1.研究背景
固体冲泡饮料以其便捷的食用方式与独特的风味口感广受青睐，其风味品质由烘焙粉体的固有化学成分与冲泡液体的感官口感共同决定，这对风味分析技术提出了固相分子结构表征与液相物理化学感知的双维检测需求。然而，传统色谱-质谱联用及单一光谱技术仅能获取固体样品的分子结构信息，难以捕捉与味觉感知密切相关的液相流体动力学行为与界面物理化学特征，从根本上限制了细微风味差异的识别精度。因此，如何在无需复杂样品前处理的条件下，同步实现固相分子指纹与液相界面特征的协同表征，已成为固体冲泡饮料风味检测技术发展的关键瓶颈。
2.文章概述
近日，河北大学马刚教授团队与鲁东大学董君团队合作，提出了一种摩擦电-红外双维光谱融合策略，构建了面向咖啡风味高精度识别的固液协同双模态智能传感平台。该平台中，傅里叶变换红外（FTIR）光谱可识别咖啡粉体的特征官能团与内源风味前体，揭示风味物质的分子本质；基于液滴纳米发电机的摩擦电谱则对咖啡冲泡液的流体动力学行为与界面性质具有高灵敏度，精准表征与冲泡口感密切相关的液相特征。结合自研的注意力机制多模态融合网络（AMFNet），系统在5种市售咖啡的风味识别任务中实现了99.80%的超高准确率。该成果以“Triboelectric-infrared dual-dimensional spectral fusion for accurate flavor identification”为题发表在Chemical Engineering Journal期刊上，https://doi.org/10.1016/j.cej.2026.181506。该工作由河北大学化学与材料科学学院、河北大学数学与信息科学学院、鲁东大学集成电路学院合作完成。
3.文章亮点：
1.首次提出摩擦电谱与FTIR光谱融合的固液协同双维风味分析新策略。
2.突破传统风味检测依赖单一固相组分的维度瓶颈，实现固相分子指纹与液相界面特征的协同表征。
3.构建注意力机制多模态融合网络（AMFNet），实现5种市售咖啡风味99.80%精准识别。
4.免预处理、低成本、便携化，为固体冲泡饮料智能风味质控与现场监测提供新路径。
4.图文导读：
图1. 液滴纳米发电机（DNG）的工作机制与性能优化。（A）DNG器件结构。（B）摩擦电层与电极分解图。（C）DNG工作循环示意图。（D）DNG采集的摩擦电谱。（E–H）液滴下落高度对DNG输出性能的影响。（I–L）装置倾角对DNG输出性能的影响。（M–P）流速对DNG输出性能的影响。
如图1所示，DNG由FEP摩擦层、铜质顶/底电极及PTFE基底构成，结构极为简单。其工作循环分为预充电与稳定输出两个阶段：稳定输出阶段中，液滴落至带负电的FEP表面后，界面形成双电层（EDL）；液滴铺展并接触顶电极时产生正电流峰，收缩时双电层破坏产生负电流峰，随后液滴脱离滑动，完成一个周期。每个液滴撞击均产生一个独立的摩擦电谱信号，便于大规模数据采集。作者系统考察了液滴下落高度、装置倾角与流速对输出性能的影响，确定了10 cm下落高度、40°倾角与10 mL/min流速的最优参数组合，并验证了50倍稀释咖啡液可获稳定且最大化的传感信号，为后续风味识别提供了稳定、可重复的摩擦电谱。
图2. 咖啡风味1–5的DNG摩擦电谱分析。（A）原始摩擦电谱及完整DNG实验装置照片对比。（B）平均摩擦电谱对比。（C）原始摩擦电谱经LDA降维后的t-SNE聚类分析。（D）原始摩擦电谱六项关键参数分析。
如图2所示，作者选取分别来自巴西、哥伦比亚、卢旺达、肯尼亚与印度尼西亚的5种市售咖啡（涵盖不同品种、处理工艺与烘焙度）开展研究。DNG测得的不同咖啡摩擦电谱整体形态相似，均呈现窄而尖锐的正电流峰与宽而平缓的负电流峰；但平均谱图对比显示5种咖啡间存在细微而稳定的差异。进一步经LDA降维后的t-SNE聚类可将5种咖啡清晰分为5簇，六项关键参数（正/负峰幅度、正/负峰宽度、峰间距及正负幅度比）也随咖啡风味呈现规律性变化，验证了液相流体动力学与界面性质差异可有效编码于摩擦电谱之中。
图3. 咖啡风味1–5的FTIR光谱分析。（A）五种咖啡的原始FTIR光谱对比。（B）完整ATR-FTIR实验装置照片。（C）原始光谱经LDA降维后的t-SNE聚类分析。（D）平均FTIR光谱对比。
如图3所示，ATR-FTIR技术无需样品预处理即可快速获取咖啡粉的分子指纹光谱。由于咖啡化学组成复杂，五种咖啡的主吸收峰位置无明显差异，但平均光谱与相对吸光度分析表明，碳水化合物、美拉德反应产物、绿原酸与多酚、芳香环以及蛋白质等特征官能团的相对强度随咖啡风味呈现显著变化，直接反映了不同品种、产地与烘焙方式造成的化学组成差异，为固相分子层面的风味本质刻画提供了依据。
图4. 基于ResNet-18的单模态咖啡风味识别。（A）ResNet-18网络框架。（B）DNG泛化数据集混淆矩阵。（C）DNG泛化数据集ROC曲线。（D）FTIR数据集混淆矩阵。（E）FTIR数据集ROC曲线。
如图4所示，作者采用经典ResNet-18网络分别对摩擦电谱与FTIR光谱进行独立建模：DNG摩擦电谱在外部独立泛化数据集上取得97.27%的准确率（AUC=0.9966），但DNG信号主要受液体宏观物性（如黏度、pH）调控，对物性相近的风味类别存在混淆；FTIR光谱准确率为89.92%（AUC=0.9921），受咖啡复杂基体宽谱峰重叠的干扰，存在较广的跨类误判。两模态的互补性约束表明，单一模态难以满足商业生产对高精度风味质控的严格要求，亟需多模态融合。
图5. 基于AMFNet的双模态咖啡风味识别。（A）AMFNet网络框架。（B）融合数据集混淆矩阵。（C）融合数据集ROC曲线。
如图5所示，作者自研了注意力多模态融合网络（AMFNet）：通过双分支残差编码模块分别提取摩擦电谱与FTIR光谱的深层特征，并创新引入多头自注意力（MHSA）机制自适应计算各特征维度的权重，实现选择性加权跨模态融合。融合模型在5种咖啡风味识别中取得99.80%的准确率（AUC=0.9983），各风味分类准确率均接近或达到100%。消融实验表明，去除MHSA与特征增强网络（FEN）后准确率分别降至98.62%与97.84%，验证了核心模块的有效性。此外，在15–35 ℃环境温度范围内分类准确率均超99%，并在红糖水、奶茶、红茶、乌龙茶、陈皮白茶等5种其他固体冲泡饮料上验证了平台的跨品类通用性。
5.结论
本研究针对传统单维风味检测方法无法协同表征固体冲泡饮料固相分子组分与液相口感相关物理化学特性的关键局限，将新兴液滴纳米发电机摩擦电谱与成熟FTIR光谱有机融合，并耦合自研AMFNet深度学习框架，构建了高精度咖啡风味识别的双模态智能平台。通过融合FTIR固相分子指纹与DNG液相界面特征两类天然互补信息，平台在5种细微差异市售咖啡风味识别中实现了99.80%的近完美准确率，显著优于单模态方法（DNG 97.27%、FTIR 89.92%）；消融实验与系统鲁棒性评估进一步验证了平台的可靠性与泛化性能。该工作首次将摩擦电谱与FTIR光谱融合感知技术用于固体冲泡饮料风味双维分析，突破了传统依赖组分检测方法的固有维度瓶颈，凭借免预处理、低成本与便携化优势，为咖啡及同类固体冲泡食品的现场风味监测与智能质控提供了可推广的技术路径。
本文共同第一作者为河北大学黄宇博和王雨桐，其他作者包括陈章艳、王闻博、郭子恒。通讯作者为河北大学马刚、河北大学刘晓晓、鲁东大学董君。河北大学化学与材料科学学院、河北大学数学与信息科学学院、鲁东大学集成电路学院为该论文的共同完成单位。该工作受到国家自然科学基金、河北省自然科学基金、山东省泰山学者人才工程项目、河北大学校长基金、以及国家级大学生创新创业训练计划等项目的资助。
6.通讯作者简介：
马刚：河北大学化学与材料科学学院教授，博士生导师。1996年至1999年在北京大学化学与分子工程学院攻读博士学位。2000年至2008年，在美国俄亥俄州立大学化学系先后任博士后和助理研究员。2008年至2010年在美国耶鲁大学化学系任副研究员。2010年来到河北大学工作。在美期间主要应用和频振动光谱技术研究生物膜结构、蛋白错误折叠以及与环境分子科学相关的界面过程。目前研究兴趣包括摩擦电传感、红外光谱-摩擦电双模态传感，以及淀粉样蛋白自组装与界面和频光谱。技术专长包括红外光谱、和频振动光谱、超快激光系统搭建。主持国家自然科学基金面上项目及省部级项目多项。作为第一完成人获2019年度河北省自然科学三等奖一项，获奖成果为《振动光谱在分子结构研究中的应用》。学术兼职包括中国光学学会光谱专业委员会委员、《河北大学学报（自然科学版）》英文编辑。
董君：山东省泰山学者青年专家，鲁东大学集成电路学院硕士生导师，山东省光电传感材料与器件微纳制造工程研究中心副主任，微纳机电芯片与智能系统团队学术带头人，中国微米纳米技术学会高级会员、IEEE会员。主要从事基于微纳力电转换技术的新概念微能源与传感MEMS芯片与智能系统研究工作，致力于首创的液固界面全电流纳米发电机开发及其在物理理论、器件架构、管理电路、AI算法以及自驱动片上集成系统技术方面的系统性研究。目前主持国家自然科学基金、山东省人才工程项目等课题多项，以第一/通讯作者在Device、Energy & Environmental Science、Nano Energy、Chemical Engineering Journal、ACS Appl. Mater. Interfaces等TOP期刊发表论文十余篇，授权发明专利3项，参编中英文专著各1章，多次受邀赴韩国、香港等地参加国际学术会议并作邀请报告，并担任Iontronics首届青年编委，Nano Energy、Energy、Nanoscale等SCI期刊审稿人。基于全新原理开发的直流液滴发电与传感的独创性成果引起国内外同行的广泛关注、图文引用、新闻报道和合作研究。
刘晓晓：河北大学数学与信息科学学院硕士生导师，利莫瑞克大学博士，师从深度学习专家Sean McGrath教授，主要研究机器学习、异常检测与人工智能辅助医疗。现任河北省机器学习学会秘书长、河北省工业与应用数学学会理事，并担任国际期刊审稿人。发表高水平论文10余篇，主持河北省自然科学基金、校长基金等省部级项目，并作为核心骨干参与中国麻醉医师协会青年学者研究基金、北京大学第三医院临床重点项目等多项国家级/省部级课题。
