MétaCan
Menu
Retour à la cohorte
Enregistrement W4309288204 · doi:10.3390/bios12111043

A Combination of Near-Infrared Hyperspectral Imaging with Two-Dimensional Correlation Analysis for Monitoring the Content of Alanine in Beef

2022· article· en· W4309288204 sur OpenAlexaff
Fujia Dong, Yongzhao Bi, Jie Hao, Sijia Liu, Yu Lv, Jiarui Cui, Songlei Wang, Yafang Han, Argenis Rodas‐González

Notice bibliographique

RevueBiosensors · 2022
Typearticle
Langueen
DomaineChemistry
ThématiqueSpectroscopy and Chemometric Analyses
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesnon disponible
Mots-clésHyperspectral imagingAlanineNear-infrared spectroscopyInfraredChemistryRemote sensingOpticsPhysicsBiochemistryGeology

Résumé

récupéré en direct d'OpenAlex

Alanine (Ala), as the most important free amino acid, plays a significant role in food taste characteristics and human health regulation. The feasibility of using near–infrared hyperspectral imaging (NIR–HSI) combined with two–dimensional correlation spectroscopy (2D–COS) analysis to predict beef Ala content quickly and nondestructively is first proposed in this study. With Ala content as the external disturbance condition, the sequence of chemical bond changes caused by synchronous and asynchronous correlation spectrum changes in 2D–COS was analyzed, and local sensitive variables closely related to Ala content were obtained. On this basis, the simplified linear, nonlinear, and artificial neural network models developed by the weighted coefficient based on the feature wavelength extraction method were compared. The results show that with the change in Ala content in beef, the double-frequency absorption of the C-H bond of CH2 in the chemical bond sequence occurred prior to the third vibration of the C=O bond and the first stretching of O-H in COOH. Furthermore, the wavelength within the 1136–1478 nm spectrum range was obtained as the local study area of Ala content. The linear partial least squares regression (PLSR) model based on effective wavelengths was selected by competitive adaptive reweighted sampling (CARS) from 2D–COS analysis, and provided excellent results (R2C of 0.8141, R2P of 0.8458, and RPDp of 2.54). Finally, the visual distribution of Ala content in beef was produced by the optimal simplified combination model. The results show that 2D–COS combined with NIR–HSI could be used as an effective method to monitor Ala content in beef.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,023
Tête enseignante GPT0,264
Écart entre enseignants0,241 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations38
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBiosensorsMême sujetSpectroscopy and Chemometric AnalysesTravaux en français237 207