《Journal of Food Composition and Analysis》：Rapid Detection of Traditional Chinese Baijiu with Edible Alcohol by an Electronic Nose with MS1D CNN-TE Hybrid Model
编辑推荐：
本研究针对传统白酒中食用酒精添加难以快速准确鉴别的技术难题，开发了一种基于MS1D CNN-TE混合模型的电子鼻系统。通过多尺度一维卷积神经网络捕捉局部响应特征，结合Transformer编码器建立长程依赖关系，实现了10类白酒样本的精准鉴别，测试集准确率达99.26%。该研究为食品质量安全快速检测提供了创新技术方案。
中国白酒作为世界六大蒸馏酒之一，承载着深厚的文化底蕴和产业价值。根据国家标准GB/T 10781规定，纯酿白酒严格禁止直接或间接添加食用酒精。然而，白酒酿造过程中添加食用酒精的现象难以通过传统方法有效区分。现有白酒鉴别技术中，感官评价存在较强主观性，色谱分析（GC、HPLC、GC-MS）等仪器分析方法虽然准确度高，但需要昂贵设备和复杂操作流程。电子鼻系统通过模拟生物嗅觉机制，结合传感器阵列与模式识别模型，具有高灵敏度、低成本、操作简便等优势，为白酒鉴别提供了新的技术路径。
在这项发表于《Journal of Food Composition and Analysis》的研究中，研究人员提出了一种基于MS1D CNN-TE混合模型的电子鼻系统，用于快速检测传统白酒中的食用酒精。该研究通过自研气体检测系统采集不同比例食用酒精的白酒样本气体数据，构建了多尺度一维卷积神经网络与Transformer编码器的混合模型，实现了对复杂白酒样本的高精度鉴别。
关键技术方法包括：使用6个TGS系列金属氧化物半导体气体传感器组成传感器阵列，在25°C、70%相对湿度的稳定环境中采集样本数据；采用离散小波变换进行信号滤波和降噪处理，结合Z-score归一化方法消除传感器响应幅度差异；构建MS1D CNN-TE混合模型架构，其中MS1D CNN模块使用三种不同卷积核（尺寸为3、5、7）提取多尺度局部特征，TE模块通过多头自注意力机制捕获全局时间依赖关系。
研究结果方面：
数据预处理结果表明，经过离散小波变换滤波和Z-score归一化处理后，传感器数据的噪声得到有效抑制，不同传感器间的尺度差异被消除，为模型训练提供了高质量输入。
MS1D CNN-TE模型性能显示，该混合模型在测试集上达到了99.26%的分类准确率，精确率、召回率和F1-score分别达到99.33%、99.29%和99.28%，显著优于单一MS1D CNN模型（94.81%）和TE模型（95.56%）。
模型对比分析发现，MS1D CNN-TE混合模型的性能优于传统机器学习模型（KNN、LR、RF、SVM）和其他基于循环神经网络的混合模型（MS1D CNN-RNN、MS1D CNN-LSTM、MS1D CNN-GRU），证明了该模型在特征提取和时序依赖性建模方面的优势。
快速检测测试表明，仅使用进气后10秒的数据即可达到95.56%的识别准确率，推理时间仅需26.65毫秒，显著提升了检测效率。模型训练时间从180秒数据的103秒减少到10秒数据的68秒，效率提升34%。
研究结论表明，MS1D CNN-TE混合模型通过协同利用多尺度局部特征和全局依赖关系，在复杂白酒样本鉴别任务中表现出色。该电子鼻系统不仅实现了高精度的白酒鉴别，还具备快速检测能力，为食品质量安全在线监测提供了有效的技术解决方案。该研究方法可进一步推广应用于其他食品质量与安全监测场景，具有重要的实际应用价值。
