一种提升膨化食品声学特征与感官脆度相关性的方法

本发明涉及声学特征的，尤其涉及一种提升膨化食品声学特征与感官脆度相关性的方法。

背景技术：

1、膨化食品是60年代末出现的一种以谷物、薯类或豆类等为主要原料采用膨化工艺制成的体积明显增大的酥脆食品，在不断开发产品的过程中研究者注意到消费者对脆性的感知会强烈影响其对膨化食品品质的满意程度，食用膨化食品的愉悦感也可以通过声音来调控，音频与食物的和谐感受能增强人们对味道的感知和评价，当人们被要求对他们在咀嚼食物时发出的声音进行评分时，脆度与膨化食物声音愉悦感是最密切相关的描述。

2、声音作为膨化食品享用过程的明显特征，可用来表征膨化食品的脆度，已有许多研究探索声学信号与食品质地之间的关联，为了提高食品脆度预测的效率从脆性食品的碎裂声开始，采集碎裂声信号，进行小波去噪，在时域和频域分析特征值，分别构建基于多元线性回归(mlr)和神经网络的脆度预测模型。通过压裂试验和声学试验，采用聚类分析方法选取声学信号的典型特征值，包括功率谱密度(psd)曲线的峰值幅值、幅值差、波形指标。基于这些特征值，建立了脆度分析模型，并对马铃薯、红薯、胡萝卜、萝卜四种食品的脆度进行了预测。结果表明，bp神经网络的相对误差小于mlr；当阈值为5％时，bp神经网络的预测准确率保持在90％以上，对两种食品的预测准确率达到100％。而在应用于不同产品中时，需要应用不同的录制频率区间组合与声学参数以获得较高的相关性。

3、目前，大多数研究都是基于反复实验得出的参数和方法，此过程需要花费大量时间进行数据分析，另外，食品的不同成分、大小、形状、孔隙率和微观结构对脆度有很大影响，以及感官评估程序的不统一等因素，声学评价方法对于不同食品需要进行新的校准，大大增加了应用声学特征的难度。

4、例如申请号为202110729365.8公开了一种公开了基于力声同步采集的香梨果肉脆度检测方法，具体步骤为：1.香梨试样制备；2.穿刺测试与力学特征参数提取；3.声信号aed低频采集分析及参数提取；4.声信号录音机高频采集与去噪预处理；5.高频采集声学时域特征参数提取；6.高频采集声学频域特征参数提取；7.香梨脆度感官评价；8.感官评价结果与力声特征参数相关性分析；9.力声特征参数的主成分分析降维；10.基于主成分的多元线性回归香梨脆度检测模型构建与验证；11.基于主成分的bp神经网络香梨脆度检测模型构建与验证。本发明基于力声同步采集，融合了力声多特征参数，建立了多元线性回归和bp神经网络香梨脆度评估模型，实现了香梨脆度客观准确的评价。但是，该申请仅针对梨进行检测，无法对多种不同种类的食品进行分析。

技术实现思路

1、针对食品声信号的现有的声学特征参数在膨化食品评价中存在一定的局限性，尤其在适用性和准确性方面仍有提升的空间的技术问题，本发明提出一种提升膨化食品声学特征与感官脆度相关性的方法，通过对声音能量区间进行切分，根据声音能量在膨化谷物食品脆度损失过程中的迁移规律，定义“低频区间”确定方法，提高在此低频区间录制的声学特征与其感官脆度相关性。

2、为了达到上述目的，本发明的技术方案是这样实现的：一种提升膨化食品声学特征与感官脆度相关性的方法，其特征在于，步骤包括：

3、s1：利用质构仪录制结构不同的样本压缩时的声学信号；

4、s2：利用hht分析方法分别对声学信号进行分析，得到不同样品压缩时的能量谱；

5、s3：基于能量谱计算频率段内能量在总能量中的占比，得到不同样品的低频区间的能量信号；

6、s4：对不同样品的低频区间的能量信号进行降噪处理，并提取能量信号中的声学特征，皮尔逊相关性对声学特征进行分析，得到声学特征与感官脆度相关性。

7、步骤s1所述利用质构仪录制结构不同的样本压缩时的声学信号的方法为：

8、利用质构仪的单刀复合剪切头以恒定的力率对样品进行破碎，并利用质构仪上的传声器在样品正前方分别录制样本压缩时的声音作为声学信号。

9、所述不同的样本包括仙贝、米饼、锅巴、燕麦棒、青稞棒、馍片、虾条和糙米卷中的至少2种。

10、步骤s2所述得到不同样品压缩时的能量谱的方法为：

11、s21：运用hht分析方法，通过emd对不同样品压缩时的声学信号进行分解，从样品碎裂的声音信号中获得不同样品的imf分量；

12、s22：利用has分别对不同样品分解得到的每个imf分量作希尔伯特变换，获得不同样品压缩时的声学信号的瞬时频率和能量谱。

13、步骤s21所述从样品碎裂的声音信号中获得不同样品的imf分量的方法为：

14、设步骤s1所得到的声学信号为x(t)，利用emd对不同样品压缩时的声学信号进行分解，得到样品对应的一系列的固有模态函数和一个残余分量r(t)：

15、

16、其中，t为时间，n为固有模态函数总量，imfi(t)代表第i个固有模态函数。

17、步骤s22所述获得不同样品压缩时的声学信号的瞬时频率和能量谱的方法为：

18、对每个固有模态函数分量进行希尔伯特变换以获得相应的解析信号zi(t)：

19、zi(t)＝imfi(t)+jh[imfi(t)]；

20、其中，h[·]表示希尔伯特变换操作，j是虚数单位，通过希尔伯特变换得到；

21、解析信号的瞬时振幅和瞬时频率fi(t)计算公式为：

22、ai(t)＝|zi(t)|；

23、

24、其中，arg[·]表示求解析信号的相位角；

25、对于每个固有模态函数分量，对应的能量谱ei(f)可以通过瞬时振幅ai(t)的平方计算得到，能量谱计算公式为：

26、ei(f)＝|ai(t)|2。

27、步骤s3所述得到低频区间的能量信号的方法为：

28、将能量谱按照瞬时频率进行划分，得到不同频率区间的能量分布；设定特定的频率区间[fmin，fmax]，将每个imf的能量值按照这些频率区间进行切分和汇总，计算频率段内能量在总能量中的占比：

29、

30、其中，fmin为频率区内的最低频率，fmax为频率区内的最高频率，n1为频率区间数量，j代表第j个频率区间，根据频率段内能量在总能量中的占比，当占比累加超过阈值80％时定义大于此频率段为高频区间，余下为低频区间。

31、步骤s4所述得到声学特征与感官脆度相关性的方法为：

32、利用小波去噪法对低频区间的能量信号进行预处理，去除导致假峰值检测的噪声；随后，利用matlab将降噪后的能量信号转化为时间-幅度曲线[x(n)]和时间-分贝曲线[d(n)]；

33、声学特征包括声曲线的峰数cp、平均声压级ave、线性距离ld、幅值差dm、脉冲因子pulsef、峭度k4和衰减时间t；

34、其中，声曲线的峰数cp、平均声压级ave和线性距离ld分别代表d(n)的极值数、平均值和积分值；

35、最大短时帧能量emax指用短时傅里叶变换将声音信号进行分帧后，计算每帧的能量，选取最大的帧能量，计算公式：emax＝max|x(n)|2；

36、幅值差dm是声音信号在时域范围内最大幅值与最小幅值的差值，计算公式为：

37、dm＝max x(n)-min x(n)；

38、脉冲因子pulsef是声音信号在时域范围内幅度的最大值与幅度绝对值的平均之比，设x(n)为离散的声音信号，脉冲因子pulsef的计算公式为：

39、

40、峭度k4是描述信号波形的尖锐程度或峰态的统计量，计算公式为：

41、

42、式中为离散序列的平均幅值，i表示求和开始数据点序数；

43、衰减时间t是时域中声音信号从幅度的最大值衰减到0.1倍最大值所用的时间，设声音信号的最大值x1＝max|x(n)|、x2＝0.1x1所对应采样点数分别为l1、l2，则计算公式为：t＝(l2-l1)/fs；

44、所有样品的声学特征提取完成后使用皮尔逊相关性分析，得到不同样品感官分数与声学特征的皮尔逊相关系数表。

45、所述不同样品感官分数与声学特征的皮尔逊相关系数表为：

46、不同样品感官分数与声学特征的皮尔逊相关系数

47、

48、步骤s4所述得到声学特征与感官脆度相关性的方法为：

49、根据不同样品感官分数与声学特征的皮尔逊相关系数表，脉冲因子pulsef和峭度k4与感官脆度的相关性分别是0.984**和0.953**，说明脉冲因子pulsef和峭度k4与感官脆度之间的变化趋势一致；

50、衰减时间t的数值与脉冲因子pulsef、峭度k4和最大短时帧能量emax均显示出负相关，证明不同样品的物理尺寸对其声学特性影响小，衰减时间t与平均值ave呈负相关，证明声音信号持续时间长会影响食品质感的整体感知；

51、峰值数cp与线性距离ld正相关性，证明更长的线性距离与更好的脆性感知有关。

52、本发明的有益效果为：通过声学分析确定，80％的阈值适合作为划分低频区间与高频区间的分界点。同时，虽然更短的频率区间间隔可能获得更好的相关性，但由于计算复杂度和实际操作的便捷性考虑，1000hz被选为本研究低频区间的切分间隔。不同的膨化食品样本之间，其低频区间与感官脆度值的相关性不具有统一性，表明不同的微观结构和破碎振动频率造成了各自独特的固有频率间隔。但这些特征在低频区间重新提取后，与感官脆度具有更高的相关性，这一现象进一步强调了低频区间在声学特征提取过程中的重要性。