通过将便携式拉曼光谱与机器学习相结合,快速验证基于植物的替代牛奶
Hieu M Le1, Tianqi Li1, Jimena G Villareal1,2
1Department of Chemistry, Carleton University, 1125 Colonel By Drive, Ottawa, Ontario, K1S 5B6 Canada.
Journal of AOAC International
|March 12, 2025
概括
一种新方法使用便携式拉曼光谱和机器学习快速验证植物性牛奶替代品 (PBMA). 这项技术可以在几分钟内识别未加工和加工的PBMA的植物来源,确保产品的真实性.
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:
- 基于植物的替代牛奶 (PBMA) 正在因乳糖不耐症和环境问题增加而越来越受欢迎.
- 目前,用于验证PBMA的生物来源的快速认证方法有限.
研究的目的:
- 开发一种快速的现场分析方法,用于从六种不同的植物物种中验证和识别PBMA.
- 为此目的,使用便携式拉曼光谱仪与机器学习算法相结合.
主要方法:
- 在实验室环境中制备的未经加工 (混合原料) 和加工 (过,消毒) 的PBMA.
- 在没有样本准备的情况下收集了拉曼光谱.
- 测试并比较了三个机器学习算法:k-最近邻居 (KNN),支持矢量机 (SVM) 和随机森林 (RF).
主要成果:
- 随机森林 (RF) 算法在识别未经加工的PBMA的植物来源方面表现最高,准确度超过95%.
- 在将未经加工和已加工样本的光谱结合起来时,RF模型还在识别加工PBMA的物种方面取得了高准确性 (超过94%).
- 便携式拉曼光谱仪有效捕获化学指纹用于植物物种识别.
结论:
- 开发的拉曼光谱方法与机器学习相结合,为PBMA认证提供了一个快速 (在5分钟内) 和可靠的工具.
- 这种非破坏性技术可以确保各种PBMA的生物来源的真实性.
- 该方法为检查实验室提供了一种有价值的选工具,用于验证PBMA真实性.
更多相关视频
08:43PTR-ToF-MS Coupled with an Automated Sampling System and Tailored Data Analysis for Food Studies: Bioprocess Monitoring, Screening and Nose-space Analysis
Published on: May 11, 2017
12.3K
11:14Rapid High-throughput Species Identification of Botanical Material Using Direct Analysis in Real Time High Resolution Mass Spectrometry
Published on: October 2, 2016
11.5K
