Neue Publikation in Food Research International [30.10.23]
Tabea Attig und Christian Krupitzer vom Fachgebiet für Lebensmittelinformatik sind Co-Autoren der Publikation "Anticipating food structure of meat products from mastication physics applying machine learning" in Food Research International (Impact Factor: 8.1 (2023)).
Die Publikation "Anticipating food structure of meat products from mastication physics applying machine learning" von Dominic Oppen (Fachgebiet für Lebensmittelmaterialwissenschaft, Institut für Lebensmittelwissenschaft und Biotechnologie, Universität Hohenheim, Stuttgart, Deutschland) mit den Co-Autoren, Tabea Attig (Fachgebiet für Lebensmittelinformatik, Institut für Lebensmittelwissenschaft und Biotechnologie, und Computational Science Hub, Universität Hohenheim, Stuttgart, Deutschland), Jochen Weiss (Fachgebiet für Lebensmittelmaterialwissenschaft, Institut für Lebensmittelwissenschaft und Biotechnologie, Universität Hohenheim, Stuttgart, Deutschland), Christian Krupitzer (Fachgebiet für Lebensmittelinformatik, Institut für Lebensmittelwissenschaft und Biotechnologie, und Computational Science Hub, Universität Hohenheim, Stuttgart, Deutschland) wurde im Food Research International, Elsevier (Impact Factor: 8.1 (2023)) veröffentlicht.Alternativen zu Produkten auf tierischer Basis werden immer wichtiger. Die meisten dieser Produkte beruhen in irgendeinem Stadium auf einem Strukturierungsprozess; daher entwickeln Forscher Techniken zur Messung der Güte des strukturierten Materials. Konventionell würde eine typische sensorische Untersuchung oder eine Texturanalyse durch Messung der Verformungskräfte angewandt, um das hergestellte Material auf seine Beschaffenheit zu prüfen. Fleischalternativen und Fleisch unterscheiden sich jedoch in mehr Punkten als nur der Textur, so dass es schwierig ist, den isolierten Textureindruck zu ermitteln. Um die qualitativen und quantitativen Unterschiede zwischen verschiedenen Lebensmittelstrukturen objektiv zu erfassen, ist die Bewertung von oralen Verarbeitungsmerkmalen eine aufstrebende Technologie, die sich als vielversprechende Ergänzung zu bestehenden Technologien eignet. Die kinematischen Daten des Kiefers und die ausgeübten Kräfte der Muskelaktivitäten werden während des Kauens aufgezeichnet. Die daraus resultierenden Datensätze weisen eine hohe Dimensionalität auf und umfassen Tausende von individuellen Kauvorgängen, die oft durch mehr als zehn Merkmale beschrieben werden. Die Auswertung eines solchen Datensatzes könnte von der Anwendung computergestützter Auswertungsstrategien profitieren, die für große Datensätze entwickelt wurden, wie maschinelles Lernen und neuronale Netze.Ziel dieser Arbeit war es, die Leistung von maschinellen Lernalgorithmen wie Support Vector Machines und Artificial Neural Networks oder Ensemble-Lernalgorithmen wie Extra Trees Classifier oder Extreme Gradient Boosting zu bewerten. Wir bewerteten verschiedene Vorverarbeitungstechniken und verschiedene maschinelle Algorithmen für Lernmodelle im Hinblick auf ihre Leistung, die anhand etablierter Benchmark-Werte gemessen wurde (Genauigkeit, Area under Receiver-Operating Curve-Score, F1-Score, Precision-Recall-Kurve, Matthews Correlation Coefficient (MCC)). Die Ergebnisse zeigen eine bemerkenswerte Leistung bei der Klassifizierung jedes einzelnen Kaugummis zwischen isotropem und anisotropem Material (MCC bis zu 0,966). Nach der Wichtigkeit der Merkmale war die seitliche Kieferbewegung das wichtigste Merkmal für die Klassifizierung; allerdings waren alle Merkmale für einen optimalen Lernprozess notwendig.Die Publikation ist unter linkinghub.elsevier.com/retrieve/pii/S0963996923011249 abrufbar.
