白酒作为一种嗜好品,其风味品质决定了消费者的喜好程度,进而影响该产品的市场竞争力。 其中,白酒香气的嗅觉感知是一种复杂且难以量化的感知体验,与认知和情感相关,直观反映消费者是否感知到令人愉悦或讨厌的气味[1]。 针对白酒复杂而多样的香气特征,当前酒企已通过定量描述分析等方法收集专业白酒品评员的感官评价数据,构建起了白酒正向风味轮[2]与异嗅风味轮[3],并采用气相及质谱联用技术剖析了白酒中的特征香气物质[4-5]。 然而,专业评价员的感官评价结果与消费者的真实感知体验间存在偏差,仪器分析则需要借助其他分析工具与人的主观感受相关联。 随着白酒消费群体的“年轻化”和“国际化”发展趋势,这种表达方式在引导消费者方面的局限性日益突出,亟需开展新的消费者感知测评与偏好研究。
Koelstra 等[6]提出观察感知过程中大脑活动的变化并识别主导该过程的关键脑区是研究嗅觉感知的一种重要途径,近年来更被拓展到自动化情绪处理机制的研究中。 被试者需向研究人员反馈其自我评估的诱发情绪,以此确定在情绪感知过程中大脑活动的变化特征。 为了研究气味对大脑活动的影响,多种电生理技术逐渐用于观测嗅觉诱发的大脑变化,如功能磁共振成像(functional magnetic resonance imaging,fMRI)[7]、正电子发射断层扫描(positron emission tomography, PET)[8] 和脑电分析(electroencephalography,EEG)[9]。 EEG 分析技术由认知神经科学发展而来,当嗅觉、听觉、视觉、味觉及触觉神经受到刺激时,其刺激可以通过脑电波信号δ 波、θ 波、α 波、β波、γ 波的变化反映,并建立起感官和心理之间的关联[10]。 EEG 涉及生理和心理信息,已被用于情绪识别[11-13],研究者们通过收集愉悦与不悦气味的脑电信号,再利用支持向量机(support vector machine,SVM)[14]、k-最近邻(k-nearest neighbors,KNN)[15]、神经网络[16]等进行模型构建,可以实现气味愉悦性识别。 该模式也已成功应用于酒类饮料的饮用喜好研究,如王成等[17]收集了消费者在饮用啤酒过程中脑电波信号,将其进行建模得到饮酒综合情绪指数(index of alcohol-drinking analysis,IAA),能快速分析消费者在不同饮酒阶段喜好度的实时变化。
除了上述模型构建方法,提升机决策树[18](extreme gradient boosting,XGBoost)是一种高效且灵活的梯度提升算法,其核心在于通过最小化损失函数,逐步构建新的决策树,从而提升模型的预测能力。 相较于SVM、KNN 和神经网络,XGBoost 在处理结构化数据方面具有预测性能更优[19]、训练与计算效率更高[20]、模型复杂度可控[21]等优势。 XGBoost 模型输入EEG 信号特征,能够有效捕捉这些特征与用户喜好程度之间的复杂非线性关系,通过逐步最小化损失函数构建新的决策树,由此累积每棵树的学习效果,提高整体预测的准确性和泛化能力。 该模型能够预测连续的喜好程度得分,更精细地反映用户的实际偏好,适用于个性化推荐和用户体验优化等领域。
本研究通过自主开发的白酒数字气味播放器结合脑电测试的感知评价系统实时收集消费者嗅闻白酒典型香气时的脑电信号变化,提取脑波构建松弛度、集中度、警觉度、敏锐度4 个生物指标,综合该4个生物指标评价了消费者对香气的敏感度,进一步通过XGBoost 构建香气喜好度预测模型,探究了喜好度与生物指标之间的联系,实现消费者对不同类别香气感知偏好的量化评估。
1 材料与方法
1.1 实验材料
桌面式数字气味播放器来自杭州气味王国科技有限公司;白酒典型香气配方为贵州茅台酒股份有限公司与杭州气味王国科技有限公司联合研发,由气味胶囊搭载装置于数字气味播放器中,包括青草、青椒、竹香、苹果、草莓、蜜桃、菠萝、玫瑰、桂花、栀子花、花蜜、香草、奶糖、芝麻、可可香、糊香、醋香、动物气息、菌类气息、油脂香共20 种;BM05 额贴式脑机安睡仪及一次性柔性纳米电极贴片(脑贴)来自柔灵科技有限公司。
1.2 被试消费者
本研究共计招募实验人员30 人,男女比例为1∶1,年龄在25 ～35 岁之间。 所有实验人员均具有一定的白酒品评经验,实验期间身体健康,嗅觉正常,无服用药物等其他影响感官的情况。
1.3 实验方法
1.3.1 脑电数据采集
本实验采用实验室构建的脑电气味可视化评估系统(图1)对受试者嗅闻过程的脑电信号进行实时采集。 其中,数字气味播放器包括气泵、气阀及其控制器以及香气存储模块,能够按指令播放相应的香气,结构见图2;脑贴用于采集并传输脑电波数据,脑贴与数字气味播放器之间通过蓝牙连接;EEG 分析处理器将对采集到的脑电信号进行分析处理。
图1 白酒香气感知测评系统的结构示意图
Fig.1 The structural schematic diagram of the Baijiu aroma perception evaluation system
图2 数字气味播放器的结构示意图
Fig.2 Schematic diagram of the digital odor playback device
1.3.2 实验流程
a)在实验之前,受试者被要求8 h 不喝酒,2 h 不吃东西。 打开窗户和排气扇对实验室进行通风,将实验室环境温度保持在(20 ±2)℃。
b)在实验过程中,受试者被要求放松心情,均匀呼吸。
c)填写被试者信息。
d)正确佩戴脑贴,待脑电信号基线稳定后开始播放香气(具体步骤见图3)。 脑电采集参数：脑电采样率250 Hz,电极数量3,脑电采样精度24 bit,IMU 输出频率10/50 Hz,IMU 采样精度16 bit,通信方式BLE5.0。
图3 脑电监测
Fig.3 EEG monitoring and recording
e)将气味出气口放置在鼻子正前方3 ～5 cm 处。
f)每个气味按图4 所示流程播放。 每个气味播放完毕,被试者需按1 ～5 分对该香气的喜好度进行打分(1 分：非常不喜欢,2 分：不太喜欢,3 分：一般,4分：较喜欢,5 分：非常喜欢),若喜好程度介于某2 个评分等级之间,可以采用半分制进行评分。
图4 气味播放流程Fig.4 Odor delivery protocol
g)每个气味测试之间的间隔为5 min,旨在让被试者充分休息并避免嗅觉疲劳。 在休息期间,打开门和风扇以增加空气流通。 将嗅觉诱发仪器中的残留气味排出,以防止后续实验的气味被污染。
1.4 脑电数据分析
1.4.1 EEG 数据预处理
研究表明,经校准后的脑电数据准确性更高[22],因此首先对原始脑电数据按以下步骤进行预处理。
a)去趋势处理,去除数据中的线性趋势或基线漂移以消除可能的低频干扰。
b)对去趋势后的数据进行带通滤波,设定频带范围为0.5 ～80 Hz,保留有意义的脑电活动,去除高频噪声和极低频成分。
c)去工频干扰,以消除电源频率对脑电信号的影响,得到已经去除主要环境噪声的脑电数据。
d)根据不同脑电波段的频率范围(δ 波：0. 5 ～4 Hz,θ 波：4 ～8 Hz,α 波：8 ～12 Hz,β 波：12 ～30 Hz,γ 波：30 ～80 Hz),设计数字滤波器的带宽、衰减系数和滤波器阶数,构造适用于各频段的数字滤波器。 使用这些滤波器对预处理后的脑电信号进行滤波,提取对应的频段信号特征,获得不同的脑电波段数据,为后续的特征提取和模型训练提供输入值。
1.4.2 生物指标构建
松弛度：δ 波(0.5 ～4 Hz)/θ 波(4 ～8 Hz)比率。该比率可以用来评估深度放松和恢复状态。 较高的比率通常表示更深的放松和大脑恢复。
集中度：β 波(12 ～30 Hz)/θ 波(4 ～8 Hz)比率。该比率可以用来评估注意力水平。 较高的比率通常表示较高的注意力和集中度,而较低的比率则表示注意力分散或昏昏欲睡。
警觉度：β 波(12 ～30 Hz)/α 波(8 ～12 Hz)比率。 该比率可以用来评估警觉程度。 较高的比率通常表示较高的警觉性和紧张状态,而较低的比率则表示较低的警觉性和放松状态。
敏锐度：γ 波相对功率。 γ 波与高级认知功能和信息处理有关,较高的功率代表更高的信息处理效率和认知功能。
敏感度：根据上述4 个指标在无气味刺激和有气味刺激时的变化进行综合评价。 首先,将无气味和有气味刺激下的原始指标数据处理到统一的范围内,以确保不同指标具有相同的评价标准。 然后,计算每个生物指标在气味刺激前后的差异绝对值,这些差异值反映了各个指标在不同刺激条件下的变化程度。 最后将所有指标的差异值进行加权平均得到综合敏感度评分。
1.4.3 喜好度模型构建与优化
根据5 个频段在无气味刺激和有气味刺激时的变化,利用频段的功率和相对功率、信号的复杂度等指标,训练一个端到端的模型,再结合δ 波、θ 波、α波、β 波的比率对模型进行优化。 具体步骤如下：
a)输入不同脑电节律功率的比值
TBR(theta/beta ratio)：θ 频段与β 频段功率的比值;
ABR(alpha/beta ratio)：α 频段与β 频段功率的比值;
DBR(delta/beta ratio)：δ 频段与β 频段功率的比值;
ARR(alpha reciprocal)：α 频段功率的倒数;
BATR[beta/(alpha + theta) ratio]：β 频段与α和θ 频段功率的和的比值。
b)输入信号复杂度
复杂度C0：用来描述脑电信号中非规则成分所占的比例,计算如公式(1)所示：
式中：xi,原始信号的第i 个采样点;yi,滤波后的信号(即ifft_data)的第i 个采样点;N,数据点的数量。
Hjorth：用来对脑电信号在时域上幅值的变化进行分析。 计算如公式(2)所示：
式中：N,数据点的数量;xi,第i 个数据点;¯x 是信号的均值。
相-幅耦合(phase-amplitude coupling,PAC)：提取指定信号内的跨频率相-幅耦合。
c)开始构建模型
将上述特征输入至XGBoost 模型,根据以下目标函数公式(3)构建模型：
式中：ℓ(yi, f(xi))是损失函数,表示预测值
=f(xi)和真实值yi 之间的误差;Ω(f)是正则化项,用于控制模型复杂度,防止过拟合;xi 是利用频段的功率、相对功率、信号复杂度等构建的特征,通过输入xi 经过模型得到预测值
。
对于损失函数,选择平方误差进行计算,计算如公式(4)所示：
对于给定的损失函数ℓ(yi,
),对每个样本点i的损失函数进行二阶泰勒展开,计算如公式(5)所示：
式中：fm(xi)是第m 轮的模型输出值,gi 和hi 分别是损失函数对预测值
的一阶(Gradient)和二阶导数(Hessian)。 梯度用于指导模型参数的更新方向,Hessian 用于确定模型参数更新的步长和幅度。 计算如公式(6)所示：
d)模型训练
在如上所述的XGBoost 模型中输入EEG 信号特征,分别计算无气味刺激、有气味刺激时的EEG 片段特征,以喜好度感官评价数据为参考标准,设定初始预测值,计算当前预测值与真实值之间的误差,用新构建的决策树拟合这些误差,将新决策树的预测结果加上之前的预测值,得到新的预测值,不断调整模型,提高其预测精度,当最新的预测值满足迭代次数达到预设的最大轮数(默认为100 次)或训练误差或验证误差的减少幅度低于预设的阈值(10-4)的条件时,得到模型喜好程度预测值X。
e)优化模型
基于上述步骤得到的模型喜好程度预测值X 将进一步结合δ 波、θ 波、α 波、β 波的比率对最终的预测结果进行优化。
1.5 数据处理
采用Excel 2019 进行数据统计,所有数据均为3次平行实验的均值。 利用Fisher’s LSD 分析不同香气喜好度值差异,用U 检验分析感官打分与脑电预测分值之间的差异,用pearson 相关性分析喜好度与生物指标之间的关联,分析与作图均在网址http：/ /cnsknowall.com/index.html#/HomePage 上完成。
2 结果与分析
2.1 白酒典型香气感知喜好度预测模型
2.1.1 模型建立
2.1.1.1 模型预测效果评价
表1 为模型的预测误差结果,预测结果和真实数据之间均方根误差(root mean square error,RMSE)为0.81 ～1.32,模型预测值与实际值的拟合程度R2 为0.88 ～0.93,表明该模型拟合效果较优。
表1 模型评价指标
Table 1 Model evaluation metrics
模型RMSER2 XGBoost 模型0.81 ～1.320.88 ～0.93
2.1.1.2 模型优化
为进一步提高预测值的准确性,经与真实值对比,对模型输出初始数值X 进行以下调整：按公式(7)计算各波段功率的比率,并缩放到到[1,5]。
进一步根据公式(8)调整喜好程度预测值：
最终根据真实数据测试调整优化得到：w1 =0.85,w2 =0.02,w3 =0.01,w4 =0.12。 即喜好度预测算法为Y =0.85X +0.02DBR +0.01TBR +0.12ABR。
2.1.2 模型效果验证
表2 展示了30 位评价员对20 种白酒典型香气喜好度的模型预测值与实际感官打分值的均值,结果显示,所有香气喜好度模型预测值与感官打分值之间的误差为0.27% ～9.29%(均小于10%),两者之间不存在显著性差异(P ＞0.05,效应量r 值＜0.3),表明脑电评价与感官评价一致,该模型算法可以很好地反映感官喜好度。
表2 白酒典型香气感知喜好度评价结果
Table 2 Evaluation results of preference for typical Baijiu aroma perception
香气维度香气名称感官打分模型预测两者误差/%显著性P 值效应量r 值青草3.783.711.760.1460.2青草香 青椒3.063.021.090.8940.02竹香3.003.134.440.2980.15苹果4.174.200.800.4240.21水果香草莓2.892.735.380.6890.06蜜桃4.064.070.270.8940.02菠萝3.613.367.080.9350.01玫瑰3.613.532.150.2950.16花香 桂花3.443.604.520.8570.03栀子花3.413.264.560.1430.2花蜜2.832.974.710.4020.12甜香 香草3.423.533.250.4350.12奶糖2.942.814.530.1060.2芝麻3.503.344.440.2060.12烘焙香 可可3.783.575.590.4530.11糊香1.941.911.710.4290.12酸香 醋香2.892.629.230.090.23动物气息1.111.197.000.3660.14其他香 菌类气息1.942.076.290.3890.13油脂香1.561.709.290.6330.08
2.2 白酒典型香气感知偏好性
图5 分别展示了30 位评价员对20 种白酒典型香气喜好度的感官打分值和模型预测值的分布。 由图5 可知,对于评价员间的差异,不同评价员在青椒、可可、醋香等香气的喜好度上差异较明显。 相较于人工主观评价的离散性,脑电预测数值更集中,推测这是由于脑电信号属于模糊识别,且模型的训练依赖于同源被试数据的处理与训练,因此其输出数据趋于某个范围值,未来情绪识别模型的训练可以借助更多的生理模态数据以模仿人类的评价[23]。 但从最终整体分析结果来看,感官打分与模型预测对喜好度评价的趋势是一致的。
图5 白酒典型香气感知喜好度分值
Fig.5 Preference scores for typical Baijiu aroma perception
注：不同的字母代表不同的组之间存在显著性差异。 若含有相同的字母,表明两组之间没有显著性差异。
对于不同维度香气的感知偏好,其他香维度香气的喜好度与青草香、水果香、花香、甜香等维度香气存在显著差异(P ＜0.05)。 分析发现,超半数人有点喜欢(分值3 ～4 分)的香气有10 种,包括青草、青椒、竹香、菠萝、玫瑰、桂花、栀子花、香草、芝麻、可可,超半数人非常喜欢(分值大于4 分)的香气为苹果和蜜桃,推测白酒中水果类香气更让人愉悦,其次为青草香、花香、烘焙香等维度香气,在品鉴培训或宣传中可多引导消费者感知白酒中这些香气,增强其饮用体验感。 与之相反的是,超半数人不喜欢(分值大于2 分)的香气为糊香、动物气息、菌类气息和油脂香,研究表明这些香气分别是由于2-羟甲基-3,6-二乙基-5-甲基吡嗪、4-甲基苯酚、1-辛烯-3-醇、反,反-2,4-癸二烯醛等风味物质含量过高而产生的不愉悦气味[24],由此降低感知喜好度。 因此,白酒生产过程中因注意控制这些物质的量比,防止此类香气程度过高而影响消费者对产品的喜好。
2.3 白酒典型香气感知对生物指标的影响
研究表明,气味可以通过影响情绪,间接影响人员认知表现,这是由于嗅觉信号可以直接激活额叶区的眶额皮层,内、外眶额叶皮层响应,而情绪和认知都是大脑额叶区的区域协调产物[25]。 为研究香气嗅闻体验诱发的情绪与认知变化,本研究通过脑电的不同波段比率构建了松弛度、集中度、警觉度、敏锐度、敏感度5 个生物指标。 由图6 可知,当嗅闻香气变化时,各生物指标也呈波动变化,大部分香气诱发的生物指标低于中等水平。
图6 白酒典型香气感知对生物指标的影响
Fig.6 Impact of typical Baijiu aroma perception on biomarkers
放松程度可以反映人员在休闲环境中的松弛或紧张的情绪状态,越放松则松弛度越高,越紧张则警觉度越高,结果表明嗅闻苹果、蜜桃、玫瑰、栀子时的松弛度(大于3 分)明显高于其他香气,而嗅闻动物气息、菌类气息、油脂香诱发的松弛度(小于2 分)明显降低,警觉度得分则与松弛度相反,表明苹果、蜜桃、玫瑰、栀子等香气有助于大脑深度放松与恢复,而动物气息、菌类气息、油脂香易使评价员处于紧张状态。 结合偏好性分析结果推测愉悦性气味提高了人员的放松程度,不悦气味增加了人员的紧张感。
集中度和敏感度反应人员的认知功能,分别代表了实验过程中注意力和信息处理效率。 由图6 可知,大部分香气诱发的集中度为2.5 ～3 分,嗅闻草莓香与玫瑰香时与其他香气呈现较大差异,草莓香诱发集中度为3.31,玫瑰香则为2.18,表明草莓香有助于大脑注意力集中,而玫瑰香对注意力干扰较大。 敏锐度方面,苹果香和蜜桃香诱发的感知(小于2 分)显著低于其他香气,动物气息、菌类气息、油脂香诱发的感知则大于3 分,与松弛度呈相反趋势,表明愉悦气味在提高人员放松程度的同时可能会降低他们的认知功能从而影响信息处理效率。
最后,本研究综合上述4 个指标在香气刺激前后的变化评价了评价员对这些典型香气的敏感度,结果发现,评价员对大部分香气的敏感度处于2 ～3 分水平,可识别并辨别这些香气,但对于栀子、香草、可可,多数评价员不易察觉或辨认,需加以引导或培育以识别这些香气。
2.4 白酒典型香气感知偏好与生物指标间相关性
为直观表征喜好度与生物指标之间的关联,采用pearson 相关性分析探究了喜好度与生物指标之间的相关性,结果如图7 所示。
图7 喜好度与生物指标之间的相关性
Fig.7 Correlation between preference and biomarkers
注：图中数字代表2 个指标之间的相关性系数,*表示显著性水平,*的数量越多表示显著性越高。 *代表P ＜0.05、**代表P ＜0.01;***代表P ＜0.005、****代表P ＜0.001。
由图7 可知,喜好度与松弛度、警觉度、敏锐度相关性良好,且达到显著性水平。 其中,喜好度与松弛度呈极显著正相关(r =0.7,P ＜0.001),与警觉度(r =-0.54,P ＜0.05)和敏锐度(r = -0.6,P ＜0.01)呈显著负相关,同时松弛度与警觉度(r = -0.83,P ＜0.001)和敏锐度(r = -0.73,P ＜0.001)呈极显著负相关关系。 由此表明,评价员越喜欢某种香气时,状态越松弛,但同时信息处理的速率降低。 此外,警觉度与敏锐度呈现显著正相关(r =0.6,P ＜0.01),集中度与敏感度呈中等水平正相关(r =0.49,P ＜0.05),表明,当香气引起人员处于警觉与紧张状态时,大脑对外界的认知功能会有所提高从而加快信息处理速度;当嗅闻该香气提高人员的注意力时,评价员对该香气的敏感程度也会提高,更容易察觉到香气的存在。
3 结论
本研究通过结合嗅觉诱发脑电技术与XGBoost模型,成功构建了白酒典型香气喜好度的预测模型,揭示了香气感知与消费者情绪及认知功能之间的内在联系。 实验结果表明,基于脑电信号特征训练的XGBoost 模型预测值与实际感官打分值之间无显著性差异,能够准确预测消费者对香气的喜好程度。 在香气偏好方面,水果类香气(如苹果、蜜桃)最受青睐,而动物气息、菌类气息等异嗅香气的喜好度较低,这一发现为白酒生产中的香气调控提供了重要依据。进一步分析发现,愉悦性香气能够显著提高消费者的松弛度并降低警觉度,有助于情绪放松,而不愉悦香气则引发紧张状态,同时增强认知功能和信息处理效率。 相关性分析进一步印证香气感知通过影响大脑活动从而间接改变消费者的情绪状态和认知表现。本研究不仅为白酒香气的客观评价提供了创新方法,也为产品优化和市场推广提供了科学支持。 未来可通过整合多模态生理数据进一步优化模型,提升预测的精细化和个性化水平,为白酒行业的品质提升和消费体验改善开辟新途径。
[1] Gulas C S, Bloch P H. Right under our noses：Ambient scent and consumer responses[J]. Journal of Business and Psychology,1995,10(1)：87 -98.
[2] 刘英, 余东, 岳沛, 等. 白酒风味轮及其评价方法在白酒感官评价中的应用研究[J]. 酿酒科技, 2022(3)：58 -64.Liu Y, Yu D, Yue P, et al. Application of flavor wheel and its evaluation method in the sensory evaluation of Baijiu[J]. Liquor-Making Science & Technology, 2022(3)：58 -64.
[3] 李世平. 酱香型白酒异嗅味风味轮的构建及感官特性研究[J].酿酒科技, 2022(8)：84 -89.Li S P. Construction of flavor wheel of offensive odors in Jiangxiang Baijiu and study on its sensory characteristics[J]. Liquor-Making Science & Technology, 2022(8)：84 -89.
[4] Huang Y J, Wang L, Li Y L, et al. Comparative analysis of key flavor compounds in various Baijiu types using E-nose, HS-SPME-GCMS/MS, and HS-GC-IMS technologies[J]. Food Chemistry：X,2025, 29：102689.
[5] Wu J H, Chen R Y, Li X B, et al. Comprehensive identification of key compounds in different quality grades of soy sauce-aroma type Baijiu by HS-SPME-GC-MS coupled with electronic nose[J]. Frontiers in Nutrition, 2023, 10：1132527.
[6] Koelstra S, Muhl C, Soleymani M, et al. DEAP：A database for emotion Analysis;Using physiological signals[J]. IEEE Transactions on Affective Computing, 2012, 3(1)：18 -31.
[7] Rai N, Hipolito M M, VanMeter J W, et al. Comparative effects of repetitive odor identification and odor memory tasks on olfactory engagement in older populations - a pilot fMRI study[J]. Neuropsychiatric Disease and Treatment, 2021, 17：1279 -1288.
[8] Bensafi M. The role of the piriform cortex in human olfactory perception：Insights from functional neuroimaging studies[J]. Chemosensory Perception, 2012, 5(1)：4 -10.
[9] Guo Y C, Xia X X, Shi Y, et al. Olfactory EEG induced by odor：Used for food identification and pleasure analysis[J]. Food Chemistry, 2024, 455：139816.
[10] von Mohr M, Crowley M J, Walthall J, et al. EEG captures affective touch：CT-optimal touch and neural oscillations[J]. Cognitive,Affective, & Behavioral Neuroscience, 2018, 18(1)：155 -166.
[11] Kanjo E, Younis E M G, Ang C S. Deep learning analysis of mobile physiological, environmental and location sensor data for emotion detection[J]. Information Fusion, 2019, 49：46 -56.
[12] Maria M A, Akhand M A H, Kamal M A S. Understanding brain network stimulation for emotion analyzing connectivity feature map from electroencephalography[J]. International Journal of Advanced Computer Science and Applications, 2025, 16(4).
[13] Zhang J, Fang C Y, Wu Y H, et al. An affective EEG analysis method without feature engineering[J]. Journal of Electronic Research and Application, 2024, 8(1)：36 -45.
[14] Huang M W, Chang Q W, Chu W L. A correlation study on EEG signals during visual concentration test and clinical evaluation in schizophrenia patients[J]. BMC Psychiatry, 2025, 25(1)：761.
[15] Das A, Singh S, Kim J, et al. Enhanced EEG signal classification in brain computer interfaces using hybrid deep learning models[J]. Scientific Reports, 2025, 15：27161.
[16] Yang H, Philip Chen C L, Chen B N, et al. Improving the interpretability through maximizing mutual information for EEG emotion recognition[J]. IEEE Transactions on Affective Computing,2025,16(2)：744 -757.
[17] 王成, 陈爽, 吕高冲, 等. 基于脑电波分析的消费者啤酒饮用喜好度研究[J]. 食品与发酵工业, 2023, 49(11)：125 -130.Wang C, Chen S, Lyu G C, et al. The research of sensory evaluation and consumer preference of beer using electroencephalogram method[J]. Food and Fermentation Industries, 2023, 49(11)：125 -130.
[18] 刘源. 基于数据挖掘的发酵乳检测数据与人工感官相关性模型研究[D]. 上海：上海应用技术大学, 2020.Liu Y. Study on correlation model between fermented milk detection data and artificial sensory evaluation based on data mining[D]. Shanghai：Shanghai Institute of Technology, 2020.
[19] Endalie D, Abebe W T. Analysis of lung cancer risk factors from medical records in Ethiopia using machine learning[J]. PLoS Digital Health, 2023, 2(7)：e0000308.
[20] Ramdani F, Furqon M T. The simplicity of XGBoost algorithm versus the complexity of Random Forest, Support Vector Machine,and Neural Networks algorithms in urban forest classification[J].F1000Research, 2022, 11：1069.
[21] Nielsen D. Tree boosting with XGBoost—why does XGBoost win every machine learning competition[D]. Norwegian University,2016.
[22] Wu M, Li H L, Qi H Z. Using electroencephalogram to continuously discriminate feelings of personal thermal comfort between uncomfortably hot and comfortable environments[J]. Indoor Air,2020, 30(3)：534 -543.
[23] 李瑞新, 蔡兆信, 王冰冰, 等. 基于人脸图像和脑电的连续情绪识别方法[J]. 计算机系统应用, 2021, 30(2)：1 -11.Li R X, Cai Z X, Wang B B, et al. Continuous emotion recognition based on facial expressions and EEG[J]. Computer Systems &Applications, 2021, 30(2)：1 -11.
[24] 杨亮, 张春林, 吴德光, 等. 酱香型白酒缺陷酒中异嗅物质研究进展[J]. 食品工业科技, 2019, 40(19)：333 -337; 344.Yang L, Zhang C L, Wu D G, et al. Research process on off-odor compounds in quality defective liquor of Maotai-flavor liquor[J].Science and Technology of Food Industry, 2019, 40(19)：333 -337; 344.
[25] Lu M L, Hu S T, Hu Y H, et al. Critical dynamic characteristics of brain activity in thermal comfort state[J]. Building and Environment, 2023, 243：110632.