目的
在食品感官科學中，風味刺激強度（如酒精灼燒感）的量化直接影響產品適口性評價與工藝優化，但傳統感官評分易受個體差異與文化背景干擾，缺乏神經生理層面的客觀關聯證據。本研究以酒精刺激為模型，建立基于腦電圖（EEG）與機器學習的神經解碼路徑，旨在通過腦電特征預測個體對酒精刺激的強度評分，為食品感官評價提供神經生理學補充標準。通過系統比較解剖學分區（10–10體系）與功能網絡分區（Yeo-7）對解碼性能的影響，并在模擬酒精溶液（5%~53% vol）及真實白酒樣本中驗證，最終為食品風味評價的客觀化、跨樣本可比性及腦區分區策略選擇提供實證依據。
方法
受試者依次品嘗純水、不同梯度酒精-水溶液（5%，10%，20%，40%，53%）及市售白酒，記錄每次刺激后的感官強度評分及EEG信號數據。EEG信號經帶通濾波（0.1~30 Hz）、偽跡剔除及分段預處理后，按解剖學分區（10–10體系）和功能網絡分區（Yeo-7）兩種策略提取特征。其中解剖學分區（10–10體系）將電極按隸屬區域聚合功率譜、時頻能量及相關統計量；功能網絡分區（Yeo-7）以功能網絡為單位匯總特征并構建區域級輸入。在統一的特征工程流程（歸一化、特征篩選/降維）下，訓練線性回歸、嶺/套索回歸、支持向量回歸與樹模型等，并采用交叉驗證評估泛化性能。性能指標為決定系數（R2）與均方根誤差（root mean square error, RMSE）；在相同模型—特征條件下，使用成對統計檢驗比較兩種分區策略的差異。為檢驗穩健性，進一步開展子集驗證與外部數據子集驗證（依據不同刺激材料及樣本組合），并報告在不同數據劃分下的性能表現。
結果
本研究的結果顯示，基于EEG的機器學習模型能夠從單次或多次刺激后的腦電特征中預測個體的刺激感評分，并在多種模型與交叉驗證設置下取得穩定的回歸性能（以R2和RMSE衡量）。在此基礎上比較兩類腦區分區策略，結果表明在控制特征類型與模型架構一致的條件下，采用Yeo-7功能網絡分區的模型在R2與RMSE上整體優于10–10解剖學分區，該差異在不同模型中保持一致。此外，這一趨勢在不同刺激樣本（包括不同酒精體積分數與真實白酒樣本）的建模與驗證中同樣可觀察。進一步的特征貢獻分析顯示，與感覺整合相關的功能網絡在模型解釋中呈較高的重要性或權重，這表明網絡級特征聚合更有利于捕捉與酒精刺激相關的EEG信號。總體而言，這些發現為食品的刺激感客觀化測量、跨樣品對比與質量一致性研究提供了數據支撐與方法學依據。
圖1. 不同酒精濃度條件下的感官刺激評分分布
圖2. 基于Yeo-7分區的EEG預測模型綜合分析
（A）不同分區方式下各模型的預測性能對比；（B）LR在Yeo-7分區下的預測值與真實值散點分布；（C）不同分區方式下各腦區的特征貢獻度
結論
本研究在統一的機器學習框架下，驗證了腦電特征對酒精刺激主觀評分的神經解碼可行性。結果顯示，在控制模型架構與特征類型的條件下，Yeo-7功能網絡分區的解碼性能顯著優于傳統解剖學分區策略，且該優勢在模擬酒精溶液（5%-53% vol）和真實白酒樣本中均保持穩定。基于此，我們提出了一條與神經生理機制相銜接的刺激感量化路徑，可為食品研究中的風味表征客觀化與評價流程標準化提供方法學支撐，并為質量一致性量化與跨樣品可比性建立參照框架。但其適用范圍受限于本文樣品體系與建模設定，未來需在更復雜的食品基質及獨立數據集上開展再訓練與遷移驗證，以推動該路徑在食品工業的規模化應用。
原文鏈接：https://kns.cnki.net/kcms2/article/abstract?v=JEPDQvKdoqKiP0gkGAEGvDlynf3P3g0kxwP5NwCDzcLJWYTX3p1BUFEa1AgVCaEwzGK9QDmUlgjNxK2YlPR50fr3fh9cFCM76WJMYlzPiQjK4y_rNBWrcj6ld8d3AGosCoiJLyCD-b01zHZsTT_Xd8MgMpJKU-XK05qvGwg4lhfuO8tA5t0QSA==&uniplatform=NZKPT&language=CHS
