基于EEG与机器学习的酒精刺激感知神经解码及脑区分区策略的对比研究

来源：中国食品学报杂志2025年第6期北京时间：

作者：程焕，王广南，刘东红，叶兴乾

单位：程焕浙江大学生物系统工程与食品科学学院 智能食品加工技术与装备国家地方联合工程研究中心全省食用农产品资源挖掘与高值利用重点实验室 杭州 310058;浙江大学中原研究院 郑州 450000,王广南浙江大学生物系统工程与食品科学学院 智能食品加工技术与装备国家地方联合工程研究中心全省食用农产品资源挖掘与高值利用重点实验室 杭州 310058;浙江大学长三角智慧绿洲创新中心 浙江嘉善 314100,刘东红浙江大学生物系统工程与食品科学学院 智能食品加工技术与装备国家地方联合工程研究中心全省食用农产品资源挖掘与高值利用重点实验室 杭州 310058;浙江大学长三角智慧绿洲创新中心 浙江嘉善 314100,叶兴乾浙江大学生物系统工程与食品科学学院 智能食品加工技术与装备国家地方联合工程研究中心全省食用农产品资源挖掘与高值利用重点实验室 杭州 310058;浙江大学中原研究院 郑州 450000,psu@zju.edu.cn

摘要：乙醇含量对酒精饮料风味特征和感官体验起关键作用。然而，其神经感知机制仍未完全明晰，这在一定程度上制约了对酒精饮料感官评价进行客观量化的进程。脑电图(EEG)作为一种高时间分辨率的神经影像技术，能够为解析酒精刺激的神经生理基础提供有效手段。然而，不同的脑区分区方式可能影响EEG特征提取与建模精度，进而影响其预测性能。鉴于此，本研究系统比较了10-10 传统解剖学分区与Yeo-7功能分区在EEG预测酒精刺激评分任务中的适用性，并运用8种机器学习模型展开对比分析。研究结果表明，相较于10-10解剖学分区，Yeo-7功能分区显著提升了模型的预测性能，其中线性回归(R2 = 0.76)和支持向量机(R2 = 0.74)表现最佳。此外，特征贡献度分析显示，边缘系统(Limbic Network)、额顶控制网络(Frontoparietal Network， FPN)和腹侧注意网络(Ventral Attention Network， VAN)在EEG预测中贡献较高，表明功能性分区能够更准确地提取酒精刺激相关的神经信号。本研究证实基于功能连接的脑区划分在EEG预测建模中的优越性，并为EEG在风味感知、神经科学及食品科学等领域的应用开拓了新的研究思路。

关键词：酒精饮料; 风味感知; 脑电图; 机器学习

基金资助：浙江省“三农九方”科技协作计划项目(2025SNJF067)