|
摘要： 嗅觉产生于人们对化学物质气味的感知。然而，由于气味的复杂性，人们至今还难以理清嗅觉描述符和各种物理化学参数之间的映射关系。因此，没有建立起根据物理化学特性来预测化学物质的气味描述的通用方法。设计了一种基于AE-SVM(Autoencoder- Support Vector Networks，AE-SVM)的预测模型，该模型使用自动编码器提取质谱数据的特征，解决质谱数据高维稀疏的问题，并用支持向量机进行分类。结果表明，AE-SVM利用化学物质的质谱数据成功预测嗅觉描述符，并且准确度达到85.71%，对于理解化学物质和嗅觉描述符之间映射关系具有较为重要意义。 0 引言 嗅觉是人类的一种化学感官，它通过感知空气中的化学物质来了解周围的环境。以往的研究表明，感知到的化学刺激与生物嗅觉系统复杂的组织结构有关[1-2]。嗅觉上皮内的嗅觉受体神经元与分子结合并向嗅觉神经提供电信号时被激活，信号被传送到嗅球并在嗅球上形成图案。然后，根据嗅球上的反应模式，在大脑进行与情绪和记忆相关的综合信息加工[3]。由于每种类型的嗅觉受体具有不同的分子选择性，因此出现在嗅球上的刺激模式因分子而异。也就是说，对气味的印象也因分子而异。 气味感官评价测试已被广泛采用，获得通过语言描述符量化的嗅觉描述符。嗅觉描述符的提取不仅在食品和化妆品行业，而且在其他行业的消费产品评价[4]中都是必不可少的。对大量化学品进行感官评估测试需要大量的时间和资源，本身是不切实际的。因此，本研究的目的是通过有限的样本分析，建立数学模型来预测嗅觉描述符。质谱是化学物质具有代表性的物理化学性质之一，早期的研究阐明了化学物质的气味与其化学结构之间的关系[5]。大量的质谱数据可以用来构建嗅觉描述符的预测模型。一些研究通过主成分分析(PCA)和非负矩阵分解(NMF)等线性建模方法报道了化学物质气味特征与其理化参数之间的关系[6-7]。这些研究表明，一些基本参数确实会影响人们对气味的感知。由于质谱数据本质上是高维稀疏的，虽然PCA和NMF是众所周知的预测建模方法，但它们不适合高维稀疏的数据结构。因此，很难得出这些线性建模技术与系统完全兼容的结论。深度学习建模是非线性建模中最权威的方法之一，具有广泛的应用前景。本文设计AE-SVM来对质谱数据进行提取特征并完成对嗅觉描述符的分类。 |
|
|
