Freshness in Salmon by Hand-Held Devices: Methods in Feature Selection and Data Fusion for Spectroscopy
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide Salmon fillet was analyzed via hand-held optical devices: fluorescence (@340 nm) and absorption spectroscopy across the visible and near-infrared (NIR) range (400–1900 nm). Spectroscopic measurements were benchmarked with nucleotide assays and potentiometry in an exploratory set of experiments over 11 days, with changes to spectral profiles noted. A second enlarged spectroscopic data set, over a 17 day period, was then acquired, and fillet freshness was classified ±1 day via four machine learning (ML) algorithms: linear discriminant analysis, Gaussian naïve, weighted K -nearest neighbors, and an ensemble bagged tree method. Dual-mode data fusion returned almost perfect accuracies (mean = 99.5 ± 0.51%), while single-mode ML analyses (fluorescence, visible absorbance, and NIR absorbance) returned lower mean accuracies at greater spread (77.1 ± 10.1%). Single-mode fluorescence accuracy was especially poor; however, via principal component analysis, we found that a truncated fluorescence data set of four variables (wavelengths) could predict “fresh” and “spoilt” salmon fillet based on a subtle peak redshift as the fillet aged, albeit marginally short of statistical significance (95% confidence ellipse). Thus, whether by feature selection of one spectral data set, or the combination of multiple data sets through different modes, this study lays the foundation for better determination of fish freshness within the context of rapid spectroscopic analyses.
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.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,007 |
| 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 | 0,000 |
| 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 découle