综合表面增强的拉曼光谱和卷积神经网络,用于对周围骨上的农药残留物进行定量和定性分析
Xiaotong Wang1, Shen Jiang1, Zhehan Liu2
1State Key Laboratory of Frigid Zone Cardiovascular Diseases (SKLFZCD), College of Pharmacy, Harbin Medical University, Baojian Road No. 157, Harbin 150081, Heilongjiang, China.
Food chemistry
|December 27, 2023
概括
一个新的表面增强拉曼光谱 (SERS) 平台可以检测十种高度敏感的农药. 机器学习模型实现了100%的准确性来分类农药残留物,确保食品安全.
科学领域:
- 分析化学 分析化学
- 频谱学是一种光谱学.
- 食品科学 食品科学 食品科学
背景情况:
- 杀虫剂残留物是一个重大的全球公共卫生挑战.
- 现有的检测方法需要提高灵敏度和特异性.
- 快速和准确的检测对于食品安全和监管合规性至关重要.
研究的目的:
- 开发一种新的表面增强拉曼光谱 (SERS) 平台,用于检测多种农药残留物.
- 在定性和定量农药分析中实现高灵敏度和准确性.
- 整合机器学习以进行先进的分类和预测农药污染.
主要方法:
- 使用表面增强的拉曼光谱法 (SERS) 检测农药.
- 开发了一种高线性混合农药的定量分析方法 (R2 = 0.9999).
- 采用机器学习,特别是卷积神经网络 (CNN),用于农药的分类和预测.
主要成果:
- 成功检测了十种不同的农药类型, thiabendazole 的检测极限低至50 pM (10 ppt).
- 证明了对同时存在的农药进行定量分析的异常线性相关性.
- 通过使用CNN模型来识别围骨上的农药,实现了100%的分类准确率和99.62%的预测准确率.
结论:
- 开发的SERS平台提供了一种灵敏而准确的方法来检测和量化农药残留物.
- 机器学习的整合显著提高了现场杀虫剂识别和分类的能力.
- 这种创新方法提供了一个可行的方案,以加强食品安全和保护公共健康.
