客观化妆凝胶评估：基于时间序列摩擦分析的深度学习方法

传统上，化妆品凝胶及一般外用产品的评价依赖于主观的感官小组。然而，人类感知的固有差异性，例如年龄、种族和个体感官差异等因素的影响，给这种方法带来了局限性。本研究提出了一种利用深度学习客观分析和分类化妆品凝胶物理特性新方法。

该方法的核心在于获取通过受控摩擦化妆品凝胶获得的时间序列摩擦数据。这些反映材料粘弹性特性的原始数据，使用两种不同的技术进行预处理：短时傅里叶变换 (STFT) 和连续小波变换 (CWT)。这些变换提取相关的频率成分，揭示了摩擦信号随时间的动态变化。

处理后的数据随后作为深度学习模型的输入。具体来说，采用了基于 ResNet 的卷积神经网络 (CNN) 架构。网络的性能使用学习率调度器进行了优化，这是一种旨在提高收敛性和泛化能力的技术。使用一维和二维 CNN 模型进行了比较分析，STFT 处理后的数据输入到两种类型的网络中，CWT 数据用于二维 CNN。结果表明，基于 STFT 处理数据的二维 CNN 模型具有优越的性能。

此外，通过 k 折交叉验证验证了优化的基于 STFT 的二维 CNN 模型的稳健性和可靠性。这项严格的测试证实了该模型在各种数据子集上的稳定性能。研究结果表明，这是一种很有前景的传统感官小组评价替代方法，为评估化妆品凝胶的用户体验提供了一种更客观、更可重复的方法。

这种深度学习方法代表了化妆品产品评价的重大进步，为更标准化和科学严谨的质地和触感评估铺平了道路。这种方法的客观性消除了主观偏差，从而为化妆品行业的质量控制和产品开发带来了更可靠和可重复的结果。

Read the English version (阅读英文版)

免责声明：本文内容来自互联网公开信息，请仔细甄别，如有侵权请联系我们删除。