Аннотация на русском языке: Быстрая оценка свежести пищевых продуктов требует интерпретации многомерных сигналов, формируемых электрохимическими, оптическими и газочувствительными биосенсорными системами. Отдельный канал измерения часто характеризуется перекрестной чувствительностью, дрейфом, шумом и зависимостью от температуры, влажности и состава пищевой матрицы. В статье исследованы методы машинного обучения для преобразования таких сигналов в количественные показатели и классы свежести. Рассмотрены этапы формирования набора данных, предварительной обработки, извлечения признаков, уменьшения размерности, выбора модели и независимой валидации. Сопоставлены линейные методы, метод опорных векторов, деревья решений, случайный лес, градиентный бустинг, искусственные нейронные сети и глубокие сверточные модели. Предложена архитектура аналитического контура, объединяющая биосенсорный массив, референтные показатели качества, контроль метаданных, алгоритм прогнозирования и модуль объяснения результата. Особое внимание уделено предотвращению утечки данных, разделению образцов по партиям, оценке дисбаланса классов, переносу модели между устройствами и обнаружению дрейфа. Обосновано, что точность на случайно разделенной выборке недостаточна для практического применения. Надежность модели должна подтверждаться на независимых партиях, разных сроках хранения и нескольких типах продукции. Результаты исследования формируют методическую основу для разработки интеллектуальных систем оценки свежести, в которых биосенсор обеспечивает измерение, а машинное обучение выполняет контролируемую интерпретацию многомерного сигнала.

The summary in English: Rapid assessment of food freshness requires the interpretation of multidimensional signals generated by electrochemical, optical, and gas-sensitive biosensor systems. An individual sensing channel often exhibits cross-sensitivity, drift, noise, and dependence on temperature, humidity, and food-matrix composition. This article examines machine-learning methods that convert such signals into quantitative indicators and freshness classes. The analysis covers dataset construction, preprocessing, feature extraction, dimensionality reduction, model selection, and independent validation. Linear methods, support vector machines, decision trees, random forests, gradient boosting, artificial neural networks, and deep convolutional models are compared. An analytical architecture is proposed that links a biosensor array with reference quality indicators, metadata control, a prediction algorithm, and an explanation module. Particular attention is given to data leakage, batch-wise data splitting, class imbalance, transfer between devices, and drift detection. Accuracy from a randomly divided dataset is shown to be insufficient for practical use. Model reliability must be demonstrated on independent production batches, storage periods, devices, and product types. The study provides a methodological basis for intelligent freshness-assessment systems in which the biosensor performs measurement and machine learning provides controlled interpretation of the multidimensional response.

Ключевые слова: биосенсорный сигнал, машинное обучение, свежесть пищевых продуктов, электронный нос, колориметрический сенсор, обработка сигналов, классификация, регрессия, валидация модели, дрейф сенсора.
Key words: Biosensor Signal, Machine Learning, Food Freshness, Electronic Nose, Colorimetric Sensor, Signal Processing, Classification, Regression, Model Validation, Sensor Drift.