使用NIR光谱和光谱数据传输来快速量化食品补充剂成分的新方法

科学领域:

• 分析化学 分析化学
• 频谱学是一种光谱学.
• 化学测量 化学测量 化学测量

背景情况:

• 全球对食品补充剂的需求不断增长,需要有效的分析方法.
• 传统的近红外 (NIR) 光谱与部分最小方形 (PLS) 需要广泛的校准集,限制其实用性.
• 准确的混合物分析对于食品补充剂行业的质量控制至关重要.

研究的目的:

• 引入和评估光谱数据传输 (SDT) 方法,以加强食品补充剂混合物的NIR光谱分析.
• 为了减少准确定量分析所需的校准样本数量.
• 为了提高复杂混合物的化学测量模型的预测准确度.

主要方法:

• 开发和应用频谱数据传输 (SDT) 方法.
• 使用近红外 (NIR) 光谱学进行光谱采集.
• 使用部分最小平方 (PLS) 回归模型.
• 使用高性能液态染色学 (HPLC) 作为参考方法进行验证.

主要成果:

• SDT方法显著提高了PLS模型对所有四个组成部分 (Melissa officinalis,Hypericum perforatum,Passiflora incarnata,L-三) 的预测准确度.
• 在SDT实施后,根平均平方预测误差 (RMSEP) 值大幅降低 (例如,Passiflora incarnata从20.43降至2.46).
• 验证证实了SDT增强的NIR方法的准确性,稳定性和可重复性.

结论:

• 频谱数据传输 (SDT) 是一种有效的方法,用于增强NIR光谱在食品补充剂分析.
• SDT减少了校准样本的要求,使NIR分析更有效.
• 拟议的方法为食品行业的定量混合物分析提供了可靠和准确的方法.