Sử dụng mô hình học sâu dự đoán hàm lượng vi chất của thực phẩm sau chế biến

Chỉ số đề mục

Lĩnh vực nghiên cứu

Khoa học tự nhiên

Dạng tài liệu

BB

Tác giả

Nguyễn Hoàng Vũ, Đào Ngọc Bích, Trần Thanh Hương, Phạm Minh Triển⁽¹⁾*

Nhan đề

Sử dụng mô hình học sâu dự đoán hàm lượng vi chất của thực phẩm sau chế biến

Nhan đề tiếng anh

Using deep learning model to predict micronutrients in food after processing

Nguồn trích

Tạp chí Khoa học và Công nghệ Việt Nam - B

Năm xuất bản

2024

Số

6B

Trang

1

ISSN

Từ khóa

Từ khóa tiếng anh

Tóm tắt

Hiểu rõ hàm lượng dinh dưỡng trong thực phẩm sau khi chế biến có ý nghĩa quan trọng đối với ngành công nghiệp chế biến thực phẩm. Việc lựa chọn phương pháp chế biến phù hợp cho phép người dùng giữ lại được những vi chất bổ dưỡng tốt cho sức khoẻ...

Tóm tắt tiếng anh

Understanding the nutritional content of food after processing is important for the food processing industry. Choosing the appropriate processing method allows users to retain healthy micronutrients...

Kí hiệu kho

File toàn văn

Xem toàn văn

Tài liệu tham khảo

[1] P. Ma, Z. Zhang, Y. Li, et al. (2022), Deep learning accurately predicts food categories and nutrients based on ingredient statements,Food Chemistry
[2] D.B. Haytowitz, J.K.C. Ahuja, X. Wu, et al. (2019), USDA national nutrient database for standard reference, legacy release,Nutrient Data Laboratory
[3] J.C. Moubarac, D.C. Parra, G. Cannon, et al. (2014), Food classification systems based on food processing: Significance and implications for policies and actions: A systematic literature review and assessment,Current Obesity Reports
[4] G. Menichetti, B. Ravandi, D. Mozaffarian, et al. (2022), Machine learning prediction of food processing,medRxiv
[5] P. Ma, A. Li, N. Yu, et al. (2021), Application of machine learning for estimating label nutrients using USDA Global Branded Food Products Database (BFPD),Journal of Food Composition and Analysis
[6] G. Ispirova, T. Eftimov, B.K. Seljak (2021), Domain heuristic fusion of multi-word embeddings for nutrient value prediction,Mathematics
[7] G. Ispirova, T. Eftimov, B.K. Seljak (2020), P-NUT: Predicting NUTrient content f-rom short text descriptions,Mathematics
[8] B.S. Lengeling, J.N. Wei, B.K. Lee, et al. (2019), Machine learning for scent: Learning generalizable perceptual representations of small molecules,arXiv
[9] R. Tuwani, S. Wadhwa, G. Bagler (2019), BitterSweet: Building machine learning models for predicting the bitter and sweet taste of small molecules,Scientific Reports
[10] M. Zhong, Y. Chong, X. Nie, et al. (2013), Prediction of sweetness by multilinear regression analysis and support vector machine,Journal of Food Science
[11] P. C-haroenkwan, C. Nantasenamat, M.M. Hasan, et al. (2021), BERT4Bitter: A bidirectional encoder representations f-rom transformers (BERT)-based model for improving the prediction of bitter peptides,Bioinformatics
[12] A.D. Wiener, I. Nissim, N.B. Abu, et al. (2017), Bitter or not? BitterPredict, a tool for predicting taste f-rom chemical structure,Scientific Reports
[13] B. Ling, J. Tang, F. Kong, et al. (2015), Kinetics of food quality changes during thermal processing: A review,Food and Bioprocess Technology
[14] (2007), USDA Table of Nutrient Retention Factors, Release 6,
[15] E. Capuano, T. Oliviero, M.A.J.S.V. Boekel (2023), Modeling food matrix effects on chemical reactivity: Challenges and perspectives,Critical Reviews in Food Science and Nutrition