基于E-eye,闪光GC电子鼻子和FT-NIR结合机器学习技术的Curcuma来源和质量的快速评估
Qiang Guo1, Ming-Xuan Li1, Rao Fu1
1College of Pharmacy, Nanjing University of Chinese Medicine, Nanjing 210023, China.
Food chemistry
|April 6, 2025
概括
这项研究使用FT-NIR光谱和机器学习来准确识别黄的来源并量化其成分. 这种方法提供了一种可靠的方法来评估黄素的质量,并防止改.
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:
- 黄 (黄) 容易被改和错误标记原产地.
- 准确识别黄的来源和质量对于消费者安全和行业完整性至关重要.
研究的目的:
- 开发和验证一种快速的方法来识别黄原产地.
- 用先进的分析技术量化预测黄成分.
- 评估不同光谱方法与化学测量结合的有效性.
主要方法:
- 使用了E-eye,Flash GC电子鼻子 (e-nose) 和富里埃变换近红外 (FT-NIR) 光谱.
- 应用机器学习 (ML) 和多变量算法,包括支持向量机 (SVM) 和部分最小平方回归 (PLSR).
- 使用标准正常变量 (SNV) 处理的FT-NIR光谱进行了增强分析.
主要成果:
- 在原产地分类中,E-eye表现不佳.
- 闪光GC电子鼻子识别了风味标记物,但缺乏精确的量化.
- 与SNV和ML模型相结合的FT-NIR实现了原产地分类100%的准确性.
- 对于黄素等黄素成分,PLSR模型显示出出色的线性和预测准确性 (平均R2>0.99).
结论:
- 与多变量算法相结合的FT-NIR光谱是一种有效和可行的方法,用于快速识别黄原产地.
- 这种方法可以进行准确的质量评估,并有助于打击黄造假.
- 该研究强调了FT-NIR在食品和补充剂行业的常规分析中的潜力.
