每當我們評價一款草莓汁是否好喝、一瓶玫瑰糖漿是否純正時，食品工業通常依賴兩種方法：一是依靠經過專業訓練的人類感官評價員去聞、去嘗；二是依靠精密儀器去檢測。但這兩種方法都有各自的缺點。人類的感受是非常主觀的，同一種氣味，每個人的主觀感受都不一樣，很難形成統一的科學標準；而精密儀器雖然能極其精準地分析出食品的化學分子，但它是一臺沒有感情的機器——它能告訴你這杯果汁里加了哪些香精，卻永遠無法理解人類聞到它時，心里的感受究竟是什么樣的。

東北電力大學的研究團隊發表在國際食品科學期刊《Food Chemistry》上的一項研究“Olfactory EEG induced by odor: Used for food identification and pleasure analysis”，給出了一套創新性的解決方案。他們創新性地將腦電信號（EEG）與人工智能算法結合，直接讀取大腦在聞到氣味那一瞬間的最真實反應。他們不僅能用腦電信號精準識別出你聞到了什么食物，還能評估你的愉悅程度。

文章信息

研究團隊精心設計了一套嚴謹的嗅覺腦電實驗，數據采集完成之后，研究團隊使用特征工程和集成學習算法來對數據進行分析。整個研究的工作流程如圖1所示。

圖 1  實驗流程

1. 被試

研究人員招募了15名健康的被試者進行測試，其中有11名男性和4名女性，被試者的年齡在21-25歲之間。在實驗之前，每一位被試者都經過了初步的嗅覺測試以保證能順利完成實驗。

2. 嗅覺誘發

為了精準控制氣味的釋放，團隊專門研發了一臺低噪音的嗅覺誘發儀。這臺機器能精確控制氣味的濃度和釋放時間，把氣味分子像微風一樣精準地吹入志愿者的鼻腔（圖2）。為了激發大腦產生足夠強烈的偏好對比，研究人員準備了8種日常食品氣味：一半是普遍被認為令人愉悅的香氣：薄荷糖漿、玫瑰糖漿、濃縮橙汁、草莓汁；另一半則是充滿爭議的氣味：新鮮蝦醬、酸筍、榴蓮泥、大蒜泥。

圖2 嗅覺誘發器示意圖

3. 實驗流程

在實驗中，志愿者閉上眼睛，專注地呼吸。每種氣味會持續釋放10秒，緊接著是5秒的休息間隔（如圖3左側所示）。休息結束后，受試者首先需要填寫問卷，對該氣味帶來的主觀愉悅度進行評分（如圖3右側所示）。在這個過程中，腦電帽一刻不停地記錄著大腦電信號的微小起伏。

圖3 實驗流程

被試者聞到氣味之后需要進行問卷填寫，以判斷該氣味的主觀愉悅度

4. 數據分析方法

面對復雜的腦電信號，研究團隊設計了一套數據分析算法：首先，研究人員洗去冗雜噪音，精準提取出偏度、模糊熵等與嗅覺相關的核心數學特征；緊接著，研究人員借助帶有 Sigmoid 核函數的 K-PCA 降維算法，將高維腦電波瞬間投射成了直觀的氣味感知維度空間（OPDS）；而在最核心的識別環節，科學家并沒有迷信單一模型，而是巧妙采用了集成學習策略，將隨機森林（RF）、極限學習機（ELM）和支持向量機（PSO-SVM）共同構成了集成學習模型，提升了氣味與愉悅度識別的準確率。

1. 不同氣味誘發的腦電地形圖差異

當受試者聞到不同食物氣味時，大腦神經活動呈現顯著區別，腦電地形圖直觀反映了嗅覺刺激下的腦區激活規律。在氣味刺激后0–1 s內：聞到橙汁、草莓汁、薄荷糖漿、玫瑰糖漿等愉悅氣味時，大腦額葉區域能量顯著增強，神經活動高度集中；聞到蝦醬、酸筍、榴蓮泥、蒜泥等不愉快氣味時，中yang額區出現激活，但頂葉、左側顳葉及枕葉等負責感覺整合的腦區神經活躍度明顯下降，整體激活模式更分散。

圖4 嗅覺刺激下的腦電地形圖

2. 氣味在嗅覺感知維度空間的聚類可視化

將腦電特征構建為嗅覺感知維度空間（EEG-OPDS） 后，8種食物氣味呈現清晰的聚類分布：酸筍（S2）與蒜泥（S4）、高濃縮橙汁（S5）與草莓汁（S6）、薄荷糖漿（S7）與玫瑰糖漿（S8）分別高度聚集；蝦醬（S1）與榴蓮泥（S3）和其他氣味區分度高，在空間中獨立分布。

圖5  VR辦公環境下腦電特征與相關色溫（CCT）的線性關系

A.基于決定系數R^2的前三項腦電特征線性擬合；B、C. 僅呈現R^2＞0.80特征的相關系數與決定系數，前88項為頻段功率、后132項為頻段功率比值；D. 顯著特征在腦地形圖的空間分布，黑點表示$p$＜0.01

3. 基于MMD的氣味感知距離量化驗證

采用zui大均值差異（MMD） 量化8類氣味在OPDS中的分布距離，結果顯示：愉悅氣味之間MMD距離更小、感知相似度更高；愉悅氣味與不愉悅氣味之間MMD距離更大、感知區分度顯著，與可視化聚類結果一致，證實OPDS可有效度量不同食品氣味的感知差異。

圖6  基于mRMR特征排序與二次核支持向量機（kSVM）的光照工況分類腦電特征篩選

4. 8分類氣味識別準確率結果

在氣味識別任務中，分類性能隨特征與空間融合逐步提升：單一特征平均準確率僅46.8%–55.2%，物質空間提升至85.1%；基于EEG-OPDS的集成學習算法，8分類氣味識別平均準確率達到96.1%，15名受試者中有14人準確率超過90%，zui高可達99.4%。

表1 氣味識別任務的準確率

5. 愉悅度二分類識別準確率結果

在愉悅度感知二分類任務中，單一熵特征平均準確率為67.1%–71.0%，情感空間提升至87.9%；經EEG-OPDS融合后，算法平均準確率進一步提升至98.8%，群體水平分類準確率超過98%，部分受試者達到100。

表2 愉悅度識別任務的準確率

該研究基于嗅覺腦電構建嗅覺感知維度空間（EEG?OPDS），將人類主觀嗅覺感知與機器定量測量有機融合，既彌補了傳統電子鼻僅能檢測物質特征、無法獲取消費者情緒與偏好的不足，也突破了人工感官評價易受主觀描述、評價標準不統一等因素干擾的局限。研究實現了對食品氣味的精準識別與愉悅度量化評估，可為食品真實性鑒別、偽劣產品溯源提供客觀可靠的技術支撐，同時能夠直接捕捉消費者對食品氣味的愉悅度反應，為食品品質管控、新產品風味研發與感官體驗優化提供科學依據。

未來展望

1. 擴充氣味樣本種類與受試者數量，進一步wan善嗅覺感知維度空間的普適性與泛化能力。

2. 結合更多腦功能指標，深入解析人類嗅覺感知與情緒加工的神經機制。

3. 推動技術向輕量化、便攜化方向發展，實現在線檢測、自動化感官評價等實際場景落地。

原文鏈接

研究團隊介紹

關于維拓啟創

相關產品