快速代谢指纹与机器学习模型相遇,以识别精油与植物油的真实性和检测精油与植物油的改:Mentha和Ocimum研究

科学领域:

• 分析化学 分析化学
• 食品科学 食品科学 食品科学
• 频谱学是一种光谱学.

背景情况:

• 精油 (EOs) 越来越受欢迎,因为它们的抗菌特性和在食品保存中使用.
• 真实性的挑战,特别是使用更便宜的油的改,阻碍了EO在食品工业中的广泛应用.
• 需要可靠的方法来确保商用EO的质量和完整性.

研究的目的:

• 开发一种快速,低成本,非破坏性的方法来评估孟塔和Ocimum精油的真实性.
• 用先进的光谱和计算技术来识别精油中的改.
• 为精油市场提供可靠的质量控制解决方案.

主要方法:

• 福里埃变换近红外 (FT-NIR) 光谱法用于精油的代谢指纹.
• 机器学习算法与FT-NIR数据集成,用于快速分析.
• 该方法应用于四种mentha物种和三种ocimum物种,对用植物油造的市场样本进行了测试.

主要成果:

• 开发的FT-NIR光谱和机器学习方法在检测伪造方面表现出了卓越的性能.
• 像Q²和R²这样的定量参数超过了0.98,表明模型可靠性很高.
• 该系统的准确性,特异性和灵敏度均高于98%,证实了它的有效性.

结论:

• FT-NIR光谱与机器学习相结合,为验证精油真实性提供了高效的解决方案.
• 这种方法有效地解决了Mentha和Ocimum EO中伪造的关键问题.
• 这些发现支持在食品和精油行业采用这种质量保证技术.