Evaluation of Polysaccharide Content in Shiitake Culinary-Medicinal Mushroom, Lentinula edodes (Agaricomycetes), via Near-Infrared Spectroscopy Integrated with Deep Learning
Notice bibliographique
Résumé
Polysaccharide is one of the bioactive ingredients extracted from the fruiting body of Lentinula edodes (=L. edodes), which has many medicinal functions. While the content of polysaccharide can be measured by near-infrared (NIR) spectroscopy, the NIR analytical models established previously only covered L. edodes from very limited sources, and thus could not achieve high accuracy for large samples from more varied sources. Strictly, there is a nonlinear relationship between NIR spectral data and chemical label values, and traditional modeling methods for NIR data analysis have problems such as insufficient feature learning ability and difficulty in training. The deep learning model has excellent nonlinear modeling ability and generalization capacity, which is very suitable for analyzing larger samples. In this study, we constructed a novel framework with deep learning techniques on the NIR analysis of the content of polysaccharide in L. edodes. The siPLS model was established based on the combination of the bands 4797-3995 cm-1 and 6401-5600 cm-1, while the one-dimensional convolutional neural network (1D-CNN) model was established with improved feature in the treatment of the spectral data. The comparative experimental results showed that the 1D-CNN model (R2pre = 95.50%; RMSEP =0.1875) outperformed the siPLS model (R2pre = 87.89%, RMSEP = 0.6221). As such, this work has demonstrated that NIR spectroscopy with the integration of deep learning can provide more accurate quantification of polysaccharide in L. edodes. Such method can be very useful for nutritional grading and quality control of diverse L. edodes in the market.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».