一种基于多数据融合的食品包装微塑料毒性评估方法及系统与流程

摘要: 本发明涉及食品包装材料毒性评估,特别涉及一种基于多数据融合的食品包装微塑料毒性评估方法及系统。背景技术:1、随着塑料制品在食品包装领域的广泛应用,微塑料(尺寸小...
一种基于多数据融合的食品包装微塑料毒性评估方法及系统与流程

本发明涉及食品包装材料毒性评估,特别涉及一种基于多数据融合的食品包装微塑料毒性评估方法及系统。

背景技术:

1、随着塑料制品在食品包装领域的广泛应用,微塑料(尺寸小于5mm的塑料颗粒)和纳米塑料(尺寸小于1μm的塑料颗粒)从食品接触材料中向食品迁移的问题日益受到关注。现有研究表明,微塑料进入人体后可能引起细胞毒性、氧化应激、炎症反应等多种不良生物学效应。

2、目前,现有的食品包装微塑料的毒性评估通常采用动物实验方式进行,传统评估方法在实验过程中一般将复杂的微塑料颗粒简化为标准球体进行毒理学测试,并采用剂量-效应模型测试其在特定场景(如某一温度区间、特定接触程度)下的毒性。然而,由于微塑料颗粒具有高度的异质性,一方面,其粒径、形状、表面电荷、老化程度、聚合物类型等物理化学特性在个体间差异显著,另一方面微塑料的毒性效应并非由单一特征驱动,而是粒径、形状、表面化学、环境条件等多因素非线性交互作用的结果。传统试图将复杂颗粒简化为标准球体进行毒理学测试的评估方法往往导致评估结果脱离实际暴露场景,传统剂量-效应模型也难以捕捉微塑料颗粒的复杂特性与毒性效应之间的高维复杂性,更无法实现针对不同使用条件给出差异化的风险评估方案。

3、因此,亟需一种能够系统性地处理微塑料复杂特性、融合多维度数据并实现场景化动态评估的毒性评估方案。为此,提出一种基于多数据融合的食品包装微塑料毒性评估方法及系统。

技术实现思路

1、本发明针对现有技术中微塑料毒性评估无法有效处理颗粒复杂特性、缺乏多模态数据融合机制、难以实现场景化动态评估的技术空白,提供一种基于多数据融合的食品包装微塑料毒性评估方法及系统。通过构建“多模态表征→数据融合编码→机器学习预测→动态场景评估”的完整评估技术链条,将微塑料的物理复杂性转化为可计算、可建模的高维数据,从而实现对食品包装迁移微塑料的精准、动态毒性评估,可以有效解决背景技术中的问题。

2、为实现上述目的,本发明采取的技术方案为:

3、第一方面,本发明提供一种基于多数据融合的食品包装微塑料毒性评估方法,包括以下步骤:

4、步骤s1:迁移实验

5、在预设使用场景下对食品包装进行迁移实验,获取含微塑料的迁移液。

6、具体地,选取目标食品包装材料(如聚丙烯pp餐盒、聚乙烯pe保鲜膜、聚对苯二甲酸乙二醇酯pet饮料瓶等),根据实际使用场景设定迁移条件。

7、进一步地,所述预设使用场景的参数包括:迁移温度(如室温25°c、热饮温度70°c、沸水温度100°c)、迁移时间(如短时接触15分钟、长期接触24小时)、食品模拟物类型(如水系模拟物、酸性模拟物4%乙酸、醇类模拟物50%乙醇、油脂模拟物如正己烷或橄榄油)以及接触面积与溶剂体积比。

8、迁移实验结束后,收集迁移液备用。所有操作在超净工作台中进行,实验器皿使用前经超纯水冲洗和400°c以上高温灼烧处理,以消除背景污染。

9、步骤s2:多模态表征与颗粒指纹生成

10、对所述迁移液进行多模态表征,获取单颗粒物理形态参数、化学组分数据和表面特性数据,对齐融合生成颗粒指纹。

11、该步骤具体包括以下子步骤:

12、s2-1:粒径分级富集

13、将迁移液依次通过不同孔径的滤膜进行分级过滤。首先通过10μm孔径滤膜截留微塑料,滤液再通过0.22μm或0.1μm纳米多孔膜富集纳米塑料(nps,<1μm)。

14、作为替代方案,也可采用非对称流场流分离(af4)技术进行连续粒径分级,以获得更精细的粒径分布。

15、s2-2:物理形态学表征

16、采用扫描电子显微镜或原子力显微镜获取富集后颗粒的高分辨率形貌图像。通过自动化图像分析算法,对图像中每个独立颗粒计算以下标准化形态参数:最大feret直径(表征颗粒最大尺寸)、圆度(,表征颗粒接近圆形的程度)、坚实度(solidity=面积/凸包面积,表征颗粒表面粗糙度)、伸长率(aspect ratio=长轴/短轴,表征颗粒各向异性)。同时计算衍生参数:等球直径和表面积与体积比(sa/v),后者与颗粒的生物反应活性密切相关。

17、s2-3:化学组分识别

18、采用显微傅里叶变换红外光谱或显微拉曼光谱对每个经形貌定位的颗粒进行扫描,通过特征吸收峰与标准谱库比对,确定其聚合物材质类型(如pe、pp、ps、pet、pa等)。

19、s2-4:表面特性分析

20、采用x射线光电子能谱(xps)分析颗粒表面元素组成,重点获取碳元素化学状态的高分辨谱图,通过c1s峰的分峰拟合计算含氧官能团的相对比例。该比例可作为颗粒表面氧化程度和老化程度的量化指标,反映其表面反应活性。

21、s2-5:多模态数据对齐融合

22、将物理形态参数(6-8个维度)、化学组分数据(聚合物类型编码及光谱主成分)、表面特性数据(含氧官能团比例)融合为一条完整的“颗粒指纹”记录。每条记录对应迁移液中的一个独立颗粒。

23、s3:特征向量编码

24、采集对应场景的物理化学参数,将所述颗粒指纹与所述参数编码为输入特征向量。

25、具体地,将步骤s2中得到的颗粒指纹数据与使用场景参数进行融合编码。

26、进一步地,所述场景物理化学参数至少包括:迁移温度(数值型)、体系ph值(数值型)、油脂接触量(以模拟物中脂肪含量百分比计)和接触时间(数值型)。

27、编码方式为级联拼接:将标准化后的形态参数、经主成分分析(pca)降维后的光谱特征主成分、表面元素比例以及场景参数直接拼接为一个固定长度的高维特征向量。

28、在一个优选实施方案中,该特征向量维度为29维,其中形态参数6维、光谱主成分20维、表面元素比例3维、场景参数作为软编码附加输入。

29、s4:机器学习预测

30、将所述特征向量输入经多层级毒性数据库训练完成的机器学习模型,预测输出对应的至少一种毒性效应概率。

31、所述多层级毒性数据库通过以下方式构建:同步开展体外生物毒性实验,使用人肠道上皮细胞系(如单层培养模型或共培养模型)暴露于不同特征类型的微塑料样品,测定并记录以下毒性效应终点:

32、细胞活力(采用比色法测定);

33、氧化应激水平(采用荧光探针检测活性氧ros产生量);

34、炎症因子释放量(采用elisa法检测细胞因子浓度)。

35、所述机器学习模型优选为双路径集成模型:

36、第一路径采用随机森林(rf)算法,主要用于输出特征重要性排序,解释各输入特征对毒性预测的贡献权重;

37、第二路径采用xgboost算法,用于捕捉高维特征间的非线性交互作用以提升预测精度。两条路径的预测结果通过加权平均进行融合,输出最终的毒性效应概率。

38、在一个优选实施方案中,第二路径采用深度神经网络(dnn)算法。

39、训练过程中,将数据集划分为训练集(优选为70%)、验证集(优选为15%)和测试集(优选为15%)。采用shap值分析方法对模型预测进行可解释性验证,量化各特征对预测结果的边际贡献。

40、s5:动态风险评估

41、基于所述输出概率,生成针对所述使用场景的动态风险评估报告。

42、具体地,根据模型输出的各类毒性效应概率值,采用加权综合评价法计算综合风险指数(取值范围0-1)。

43、风险等级划分标准为:0-0.3为低风险;0.3-0.6为中风险;0.6-1.0为高风险。评估报告以可视化图表呈现单颗粒指纹图谱、毒性贡献因子权重分配以及综合风险等级结论。

44、作为本发明方法的延伸,还包括模型迭代更新步骤:将经实际生物验证的新场景数据反馈至训练集,对机器学习模型进行增量学习,实现评估系统对新场景的持续适应和精度提升。

45、第二方面,本发明还提供一种基于多数据融合的食品包装微塑料毒性评估系统,采用上述方法,包括以下功能模块:

46、迁移实验模块,用于执行预设场景下的食品包装迁移实验。该模块包括温控单元(精度±0.5°c)、搅拌单元(可调转速50-500rpm)和样品架,支持同时处理多个迁移实验条件。

47、多模态表征模块,用于对迁移液中的微塑料进行物理形态、化学组分和表面特性的一体化表征与数据对齐。该模块包括显微红外光谱仪或显微拉曼光谱仪,用于获取化学组分数据,扫描电子显微镜或原子力显微镜用于获取形貌数据,以及x射线光电子能谱仪用于获取表面元素组成。模块内置坐标匹配单元,实现同一颗粒在不同表征设备间的数据关联。

48、特征融合编码模块,用于将颗粒指纹与环境参数融合编码为特征向量。该模块包括场景参数编码子模块,用于将温度、ph值、油脂接触量编码为所述特征向量的组成部分。

49、预测评估模块,内置所述机器学习模型,用于接收特征融合编码模块输出的特征向量,预测输出毒性效应概率及综合风险评估报告。该模块基于python或matlab平台开发,集成随机森林和xgboost算法库。

50、可视化交互模块,用于展示单颗粒指纹图谱(包括形貌图像、红外/拉曼光谱图、表面元素谱图)及对应毒性贡献因子权重,支持用户对特定颗粒进行追溯查询。

51、数据库更新模块,用于将新产生的实验验证数据反馈至训练集,对所述机器学习模型进行增量学习,实现系统的自我优化。

52、有益效果

53、与现有技术相比,本发明具有如下有益效果:

54、本发明不试图将复杂微塑料简化为标准球体,而是通过多模态表征获取颗粒的完整物理化学指纹,将非标准化颗粒转化为高维可计算数据,从根本上解决了微塑料异质性导致的评估困难。

55、本发明通过坐标匹配算法确保同一颗粒的形貌、光谱、表面特性数据准确关联,克服了传统技术各维度数据孤立、无法形成完整颗粒画像的缺陷。

56、本发明采用机器学习集成模型替代传统线性剂量-效应方程,能够自动学习粒径、形状、表面化学、环境条件等多因素间的复杂交互作用,预测精度显著高于现有方法。

57、本发明通过将温度、ph值、油脂接触量等使用条件编码为输入特征,使评估系统能够针对微波加热高油脂食物等具体场景给出差异化风险结论,而非笼统的定性判断。

58、本发明设置数据库更新模块和增量学习机制使评估系统能够随新数据的积累持续进化,解决了传统评估方法一旦建立便难以更新的问题。

59、本发明通过shap值分析和特征重要性排序,将机器学习黑箱转化为可追溯、可验证的决策过程,满足食品安全监管领域对可解释性的刚性需求。