使用激光诱导分解光谱学与机器学习相结合检测乳清蛋白缩物造
Meiling Zhu1, Weiran Song2,3,4, Xuan Tang5
1College of Computer Science and Engineering, Cangzhou Normal University, Cangzhou, China.
概括
本研究介绍了一种快速可靠的方法,使用激光诱导分解光谱 (LIBS) 和机器学习来检测乳清蛋白补充剂中的食品欺诈行为. 该技术准确地识别品牌,量化组件,检测杂质,为消费者和工业提供实用解决方案.
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:
- 乳清蛋白补充剂的食品欺诈是一个重要的市场和消费者担忧.
- 像HPLC这样的传统方法是有效的,但昂贵,耗时,需要专门的专业知识.
- 需要快速,可靠和易于使用的方法来验证乳清蛋白真实性.
研究的目的:
- 开发和验证一种快速可靠的方法来验证乳清蛋白补充剂的真实性.
- 为此目的,利用激光诱导分解光谱学 (LIBS) 与机器学习相结合.
- 为了识别乳清蛋白度 (WPC) 品牌,量化蛋白质和碳水化合物,区分 adulterants,并预测 adulteration 水平.
主要方法:
- 使用激光诱导分解光谱 (LIBS) 来对乳清蛋白样本进行元素分析.
- 使用机器学习算法,包括部分最小平方回归 (PLSR),部分最小平方差分分析 (PLS-DA) 和内核极端机器学习 (K-ELM).
- 关联LIBS光谱数据与分析剂度和改特征.
主要成果:
- 在识别15种乳清蛋白度 (WPC) 品牌方面取得了高精度 (超过0.977).
- 量化蛋白质和碳水化合物度具有高的确定系数 (R2>0.984和R2>0.978,分别).
- 区分了三种类型的伪造剂,准确度超过0.986和预测的伪造水平,R2值高于0.967.
结论:
- 激光诱导分解光谱 (LIBS) 与机器学习相结合,为检测乳清蛋白补充剂中的造提供了可行的和高效的解决方案.
- 这种综合方法为传统分析方法提供了一个快速,可靠和潜在的更容易获得的替代方案.
- 这项研究表明,在确保蛋白质补充剂的真实性和安全性方面,其具有广泛应用的潜力.
更多相关视频
13:00Low Molecular Weight Protein Enrichment on Mesoporous Silica Thin Films for Biomarker Discovery
Published on: April 17, 2012
13.4K
08:37Sampling Human Indigenous Saliva Peptidome Using a Lollipop-Like Ultrafiltration Probe: Simplify and Enhance Peptide Detection for Clinical Mass Spectrometry
Published on: August 7, 2012
11.4K
