利用机器学习从多感官刺激中预测味觉感知：一种神经美食学方法

本研究基于神经味觉学框架，利用Python的随机森林和梯度提升模型分析多感官用餐环境对味觉感知和情感参与的影响，发现嗅觉强度、视觉呈现和情感激发是主要预测因子，模型表现优异（R2≈0.87，RMSE≈0.58），证实情感过程在神经味觉学中的关键作用，为餐饮设计、菜单定制和酒店业创新提供数据驱动见解。

　　

维卡斯·夏尔马 | 加里玛·贾因

斯瓦米·维韦卡南德·苏巴尔蒂大学，梅鲁特，印度

图形摘要

本研究利用神经美食学的框架，探讨了多感官餐饮环境如何影响风味感知和情感体验。通过基于Python的机器学习模型（包括随机森林和梯度提升算法），分析了包含视觉、听觉、嗅觉和触觉线索以及情感唤醒的模拟数据集。利用加权感官输入生成了风味感知评分，从而能够预测用餐者的反应。研究结果表明，嗅觉强度、视觉呈现和情感唤醒是影响风味感知的最强预测因素。集成模型取得了较高的预测性能（R2 ≈ 0.87，RMSE ≈ 0.58），而交叉验证也证实了模型的稳定性。中介分析表明，情感体验在一定程度上调节了多感官刺激对风味感知的影响，突显了情感过程在神经美食学中的作用。这些发现为体验式餐饮设计、菜单定制和酒店业创新提供了实用见解，证明了计算模型能够在受控或模拟环境中有效量化和预测风味体验。

引言

风味感知是人类最复杂且本质上是多感官的体验之一。与单纯的味觉（甜、酸、咸、苦、鲜）不同，风味是通过多种感官信号的整合而产生的，这些信号包括味觉、嗅觉（正鼻和后鼻嗅觉）、体感输入（质地、温度）以及视觉线索（Spence, 2015; Di Lorenzo, 2021）。这种整合的感官体验并非简单的叠加，而是人类大脑将不同的感官信息综合起来，形成统一的感知体验，这种体验在不同个体和情境下可能存在很大差异（Spence, 2015; Krishna, 2013）。实际上，风味感知的过程从早期的感官处理阶段开始，一直延伸到脑干和大脑皮层中的高级认知中心，在那里各种输入被结合并加权，形成有意识的体验（Di Lorenzo, 2021; 参见Spence, 2015）。

在神经美食学领域，风味不再被简单地视为几种基本味道的组合，而是被理解为整合感官输入和神经反应的产物。神经美食学明确探讨了神经过程如何解释多感官刺激，从而产生风味感知及相关的情感反应，强调了视觉呈现、环境氛围和情感状态在塑造感官体验中的作用（Tokat & Yilmaz, 2022; Ucuk et al., 2025）。例如，最近基于EEG的研究表明，仅改变食物的视觉呈现方式就能显著影响主观味觉评分和可测量的神经活动，这显示了跨模态感官输入对风味感知的强大影响（Ucuk et al., 2025）。

多感官感知领域还强调，风味并非孤立的感觉，而是通过跨模态整合产生的——大脑将来自不同感官系统的信息结合起来，构建出一个连贯的感知表征。在多感官研究中，风味感知就是这种整合的典型例子：味道和气味并非独立处理，而是与触觉和视觉线索一起融合，形成一种兼具感知性和愉悦性的整体感官体验（Spence, 2015; Small, 2012）。这种整合具有生物学意义；甜味和鲜味信号表明食物富含营养，而苦味或酸味可能预示有害物质，气味则根据学习到的关联调节人们的期望和偏好（Spence, 2015）。

尽管在理解风味感知的多感官本质方面取得了概念上的进展，但定量预测风味体验仍然是一个重大挑战。食品科学中的传统感官评估方法通常依赖于描述性评估小组和主观评分，这些方法可能受到偏见、受试者间差异以及预测能力不足的限制（Spence, 2015）。然而，随着计算方法和机器学习的出现，模拟感官刺激与感知结果之间复杂关系的建模潜力日益增加。最近在机器学习方面的进展表明，算法模型可以从食品化合物的化学特性中预测基本的风味特征，揭示了人类直觉难以察觉的模式（Gentili et al., 2024）。这些模型利用降维和集成分类技术识别驱动味觉预测的关键因素，为将计算预测扩展到包括视觉、嗅觉、质地和声音在内的多模态感知领域开辟了途径。

将机器学习应用于风味研究也符合更广泛的技术发展趋势，这些技术能够追踪感官刺激引起的神经生理反应（如EEG、心率变异性、皮肤电反应），并将这些反应与报告的感知结果联系起来。这种计算建模、行为测量和神经解码的跨学科结合，提供了一种方法来预测而非仅仅描述多感官输入如何转化为主观风味体验。计算模型可以对神经和感官数据进行分类，揭示个体在不同条件下感知风味的模式，从而弥合感官输入、神经活动和有意识感知之间的差距（Spence, 2015）。

重要的是，机器学习方法不仅具备预测能力，还具有可解释性和可扩展性。诸如特征重要性排序和降维等技术可以识别最具影响力的感官预测因素，从而量化视觉线索、嗅觉强度或听觉环境对整体风味感知的贡献。这些见解可以用于设计优化的多感官餐饮体验、定制个性化营养食品，并为酒店业的感官营销策略提供依据。随着美食学领域越来越依赖数据驱动，人工智能和计算神经科学的结合可以将对风味的科学理解从描述性叙述转变为预测性、机制性的模型。将机器学习引入神经美食学有望从多感官刺激中预测风味感知，超越主观感官评估小组，实现基于数据的稳健建模。通过结合计算技术与多感官和神经生理学框架，研究人员可以更好地理解人们不仅感受到什么风味，还能理解为什么以及如何大脑构建这些体验——这是迈向预测性美食学的重要一步，既符合科学严谨性，也具有实际应用价值。

研究理由

虽然从多种感官角度探讨了风味感知，但尚不清楚这些感官模式结合在一起时如何影响消费者行为和餐饮体验。传统的风味评估方法（如描述性感官评估小组和愉悦度评分）在提供感官和情感线索如何相互作用以创造风味体验的全面模型方面存在局限性。本研究通过采用数据驱动的方法填补了这一空白

风味感知的多感官本质

风味感知本质上是多感官的，不仅涉及味觉（味道）和嗅觉（气味），还包括来自视觉、听觉和体感（如质地和温度）的感官输入（Spence, 2020）。食物是通过整合的感官过程共同被感知的，其中味道和气味结合在一起，形成了我们所说的风味（Spence, 2020; Di Lorenzo, 2021）。这种多感官整合是神经美食学的核心理念：人类的风味感知

研究设计

本研究采用了受控的实验室实验设计，利用神经美食学框架中的机器学习方法，探讨多感官餐饮刺激与感知风味结果之间的预测关系。采用被试间设计以最小化感官干扰效应和学习偏差。参与者被随机分配到三种实验条件之一：（1）中性感官环境（对照组），（2）部分多感官刺激，以及（3）

数据生成与验证

使用Python（numpy, pandas）生成了一个包含120个样本的合成数据集，以模拟方法部分描述的实验设计。变量采用受控分布进行模拟，以反映真实的感官评分、基于EEG的指数和情感参与得分。在假设检验之前验证了内部一致性（Cronbach’s α = 0.86），表明感知和情感测量具有可接受的可靠性。

描述性统计（Python输出）

表1展示了关键数据的描述性统计信息

讨论

本研究旨在探讨是否可以使用机器学习技术在神经美食学框架内对多感官餐饮刺激（视觉、听觉、嗅觉和触觉线索）进行定量建模和预测。通过整合感官评分、情感参与度和神经生理指标，研究结果为“风味感知是一个多感官的、数据驱动的现象”这一观点提供了强有力的实证支持，而非纯粹的味觉现象。

管理实践意义

本研究的结果为酒店管理者、厨师、食品设计师和体验策略师提供了实用见解，特别是在高端餐饮、体验式餐厅和豪华酒店环境中。

可重复性和数据可用性声明

为了确保透明度和科学严谨性，本研究在设计时充分考虑了方法的可重复性。所有统计分析和机器学习模型均使用基于Python的开源库实现，包括NumPy、Pandas、SciPy和Scikit-learn。分析工作流程遵循标准化程序，包括数据预处理、特征提取、模型训练、验证和评估。出于伦理考虑以及使用受控/模拟数据

局限性与未来研究方向

尽管本研究有所贡献，但仍存在一些需要承认的局限性。

结论

本研究通过证明可以使用机器学习技术从多感官餐饮刺激中计算建模和预测风味感知，推动了神经美食学和食品科学的发展。通过整合视觉、听觉、嗅觉和触觉线索以及情感参与指标，研究证实了风味感知是一个由感知和情感过程共同塑造的复杂多感官现象。这些发现为

对美食学的启示

本研究的结果对当代美食学具有深远影响，从根本上重新定义了如何在烹饪和酒店环境中概念化、设计和呈现风味。研究将风味不仅仅视为食材或食谱固有的属性，而是将其视为一个可预测的多感官现象，这种现象受到视觉呈现、嗅觉强度和触觉等因素的影响

CRediT作者贡献声明

维卡斯·夏尔马：撰写——审稿与编辑、初稿撰写、可视化、验证、监督、软件开发、资源管理、方法论设计、研究实施、资金筹集。加里玛·贾因博士：正式分析、数据整理、概念构建

利益冲突声明

作者声明与本研究的发表不存在利益冲突。研究是独立进行的，研究设计、数据收集、数据分析、结果解释和手稿准备过程中没有受到任何财务、商业或个人关系的影响。