在仙人掌种子油中检测伪造物:整合分析化学和机器学习方法

科学领域:

• 食品化学 食品化学
• 分析化学 分析化学
• 计算化学计算化学

背景情况:

• 经济动机的伪造高价值油,如仙人掌种子油 (CO),对消费者和市场完整性构成风险.
• 检测伪造往往需要对众多混合物的广泛分析,这是资源密集的.

研究的目的:

• 开发和验证一种机器学习模型,用于检测二氧化碳与精制的向日油 (SO) 的造.
• 建立一种可靠的方法来确定伪造的最低可检测极限.
• 利用数据模拟技术来增强模型培训,减少需要广泛的现实世界样本准备的需要.

主要方法:

• 使用HPLC或GC分析纯CO和SO的脂肪酸,三糖醇和托可克罗曼醇含量.
• 使用蒙特卡洛 (MC) 方法模拟石油组成,其性能优于条件表式生成对抗网络 (CTGAN).
• 在模拟和现实数据集上对随机森林 (RF) 和神经网络 (NN) 分类模型进行培训和测试.

主要成果:

• MC模拟提供了现实的油成分,使强大的模型训练成为可能.
• 射频模型在模拟数据上达到94%的准确性,在真实世界样本上达到90%.
• 开发的方法成功检测出低至1%的伪造水平.

结论:

• 结合MC模拟和RF分类,提供了一种强大而有效的方法来检测二氧化碳改.
• 与NN相比,RF模型是首选的,因为它具有更高的准确性,可解释性和较低的计算需求.
• 基于Python的开源框架允许通过新数据进行持续的调整和改进.