相关实验视频
Updated: Feb 14, 2026

Enhanced Oil Recovery using a Combination of Biosurfactants
Published on: June 3, 2022
使用SICRIT-HRMS和机器学习方法检测卡梅利亚油中的多种植物油的伪造检测
Mei Wang1, Ting Liu1, Han Liao1
1Ganzhou General Inspection and Testing Institute, China National Quality and Inspection Center for Se-Rich and Camellia Oleifera Products (Jiangxi), Ganzhou 341000, China.
这项研究开发了一种快速方法,使用转移高分辨率质谱仪 (SICRIT-HRMS) 中的化学反应软电离和机器学习来检测和量化驼油 (CAO) 中的植物油改. 综合方法准确地识别和测量了多种油污染物,确保了食用油的真实性.
科学领域:
- 分析化学 分析化学
- 食品科学 食品科学 食品科学
- 频谱测量是一种光谱测量.
- 机器学习 机器学习
背景情况:
- 香油 (CAO) 与更便宜的植物油的改是对食品真实性的重大担忧.
- 准确和快速的检测方法对于确保食用油的质量和安全至关重要.
- 现有的方法可能缺乏对综合伪造分析所需的灵敏度或吞吐量.
研究的目的:
- 建立一种快速而精确的方法,用于识别和量化驼油 (CAO) 中多种植物油的改.
- 通过转移高分辨率质谱法 (SICRIT-HRMS) 通过化学反应评估软电离的有效性,并配合机器学习算法.
- 为开发非向的,高通量检测方法提供参考,以检测食用油的真实性.
主要方法:
- 使用SICRIT-HRMS来描述纯和造的CAO样本的挥发性概况.
- 采用各种机器学习算法 (CNN,RF,GBT,SVM,LR) 来进行定性检测和定量预测.
- 应用了尺寸缩小技术 (PCA,UMAP) 以及特征选择方法.
主要成果:
- SICRIT-HRMS有效地描述了挥发性配置文件,低m/z区域 (100-300) 对于分类很重要.
- 机器学习模型在定性检测方面实现了高准确度 (98.70-100.00%) 和多类分类中的强大性能 (RF: 96.25-99.45%).
- PCA-CNN模型证明了对改水平的最佳定量预测,显示了橄油 (OLO) 和向日油 (SUO) 的高确定系数和低错误率.
结论:
- SICRIT-HRMS和机器学习的结合提供了一个快速而准确的解决方案,用于识别和量化CAO中的多种植物油改.
- 这种方法提供了一个可靠的工具,以确保食用油的真实性和打击欺诈行为.
- 开发的方法作为未来高通量,非准食用油分析的宝贵参考.
更多相关视频
04:40Author Spotlight: Employing Green-Chemistry Principles for Safe and Sustainable Synthesis of Biodiesels
Published on: April 19, 2024
08:37Measurement of H2S in Crude Oil and Crude Oil Headspace Using Multidimensional Gas Chromatography, Deans Switching and Sulfur-selective Detection
Published on: December 10, 2015
相关概念视频
Design Example: Flow of Oil Through Circular Pipes
Multi-species Conserved Sequences
Although the genome of each species varies greatly from each other, a few sequences are highly conserved. Such conserved...
What is a Species?
High-Resolution Mass Spectrometry (HRMS)
Keystone Species
Formation of Species