一种针对柠檬酸的新型感知评估方法：基于深度学习的味觉脑电图分析

《Journal of Future Foods》：A novel perception assessment approach for citric acid: taste EEG analysis based on deep learning

　　柠檬酸浓度梯度刺激下EEG信号特征提取及分类模型构建研究。采用20名健康志愿者进行不同浓度柠檬酸味觉刺激的EEG实验，结合EEG源定位技术映射脑区激活模式，提出基于图卷积网络（GCN）与池化Transformer架构的SGPNet模型，实现98.84%的分类准确率。研究揭示岛叶、前扣带回等脑区激活强度随浓度梯度变化呈现层级特征，低浓度激活感觉皮层，高浓度同步激活情绪相关脑区，验证了神经系统的层级编码机制。

　　
在食品感官评价领域，如何精准量化酸味强度始终是一个技术难点。传统方法依赖人工评分，存在主观性强、易受环境干扰等缺陷。本研究通过整合神经科学、数据挖掘和人工智能技术，构建了首个基于脑电信号动态编码的酸味强度量化模型，为食品添加剂安全性评估提供了新范式。

实验采用20名健康志愿者，通过自主研发的精准味觉刺激装置，在恒温恒湿环境下施加0-120mg/100ml六个梯度的柠檬酸溶液刺激。每个浓度重复6次实验，每次持续15-31秒，最终获得11520个高质量脑电样本。通过三阶段预处理（FIR滤波、基线校正、 artifact removal）将原始信号转化为128Hz采样、148维特征张量的标准化数据集。

在模型架构创新方面，研究团队创造性融合了三个关键技术模块：
1. **EEG源定位技术**：基于sLORETA算法将 scalp potentials逆向映射至148个脑区标记点，将原始21通道信号转化为具有明确空间解剖学意义的特征矩阵。这种空间信息增强技术使后续特征提取的生物学解释性提升42%。
2. **图卷积网络架构**：构建k-近邻图结构，将脑区激活模式转化为非欧几里得空间中的拓扑关系。通过GCN层提取的图特征可捕捉前岛叶（B1/B3）、中央回（B5/B6）等核心味觉处理区的协同激活模式。
3. **轻量化Transformer替代方案**：自主研发的Poolformer模块采用全局池化替代注意力机制，在保持98.6%精度的同时将计算量降低至传统Transformer的1/5。该模块特别设计了残差连接网络，有效缓解梯度消失问题。

分类结果显示，SGPNet模型在六浓度柠檬酸识别任务中达到98.84%的总体准确率，显著优于ResNet18（94.18%）、EEGNet（94.51%）等基准模型。值得注意的是，该模型在低浓度（<30mg/100ml）时表现更优，F1值达到96.8%，这可能与大脑对微弱刺激的精细化处理机制有关。

脑区激活模式分析揭示了酸味感知的层级处理机制：
- **初级处理阶段**（0-15mg/100ml）：前岛叶（B1/B3）和中央回（B5/B6）呈现显著激活，说明低浓度刺激主要触发躯体感觉整合
- **次级加工阶段**（30-60mg/100ml）：眶额叶（B7/B8）和杏仁核（R3/R4）开始参与，形成"感知-评价"双通道
- **高级防御机制**（>60mg/100ml）：海马体（R9/R10）与岛叶形成功能耦合，激活前扣带回（R1/R2）的冲突监测系统

这种浓度依赖的脑激活模式变化与进化心理学理论高度吻合：低浓度刺激激活基础味觉处理网络，高强度刺激则触发情感评估和防御反应。研究特别发现，当浓度达到60mg/100ml时，前岛叶与杏仁核的动态耦合强度提升3.2倍，这为解释酸味耐受阈值提供了神经生物学依据。

在工程实现层面，模型创新性地解决了三大技术瓶颈：
1. **空间-时间特征解耦**：通过GCN提取空间特征矩阵（尺寸21×148），采用Poolformer处理时间序列，实现双模态特征融合
2. **计算效率优化**：池化层将时序长度压缩至固定维度，配合参数共享机制，使模型推理速度达到23ms样本
3. **跨模态验证**：结合电子舌多参数传感器（AAE/CT0/CA0等）的物理化学响应，构建了三维验证体系（EEG+电子舌+人工评分）

研究同时发现，传统CNN架构在处理具有复杂空间拓扑的脑电信号时存在15%-20%的信息丢失。通过引入图卷积模块，成功保留了78.3%的原始空间信息，这对需要精确神经定位解释的食品感官研究尤为重要。

该成果已形成两项国际专利（CN2024XXXXXX、US2024XXXXXX），并在某国际食品添加剂安全评估中实现技术转化。应用案例显示，模型可将酸味强度评估误差从传统方法的±18%降低至±5.3%，特别在区分60mg与120mg浓度时，识别准确率达到99.2%。

未来研究方向包括：
1. 构建跨文化脑电数据库：计划纳入不同年龄段（18-60岁）和种族（亚洲/欧洲/非洲）样本
2. 开发多感官融合模型：整合EEG与眼动追踪、皮肤电反应等多模态数据
3. 建立动态评估系统：根据个体神经响应特征实现个性化酸味耐受度预测

这项研究不仅突破了传统食品感官评价的技术瓶颈，更为神经工程学在食品科学中的应用开辟了新路径。通过将脑电信号解析与深度学习结合，开发者首次实现了酸味强度从分子刺激到神经编码的全链条量化，为食品添加剂安全评估提供了可量化的技术标准。