Predicting Survival of Escherichia Coli O157:H7 in Dry Fermented Sausage Using Artificial Neural Networks
Notice bibliographique
Résumé
The Canadian Food Inspection Agency requires the meat industry to ensure Escherichia coli(E.coli) O157:H7 does not survive in dry fermented sausage (salami) after a series of food borne illnessoutbreaks resulted from the presence of this pathogenic bacterium. The industry is in need of an alternativetechnique like predictive modeling for estimating bacterial viability because traditional microbiologicalenumeration is a time-consuming and laborious method. Testing the accuracy and speed of artificial neuralnetworks (ANNs) for this purpose is a current trend in predictive microbiological research, especially for onlineprocessing in industries. The data from study of interactive effects of different levels of pH, water activity (Aw),the concentration of allyl isothyocyanate (AIT) at various time intervals during sausage manufacture in reducingEscherichia coli O157:H7 were collected. Data were used to develop predictive models using GeneralRegression Neural Network (GRNN) (a form of ANN) and a statistical linear polynomial regression technique.Both models were compared for their prediction error using various statistical indices. GRNN predictions fortraining and test data sets had fewer and less serious errors when compared with the statistical modelpredictions. GRNN models were far superior and considerably superior respectively, for training and test setsthan the statistical model. Because it is simple, fast and quite accurate, ANN model can be used for onlineprocessing by research and development departments or quality control sections of meat processing industryto ensure product safety, and specifically for processing to eliminate Escherichia coli O157:H7 from dryfermented sausage.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».