通过与机器学习分析相结合的等离子TLC-SERS检测食用油中的Pyrene

科学领域:

• 分析化学
• 食品安全问题
• 光谱学

背景情况:

• 食用油中的多环芳 (PAH) 对健康构成重大风险,包括潜在的致癌性.
• 准确和快速检测PAH对于确保食品质量和消费者安全至关重要.
• 现有的检测方法可能缺乏常规分析所需的速度,灵敏度或定量准确性.

研究的目的:

• 开发一种快速和定量方法来检测食用油中的多环芳.
• 将薄层染色学增强的拉曼光谱 (TLC-SERS) 与机器学习相结合,以提高分析性能.
• 验证一种新藻/Ag基质对于敏感的PAH检测的有效性.

主要方法:

• 用于薄层染色体表面增强拉曼光谱 (TLC-SERS) 的二氧化/Ag纳米颗粒基底的开发.
• 应用TLC-SERS方法在油样本中分离和检测PAH.
• 整合原则组件分析-反向传播神经网络 (PCA-BP) 机器学习用于定量分析.

主要成果:

• 藻/Ag TLC-SERS基材表现出优异的分离能力和高的SERS性能.
• 开发的方法成功地检测出食用油中的PAH,灵敏度低至0.1ppm.
• 对于量化PAH分析,PCA-BP模型显示出出色的预测准确性.

结论:

• 通过结合TLC-SERS技术和PCA-BP机器学习,可以有效准确地检测食用油中的PAH.
• 这种综合方法显著提高了监测和改善食品质量的能力.
• 这项研究为确保食用油对PAH污染的安全提供了有价值的工具.