为尖端神经工程应用(如脑机接口)提供了潜在的神经机制支持[18]。然而,目前还没有研究将EEG特征应用于ML模型来分类相似的香气样本。
在广泛的食品香气中,茶叶和薄荷代表了两种高度熟悉但化学结构复杂的草本挥发物类别,它们在各种文化中都被广泛消费和认可[19,20]。这两种物质都来源于草本植物材料,不仅因其风味而被使用,还因其被认为具有功能性特性而被使用。茶叶含有184种关键香气化合物,可以分为12类。醛类是最丰富的,赋予柑橘和绿色香气;醇类和酮类提供花香;酯类带来甜味和椰子般的香气;酚类产生烟熏风味;杂环化合物带来烤制和焦糖般的香气;硫化合物添加硫磺味,其形成与加工和储存密切相关[21]。相比之下,薄荷的关键香气化合物主要是氧化单萜类,其中薄荷醇和薄荷酮是核心成分。其他特征性挥发物包括异薄荷酮、薄荷呋喃、薄荷乙酸酯、1,8-桉叶油醇、柠檬烯、新薄荷醇、普勒贡、反式异普勒贡、β-石竹烯和3-辛醇[22]。在每个组内,多个亚型具有高度相似的化学特征,从而产生了微妙的感官差异,这对人类感知和基于机器的分类都构成了挑战[19,23,24]。
因此,本研究通过基于EEG对具有相似感官特征的香气进行分类,推进了嗅觉神经编码的精细分析,重点研究了四种样本:铁观音和普洱(茶叶香气)以及薄荷油和亚洲薄荷油(薄荷香气)。这些样本在组内表现出感官相似性,但在组间具有明显的感官特异性。每个样本首先通过感官三角测试进行评估,并通过电子鼻测量进行特征化。在参与者接触这些香气时记录了高时间分辨率的EEG信号,并使用特征工程和平坦串联方法构建了特征集。选择了最佳特征集来开发层次化分类模型。我们的研究结果揭示了三个关键见解:(1)电子鼻能够很好地聚类样本,但与人类感知不符;(2)空间特征与其他特征域的协同作用克服了单一特征空间分析的局限性,提高了分类性能;(3)层次化分类模型在区分相似香气方面表现出优越的性能,为开发多尺度香气识别模型提供了神经表征层面的理论基础。
本研究为寻找更科学、精确和个性化的食品香气开发策略提供了途径。分析多样化的脑活动模式进一步为功能性食品开发提供了指导,例如设计具有特定情绪调节或认知增强效果的风味配方。这些进展满足了消费者日益多样化的感官体验需求,支持食品行业的持续创新。

**2. 材料与方法**
2.1. 香气材料
薄荷油和亚洲薄荷油由上海柑橘进出口有限公司(中国上海)提供。铁观音和普洱提取物由郑州徐emailon食品香料有限公司(中国郑州)提供。
2.2. 电子鼻数据采集
分析使用便携式电子鼻(CNose-18;上海博欣工业发展有限公司,中国上海)进行。将每个样本的2 mL量分别转移到40 mL的顶空小瓶中,密封并在环境条件下平衡50分钟。然后通过一股净化后的环境空气将顶空挥发物输送到电子鼻传感器室。实验环境控制在25.0 ± 0.5°C。仪器参数如下:冲洗时间80秒;测量时间100秒;初始注入流速450 mL/分钟。每个样本重复分析三次以确保可重复性。香气特征来自十个集成传感器的响应值,如表1所示。数据使用主成分分析(PCA)进行处理,使用Kmeans聚类为四组,并使用调整后的Rand指数(ARI)评估聚类结果。
**表1. 电子鼻传感器的性能描述**
| 传感器 | 主要检测气体 |
| S1 | 丙烷 |
| S2 | 碳基挥发物 |
| S3 | 含硫化合物 |
| S4 | 含氮化合物 |
| S5 | 醛类和酮类 |
| S6 | 烃烷、醇类、酮类及相关挥发物 |
| S7 | 短链烷烃 |
| S8 | 碳基化合物、醇类、醛类及相关挥发物 |
| S9 | 硫化氢 |
| S10 | 苯、丙酮、乙醇及相关芳香挥发物 |
2.3. 受试者招募和实验程序 |
招募了35名右利手参与者(16名男性和19名女性;平均年龄24.14 ± 1.63岁),无呼吸系统、神经系统或嗅觉障碍史,也无药物滥用史。研究严格遵守伦理标准,并获得了上海工业技术学院科学技术伦理委员会的批准(批准号SIT-2024-LL26)。所有参与者都充分了解了实验程序并在参与前自愿同意。
2.4. 使用三角测试评估亚型香气的相似性
使用三角测试[25]评估两组亚型香气之间的相似性。采用单盲设计。将每个样本的2 mL量转移到10 mL的琥珀色小瓶中,并标记随机分配的三位数字代码。每个测试集包含两个相同的样本和一个来自另一种亚型的样本,呈现顺序根据ABB/BAA组合随机化。实验者按顺序向参与者展示相应的气味浸渍嗅探条。总共35名预先招募的参与者被要求在闻到三种刺激后识别出不同的样本。连续测试之间需要10分钟的休息时间以消除残留效应并减轻参与者疲劳。实验环境控制在25.0 ± 0.5°C,相对湿度为50 ± 2%,环境噪声水平保持在≤ 30 dB。使用二项统计模型确定三角测试中的差异。作为二项模型的一部分,使用Z检验来确定模型之间是否存在显著差异(α = 0.05)[25]。
2.5. EEG设备参数和实验程序
使用TMSI SAGA EEG设备(Twente Medical Systems International BV,荷兰)获取EEG数据,该设备配备有根据国际10-20系统配置的64通道EEG帽,采样率为500 Hz。电极阻抗保持在5 kΩ以下。
参与者坐在符合人体工程学的椅子上以获得舒适度。EEG协议包括30秒的休息期,随后是60秒的香气暴露期(图1a)。一个装有5 mL香气材料的容器通过一个无声的气泵装置以5 L/分钟的流速将香气输送到参与者面部,装置距离大约5-7厘米(图1b)。参与者被指示在感知到香气时立即按下SAGA同步模块上的绿色按钮,标记暴露期的开始。EEG测试在通风良好的实验室中进行,每次试验之间有10分钟的间隔,以防止之前香气样本的残留气味污染。实验环境控制在25.0 ± 0.5°C,相对湿度为50 ± 2%,环境噪声水平保持在≤ 30 dB。
**下载:下载高分辨率图像(368KB)**
**下载:下载全尺寸图像**
**图1. EEG实验程序和通道划分图**
2.6. EEG数据预处理和特征提取
数据预处理和特征提取使用MATLAB和EEGLAB工具箱[26]进行。M1和M2通道被排除在外,采用了平均参考值进行重新参考。使用了一个1-70 Hz范围的带通滤波器,并应用了一个50 Hz的陷波滤波器来消除电源线干扰。在数据窗口进行视觉检查后,使用独立成分分析去除了眼动伪影。根据记录的事件时间戳,将随后的香气暴露期提取为连续段,并进一步划分为2秒的时段,每个时段有50%的重叠[27]。特征提取使用了All-in-One EEG特征提取工具箱,包括29个时域特征、11个频域特征和16个时频域特征(具体特征名称和对应维度见表2)。按照ávila等人(2023年)的方法,基于Schaefer图谱的7个网络版本中的100个感兴趣区域(ROI)进行了源空间重建。空间域特征在五个频率带中提取:δ(1-4 Hz)、θ(4-8 Hz)、α(8-12 Hz)、β(12-30 Hz)和γ(30-45 Hz)[27]。

表2. 特征类别、名称、缩写和维度。

| 特征类别 | 名称 | 缩写 | 维度 |
|---------|------|------|------|
| 时域 | mean | 62×1 | |
| | standard deviation | 62×1 | |
| | variance | 62×1 | |
| | median | 62×1 | |
| | maximum | 62×1 | |
| | minimum | 62×1 | |
| | first difference | 62×1 | |
| | normalized first difference | 62×1 | |
| | second difference | 62×1 | |
| | normalized second difference | 62×1 | |
| | kurtosis | 62×1 | |
| | skewness | 62×1 | |
| | zero-crossing rate | 62×1 | |
| | log root sum of sequential variation | 62×1 | |
| | Hjorth activity | 62×1 | |
| | Hjorth mobility | 62×1 | |
| | Hjorth complexity | 62×1 | |
| | Shannon entropy | 62×1 | |
| | sample entropy | 62×1 | |
| | approximate entropy | 62×1 | |
| | permutation entropy | 62×1 | |
| | fuzzy entropy | 62×1 | |
| | Renyi entropy | 62×1 | |
| | Tsallis entropy | 62×1 | |
| | log energy entropy | 62×1 | |
| | mean energy | 62×1 | |
| | mean Teager energy | 62×1 | |
| | fractal dimension | 62×1 | |
| | permutation Lempel-Ziv complexity | 62×1 | |

2.7. 特征工程
2.7.1. 传统特征工程
使用传统特征工程构建特征集的工作流程如图2a所示。根据图1c中指定的通道到区域的映射,将62个EEG通道分为六个脑区(额叶、颞叶、中央叶、顶叶、枕叶和全脑)。在每个区域内,对通道的时间域、频域和时频域特征值进行平均处理。采用双重统计测试策略来识别强异常值:(1)超过平均值三个标准差的特征值被标记为潜在异常值;(2)落在四分位数范围(IQR)[Q1-1.5IQR, Q3+1.5IQR]之外的特征值也被识别为潜在异常值。只有同时满足这两个标准的特征值被分类为强异常值,以减少单一方法产生误报的风险。这些异常值通过IQR边界替换方法处理:低于Q1-1.5IQR的值被替换为下限,高于Q3+1.5IQR的值被替换为上限。此外,还应用了Z分数标准化来消除特征之间的维度差异。

下载:下载高分辨率图像(1MB)
下载:下载全尺寸图像

图2. 特征工程和平坦连接的流程图。

使用Shapiro-Wilk检验评估每个特征的正态性,使用Levene检验评估组间方差的同质性。对于满足正态性和方差同质性假设的特征,应用单因素方差分析来确定亚型之间的显著差异,效应大小用η2量化。对于违反这些假设的特征,使用非参数Kruskal-Wallis检验,效应大小用ε2计算。p值大于0.05的特征被排除。

为了减少特征冗余,鉴于特征主要呈非正态分布,采用Spearman等级相关分析来识别相关系数超过阈值rs=0.9的特征对。对于每对高度相关的特征,保留效应大小(η2或ε2)较大的特征。

为了评估不同嗅觉刺激(茶和薄荷)在类型层面上的EEG特征的显著差异,根据正态性和方差同质性检验的结果,采用自适应的双样本测试策略。具体来说,如果一个特征满足这两个假设,则进行独立样本t检验;否则,应用Mann-Whitney U检验。

2.7.2. 平坦连接
来自六个脑区的数据经过跨通道平均、基于IQR边界的异常值处理和标准化。随后,数据被平坦化并连接起来,生成对应于时域、频域、时频域和空间域的特征集。这四个来自不同域的特征集结合在一起,产生了总共15个不同的特征集,用于后续的实验分析(图2b)。

2.8. 特征集组合
2.8.1. KMeans聚类
为了评估特征集的聚类性能,将KMeans算法应用于16个特征集,聚类数设置为2和4。使用ARI来评估聚类结果与真实标签之间的一致性。计算了两种和四种聚类配置的平均ARI值,以监督地评估聚类性能。为了可视化聚类结果,使用PCA将数据降维到两个维度,样本点根据其聚类标签着色以区分不同的聚类。此外,为了展示真实样本的空间分布,使用前两个主成分来绘制样本,并根据其真实标签着色以便清晰区分。

2.8.2. 分类器评估
为了评估来自传统特征工程和平坦连接特征集的不同特征集在四类分类任务中的性能,使用了五种经典的机器学习分类器,并通过超参数调整进行了模型优化。分类器包括随机森林(RF)、逻辑回归(LR)、支持向量分类(SVC)、K最近邻(KNN)和多层感知器(MLP)。对于每个分类器,定义了不同的超参数搜索空间,并使用GridSearchCV在训练集上进行5折交叉验证,使用平衡准确率作为评分指标来识别最佳参数组合(详见补充材料)。数据集以80:20的比例分为训练集和测试集,并进行分层抽样以确保两个集合中亚类分布的一致性。使用准确率、加权F1分数和AUC来评估模型在测试集上的性能,进行一对多分类。

为了进一步比较不同特征集的性能,使用ACC、AUC和加权F1分数作为评估指标。进行独立样本t检验来评估两个特征集之间的平均性能分数的显著差异。

2.9. 分层架构模型的构建
本研究开发了一个两层分层分类模型,如图3所示。第一层分类器称为类型分类器,用于区分香气类型。第二层包括两个分类器:亚型分类器I,用于区分铁观音和普洱香气;亚型分类器II,用于区分薄荷和亚洲薄荷香气。数据集以80:20的比例分为训练集和测试集,并进行分层抽样以确保两个集合中亚类分布的一致性。对于所有三个分类器,使用了五种常见的机器学习算法,并通过超参数调整进行了模型优化(如2.8.2节所述)。

下载:下载高分辨率图像(190KB)
下载:下载全尺寸图像

图3. 分层分类模型的架构。

3. 结果与讨论
3.1. 电子鼻和感官相似性评估结果
电子鼻数据的PCA结果显示在图4中。使用Kmeans将数据聚类为四组,得到的ARI为1,表明电子鼻能够根据化学成分有效区分四种香气样本。此外,距离分布显示薄荷亚型之间的相似性比茶亚型之间的相似性更高。

然而,感官评估揭示了更细致的情况。在薄荷亚型的三角测试中,Z值为1.5538,相应的p值为0.0601,超过了预定的显著性阈值。这表明两个薄荷样本之间的相似度很高,人类评估小组无法可靠地区分它们。相比之下,茶亚型的Z值为3.7052,p值为0.0001,显示出香气感知的统计显著差异,评估小组能够准确识别不同的茶亚型样本。

这些发现突显了客观化学测量和人类感官感知之间的关键区别。虽然电子鼻客观确认了四个样本之间的差异,但参与者的感官评估受到香气化合物复杂相互作用的影响,包括协同效应和掩盖效应[28]。这种相互作用可能会掩盖在分子水平上可检测到的差异,强调了研究香气感知的神经反应的重要性。这一理由激发了使用EEG测量的必要性,因为EEG可以捕捉与细微感知差异相关的潜在大脑活动,这些差异可能无法通过传统的感官测试或化学分析单独发现。

3.2. KMeans聚类和PCA结果
表3展示了在两种和四种聚类配置下16个特征集的ARI值及其平均值。聚类结果表明,频域(平均ARI=0.0002)和时频域特征集(平均ARI=0.0048)的性能较差,一些ARI值为负,表明它们在区分类别方面的贡献有限。这可能是由于这些特征集中存在高噪声或冗余信息,阻碍了它们有效捕捉类别间差异的能力。此外,频域和时频域特征集提供了相对简单的神经反应模式表示,对于聚类来说信息不够充分。相比之下,空间域特征(平均ARI=0.0411)在单个特征集中表现出最佳的聚类性能。空间特征反映了大脑区域中的EEG信号分布,有效地捕捉了由香气引起的区域大脑活动差异[27]。不同的香气可能会激活不同的大脑网络或在同一网络内改变激活强度,使空间特征能够稳健地区分香气类别并表现出强大的聚类性能。

表3. 两种和四种聚类任务下16个特征集的ARI评估结果。

| 特征集 | k=2 | k=4 |
|---------|------|------|
| mean | 140×6 | 60.0031 |
| | 1-0.0027 | 0.0002 |
| spatial | 140×5 | 00.0188 |
| | 0.0633 | 0.0411 |
| time | 140×1 | 740.0178 |
| | 0.0345 | 0.0262 |
| time-freq | 140×9 | 6-0.0018 |
| | 0.0114 | 0.0048 |
| time & freq | 140×2 | 0.0059 |
| | 0.0188 | 0.0124 |
| time & time-freq | 140×2 | 0.0007 |
| | 0.0163 | 0.0085 |
| time & spatial | 140×6 | 0.0235 |
| | 0.0613 | 0.0424 |
| freq & time-freq | 140×1 | 620.0004 |
| | 0.0094 | 0.0049 |
| freq & spatial | 140×5 | 660.0188 |
| | 0.0351 | 0.0270 |
| time-freq & spatial | 140×5 | 60.0188 |
| | 0.0796 | 0.0492 |
| time, freq & time-freq | 140×3 | 0.0135 |
| | 0.0103 | 0.0119 |
| time, freq & spatial | 140×7 | 0.0235 |
| | 0.0815 | 0.0525 |
| time, time-freq & spatial | 140×7 | 0.0235 |
| | 0.0190 | 0.0213 |
| freq, time-freq & spatial | 140×6 | 0.0188 |
| | 0.0334 | 0.0261 |
| time, freq, time-freq & spatial | 140×8 | 0.0285 |
| | 0.0307 | 0.0296 |
| filtered feature set | 140×2 | 0.0612 |
| | 0.0775 | 0.0694 |

对于通过平坦连接构建的数据集,time, freq & spatial特征集在两种和四种聚类中分别获得了最高的聚类性能,ARI值分别为0.0235和0.0815,平均ARI为0.0525。时频域和空间特征集(平均ARI=0.0492)以及时间和空间特征集(平均ARI=0.0424)也表现良好,表明将空间特征与其他域(时间、频率或时频)结合显著提高了聚类效果。这些结果表明,空间特征本身就能捕捉到显著的大脑区域活动模式,而与时间、频率或时频特征的结合进一步提高了聚类性能,突出了多特征协同的优势。

此外,通过传统特征工程处理的数据集(平均ARI=0.0694)的表现优于通过平坦连接构建的数据集。通过多步骤处理精炼的过滤特征集有效地去除了冗余信息并优化了特征表示。这一过程提高了每个特征的精度,从而提高了特征集的质量和聚类性能。相比之下,虽然平坦连接在操作上更简单,但它缺乏稳健的特征质量控制,经常保留噪声和冗余信息,从而降低了聚类的有效性。

图5展示了通过PCA降维后time, freq & spatial特征集和过滤特征集的聚类结果与真实标签的对比。对于过滤特征集,第一和第二主成分分别解释了原始数据中50.76%和12.40%的方差,表明在二维空间中有效保留了关键香气样本的差异,其中第一主成分的贡献最大。相比之下,time, freq & spatial特征集的第一和第二主成分分别解释了47.88%和11.41%的方差,表明其捕捉方差的能力略低于过滤特征集。在k=2时,time, freq & spatial特征集和过滤特征集都有效地捕捉了茶和薄荷香气的空间分布特征。然而,在k=4时,聚类模式与样本的真实空间分布的对齐度较差。

图5. time, freq & spatial(a)和过滤特征集(b)的聚类结果与真实标签的比较。

图6显示了过滤特征集在PC1和PC2上的特征载荷。PC1解释了50.76%的方差,主要受δ和θ波段的空间特征影响,特别是在ROI 40(默认网络,δ:0.8570)、ROI 71(背侧注意网络,δ:0.8321)和ROI 70(背侧注意网络,θ:0.8433),以及全脑和枕叶区域的最小值和峰度等特征的影响。PC2占方差的12.40%,在枕叶峰度、全局方差以及体感运动网络、显著性/腹侧注意网络和边缘网络中的特定α和γ波段特征上显示出较高的负荷。这些结果表明了哪些神经特征对每个主成分所捕获的方差贡献最大。下载:下载高分辨率图像(434KB)下载:下载全尺寸图像图6. 过滤特征集的PCA负荷。3.3. 使用过滤和连接特征集进行分类性能比较图7比较了过滤特征集和时间、频率及空间特征集的分类性能。过滤特征集在统计上显著优于时间、频率及空间特征集(p = 0.023)。这种差异主要源于时间、频率及空间特征集中通过直接连接产生的高维特征空间,这引入了特征冗余和噪声,超出了简单分类器有效建模类别边界的容量。这一发现实际说明了EEG信号处理中的维数灾难。相比之下,通过包括异常值检测、标准化和通过Spearman相关性分析消除冗余等特征工程步骤精炼的过滤特征集构建了一个紧凑且具有区分性的特征表示,显著提高了分类器的泛化性能。下载:下载高分辨率图像(91KB)下载:下载全尺寸图像图7. 时间、频率及空间特征集和过滤特征集的分类性能。3.4. 分层分类模型与直接分类模型之间的性能比较在分层分类模型中,类型分类器的最佳分类器是SVC,亚型分类器I的最佳分类器是KNN,亚型分类器II的最佳分类器是LR。在直接分类器中,最佳分类器是LR。分层分类模型利用了香气感官特征的分层结构,首先通过第一层类型分类器将茶叶与薄荷样本区分开来,实现了92.86%的识别准确率。随后,模型在亚型级别上进一步细化分类。为了系统地评估性能,将分层模型与直接分类模型在四个香气类别上进行了比较,结果如表4所示。总体而言,分层模型的平均识别准确率为67.86%,超过了直接分类模型的50.00%。特别是,在识别铁观音和薄荷方面,分层模型表现更为出色,显示出其提取这些样本引发的独特EEG模式的强大能力。相比之下,直接分类模型在普洱茶和亚洲薄荷上的表现较差,尤其是普洱茶,准确率为42.86%,表明其无法形成有效的区分边界。表4. 分层分类模型和直接分类模型在四个样本类别上的评估分数。模型亚型ACCAUCF1分数平均值分层分类铁观音1.0000.91840.77780.8987普洱茶0.42860.82650.60000.6184薄荷0.71430.75850.62500.6993亚洲薄荷0.57140.87760.66670.7052直接分类铁观音1.0000.91160.66670.8594普洱茶0.14290.60540.22220.3235薄荷0.42860.78910.50000.5726亚洲薄荷0.42860.77550.42860.5442图8展示了分层分类模型和直接分类模型在测试集上的混淆矩阵分布。与直接模型相比,分层模型的混淆矩阵具有更清晰的对角结构,表明其整体分类准确率更高,尤其是在铁观音和薄荷类别上。这表明分层模型在第一层有效区分了茶叶和薄荷香气,随后利用亚型分类器准确识别类别内的细微神经特征差异。下载:下载高分辨率图像(238KB)下载:下载全尺寸图像图8. 四种香气类型的分层分类模型和直接分类模型的混淆矩阵。相比之下,直接分类模型的混淆矩阵显示出显著的误分类分布,除了铁观音样本。普洱茶样本在测试样本中几乎被普遍错误分类,表明直接模型难以构建稳定的多类边界区分规则。因此,其分类准确率和泛化性能不如分层模型。尽管本研究中的分层分类模型在识别四种香气样本方面优于直接分类模型,但整体分类性能仍不尽如人意,仍有改进空间。一个关键因素是感知香气的高度相似性,这可能导致嗅皮层及相关脑区产生重叠的神经反应。Fournel等人(2016年)发现,前嗅皮层的活动模式与气味的化学性质相关,而后嗅皮层的活动与感知属性一致,而杏仁核的活动与三叉神经感知属性相对应[29]。在Howard等人的实验(2009年)中,薄荷香气在后嗅皮层的fMRI活动模式与木质和柑橘香气相比显示出更大的相似性,表明嗅闻三种薄荷样本会在后嗅皮层的多个体素中引发高度一致的空间分布模式[17]。这可能解释了本研究中薄荷样本识别准确率较低的原因。类似的神经活动模式限制了当前模型的区分能力。即使有分层结构,由于EEG信号中的高噪声和个体间变异性,区分细微的感官差异仍然具有挑战性。实验前缺乏对参与者的系统训练可能限制了他们辨别相似香气样本的感官能力,可能导致嗅闻过程中主观感知不稳定以及脑反应模式的可区分性降低[30]。Wilson和Stevenson通过大鼠实验表明,嗅球为不同气味生成特定的时空模式,这些模式通过Hebbian突触可塑性在嗅皮层中合成和存储。反复接触某种气味会增强嗅皮层的突触可塑性,将相应的神经活动模式巩固为一个独特的感知整体[31]。未来的研究可以招募专业的感官评估者或受过训练的参与者,以获得更具区分性和一致性的EEG数据。本研究系统地提取了EEG特征,涵盖了时间、频率、时频和空间域,并将其与脑区分割相结合,以捕捉香气刺激引发的多尺度神经反应模式。然而,当前的特征提取方法难以完全阐明EEG信号中的复杂跨频率耦合、时空动态和高阶非线性相互作用[[32],[33],[34]]。此外,低信噪比、有限的空间分辨率以及需要较长的刺激间隔以避免适应也限制了EEG在区分相似气味方面的性能[35]。未来的研究可以利用深度学习模型,如时间卷积网络和注意力机制,以端到端的方法学习具有区分性的多级特征表示,特别是用于建模联合时空模式和个体间变异性,从而可能提高复杂四类任务中的识别性能[36]。此外,整合高空间分辨率成像技术,如fNIRS和fMRI,用于多模态脑信号建模,可以加强嗅觉认知的机制理解[37]。3.5. 不同层次中过滤EEG特征集的神经反应差异3.5.1. 类型层面的神经反应差异表S1展示了类型层面的Mann-Whitney U测试结果。除了max_central_time、min_occipital_time、kurt_occipital_time和me_occipital_time之外,其余19个特征在茶叶和薄荷香气之间显示出显著的均值差异(p < 0.05)。此外,除了全局最小值外,薄荷样本的特征值显著高于茶叶样本。这表明薄荷香气可能引发更强的脑活动,而茶叶香气则与相对较弱的神经反应相关。更具体地说,δ和θ波段的几个空间特征在薄荷和茶叶之间显示出最大的效应大小差异,薄荷样本的值显著更高。这些低频振荡与全局神经同步、广泛的注意力参与和跨网络整合密切相关[38,39],表明薄荷可能引发比茶叶更连贯和大规模的网络级活动。此外,如枕叶和全脑区域的平均Teager能量等时间指标也显示出强烈差异,表明薄荷在信号动态中引发更大的波动和时间不规则性。这些特征反映了神经变异性的增加,可能表明处理需求增加或唤醒状态增强[40]。薄荷香气引发的增强EEG活动可能与其独特的生理和心理效应有关。薄荷因其提神、增强认知和缓解疲劳的效果而广受认可[41]。研究表明,薄荷香气可以激活与注意力、记忆和警觉性相关的脑区,从而提高EEG活动水平[42]。相比之下,茶叶香气通常与放松和减压相关,可能调节副交感神经系统活动以降低EEG活动强度[43,44]。这种差异反映了不同的神经调节机制:薄荷倾向于引发刺激反应,而茶叶则倾向于促进镇静反应。基于这些发现,薄荷香气似乎更适合用于旨在提高警觉性和增强认知表现的食物产品中,例如早餐能量棒、运动饮料或用于学习会议的提神糖果,这有助于改善注意力和精神状态。相反,茶叶香气更适合用于旨在促进放松和睡眠的产品中,例如晚间镇静茶、助眠饼干或减压健康零食,满足消费者在休息或减压场景中的需求。3.5.2. 亚型层面的神经反应差异不同亚型下特征的显著性测试结果见表S2和S3。普洱茶样本中的大多数特征值显著高于铁观音(p < 0.05),表明普洱茶可能激活更强的脑区反应。相比之下,铁观音在大多数特征上的平均值较低,这可能反映了特定脑区中的更多抑制活动或更局部的神经激活空间分布。值得注意的是,普洱茶和铁观音之间的显著差异主要由δ、θ、α和γ波段的空间特征主导,表明茶叶内的亚型区分主要发生在振荡-空间层面而非时间域。此外,铁观音在空间特征上的平均值始终低于普洱茶,表明在体感运动网络、显著性/腹侧注意网络和默认注意网络等网络中的激活较低。相比之下,只有枕叶区域的峰度特征在薄荷和亚洲薄荷之间有显著差异(p = 0.0298),其他特征没有显著差异,表明两种薄荷亚型之间的神经反应模式高度相似。枕叶峰度的唯一显著差异反映了视觉区域信号波动的亚型特异性变化,而不是网络或节律的广泛差异[45],表明薄荷亚型之间的差异很小且高度局限于视觉区域。这种模式表明,尽管薄荷和亚洲薄荷在亚型层面的化学成分不同,但它们引发的神经激活模式非常相似,产生的EEG特征几乎无法区分。从食品香气应用的角度来看,常用于功能性食品、口香糖和药物辅料的薄荷型香气在神经反应上表现出高一致性和稳定性。这表明它们适合作为嗅觉刺激的神经反应基准,用于EEG实验中的刺激校准、嗅觉功能评估的基线设置或脑机接口系统中的感官标准化。此外,在需要一致感官体验的功能性食品设计中,薄荷香气可以促进标准化的嗅觉感知,从而增强消费者体验的统一性[46]。相比之下,茶叶型香气引发更多多样化和独特的神经反应,表明个体间的感知变异性和情绪调节潜力更强,使其适合用于食品中的个性化香气设计以及情感导向的食品开发[47,48]。3.6. 挑战与机遇在我们的初步研究中出现了一个关键差异:虽然电子鼻数据成功地将四个目标香气样本聚类,但人类感官三角测试显示了不可靠的可区分性,尤其是在薄荷和亚洲薄荷之间。化学检测与感知体验之间的这种差距突显了基于EEG的分层分类模型的必要性,该模型利用神经反应来捕捉感知相关的香气特征。尽管性能有希望,但模型的泛化能力和识别准确性受到感知重叠、样本量和参与者规模小以及EEG特征处理技术限制的影响。相似香气之间的感知重叠产生了不一致的EEG模式,即使提取了时间、频率、时频和空间域的特征,也降低了区分能力。刺激和参与者的多样性有限进一步限制了强大的神经特征学习,并引入了偏差,而缺乏系统训练可能削弱了参与者检测细微差异的能力。传统的机器学习方法依赖于手动特征提取,难以捕捉非线性相互作用、跨频率耦合和时空动态,也无法充分利用高维EEG数据。这些挑战突出了推进基于EEG的香气分类的几个机会。增加香气样本的数量和多样性,包括通过不同处理方法生成的变体,将提高泛化能力并捕捉更微妙的感知差异。联邦学习提供了一种策略,可以解决参与者数量和样本规模的限制,允许多机构合作而不共享原始EEG数据,从而扩大有效数据集的同时保护隐私[49]。高级分析技术,如互信息和功能性脑网络建模,可以识别最能预测感知的特征[50,51]。深度学习方法,包括时间卷积网络和注意力机制,允许端到端的特征学习来捕捉复杂的时空和非线性神经动态。这些策略结合起来可以提高模型的精确度和可解释性,弥合化学分析和感知体验之间的差距,并为食品开发、感官评估和神经营销等应用提供基础。此外,未来的研究可以整合fMRI和fNIRS等技术进行多模态分析,以加深对食品香气处理的理解。

4. 结论
本研究提出了一种基于EEG的方法,用于区分具有高组内相似性的食品香气之间的细微差异。初步的电子鼻分析成功地对四种香气样本进行了聚类,但人类感官测试显示出的感知区分能力有限,这突显了基于神经的评估的必要性。通过结合传统的特征工程、异常值检测和相关性分析,本研究得到了一个紧凑且具有区分能力的EEG特征集。空间特征与时间和频率域相结合,增强了神经反应的建模效果。层次分类将平均准确率提高到67.86%,而直接分类的准确率为50.00%,能够稳健地识别铁观音和薄荷的香气,但对普洱茶的识别失败,反映了神经反应的异质性。模型性能受到EEG噪声、个体间差异、当前特征提取限制以及测试集规模较小的影响。这些结果展示了将化学分析与神经反应相结合的潜力,以实现客观的感官评估、食品质量控制和个性化的香气体验,为方法论的改进和食品科学中的实际应用奠定了基础。

使用的缩写:
E-nose:电子鼻;ML:机器学习;ARI:调整后的随机指数;PCA:主成分分析;RF:随机森林;LR:逻辑回归;SVC:支持向量分类;KNN:k最近邻;MLP:多层感知器;ROI:感兴趣区域;ACC:准确率;AUC:曲线下面积;sd:标准差;var:方差;md:中位数;max:最大值;min:最小值;1d:一阶差分;n1d:标准化一阶差分;2d:二阶差分;n2d:标准化二阶差分;kurt:峰度;skew:偏度;zcr:零交叉率;lrssv:序列变异的对数和;ha:Hjorth活动;hm:Hjorth移动性;hc:Hjorth复杂性;sh:香农熵;se:样本熵;ae:近似熵;pe:排列熵;fe:模糊熵;re:Renyi熵;te:Tsallis熵;le:对数能量熵;me:平均能量;mte:平均Teager能量;fd:分形维数;plzc:排列Lempel-Ziv复杂性;de:差分熵;centroid:谱质心;variance:谱方差;skewness:谱偏度;kurtosis:谱峰度;cve:包络变异系数;we:小波熵;IMF:内在模函数。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号