共价修饰的高纯度碳纳米点用于提高砷的检测灵敏度

《Talanta》：Covalently Modified High Purity Carbon Nanodots for Enhanced Detection of Arsenic

油品掺假对花生油和向日葵油介电、物理及化学性质的影响分析。采用微波分析、化学参数及脂肪酸组成评估掺假效应，发现人工神经网络（ANN）预测介电常数准确度（R2=0.94-0.96）显著优于多元线性回归（MLR），并通过SHAP分析揭示折射率（RF）和皂化值（SAP）为关键预测因子。

　　在现代社会中，食用油作为日常饮食的重要组成部分，其质量和安全性直接影响着人们的健康状况。然而，由于经济利益的驱动，一些不法商家和生产商常常在高品质食用油中掺杂低成本的油品，例如棕榈油。这种行为不仅影响了油品的整体品质，还可能带来潜在的健康风险。因此，如何准确检测这些掺假行为，成为食品科学和食品安全领域的重要课题。本研究通过分析花生油和葵花籽油在掺入棕榈油后的变化，探讨了其在电学、物理和化学特性方面的差异，并结合统计模型和机器学习方法，为食用油的检测和质量评估提供了新的思路。

花生油和葵花籽油因其富含必需脂肪酸，如油酸（单不饱和脂肪）和亚油酸（多不饱和脂肪），在日常烹饪中受到广泛欢迎。这些脂肪酸对于维持健康的脂肪代谢至关重要，而它们的摄入平衡则有助于预防高血压、高血脂等疾病。相比之下，棕榈油含有较高的饱和脂肪，包括月桂酸（C12:0）、肉豆蔻酸（C14:0）和棕榈酸（C16:0）。这些脂肪酸的特性使得棕榈油在某些情况下成为一种常见的掺假油品，因为它可以降低成本，同时掩盖原油的品质特征。然而，这种掺假行为可能会导致原油中必需脂肪酸的含量下降，从而影响其营养价值，并对消费者的健康产生不利影响。

为了评估这种掺假行为对油品特性的影响，本研究采用了一种多维度的分析方法，包括电学、物理和化学特性的检测。其中，电学特性通过微波分析进行评估，结果显示，随着棕榈油的掺入，花生油和葵花籽油的介电常数和损耗均有所降低。这表明，掺假行为可能影响了油品的分子极化能力和偶极取向，从而改变了其电学特性。此外，化学参数和脂肪酸组成的变化也进一步验证了掺假的影响，同时揭示了其对健康可能带来的风险。例如，棕榈油中较高的饱和脂肪含量可能会导致油品在摄入后对血脂水平产生不利影响，进而增加心血管疾病的风险。

为了提高检测的准确性和可靠性，本研究引入了多种化学计量方法，包括层次聚类分析（HCA）、主成分分析（PCA）、多元线性回归（MLR）和人工神经网络（ANN）。这些方法不仅能够帮助识别掺假油品，还能用于预测和评估油品的电学特性。在这些方法中，ANN和MLR被用于预测介电常数，结果表明，ANN在预测能力上明显优于MLR。对于花生油，ANN的预测准确度达到了R2值为0.94，而葵花籽油的R2值为0.96。这一结果证明了ANN在评估油品质量方面的优越性，特别是在处理非线性关系和复杂数据时，其表现更为出色。为了进一步理解ANN模型为何能够实现更高的预测精度，研究还采用了SHAP分析，以确定哪些特征对介电常数的预测最为关键。

SHAP分析的结果表明，在花生油中，折射率（RF）对介电常数的预测具有最大影响；而在葵花籽油中，皂化值（SAP）则成为最重要的预测因子。这两个参数在掺假过程中表现出显著的变化，从而为ANN模型提供了关键的输入信息。这说明，通过分析这些关键参数的变化，可以更有效地识别油品是否受到掺假影响。此外，这些参数的变化也反映了油品在分子结构和化学组成上的变化，进一步支持了ANN在评估油品质量方面的应用价值。

在传统的检测方法中，密度、折射率、碘值和皂化值等参数被广泛用于判断油品的纯度。然而，这些方法在面对复杂的掺假情况时，往往存在一定的局限性。相比之下，微波分析提供了一种更为直接和有效的检测手段，因为它能够捕捉油品在分子极化和偶极取向方面的变化。这使得微波分析在评估油品纯度和检测掺假方面具有更高的灵敏度和准确性。此外，研究还指出，与其他检测方法相比，微波分析在处理不同频率下的油品特性时，能够提供更全面的信息，从而有助于更精准地判断油品的品质。

尽管已有许多研究关注食用油的检测，但大多数研究仍然将电学、物理和化学特性分别进行分析，或主要依赖于光谱和色谱技术。相比之下，本研究首次将电学特性与传统物理和化学参数相结合，并引入了统计建模和机器学习方法，以构建一个更加综合的检测框架。这种集成方法不仅能够同时捕捉线性和非线性关系，还能提高预测性能，为食用油的检测和质量评估提供更加全面的解决方案。通过这种方式，研究不仅能够识别油品是否受到掺假影响，还能评估其整体质量，从而为食品行业提供更加可靠的检测手段。

在实验过程中，研究者首先从印度马哈拉施特拉邦的比德和阿赫迈达巴德地区采集了纯花生油和纯葵花籽油。这些油品通过传统的木制榨油机进行提取，以确保其原始品质。随后，研究者从市场购买了棕榈油作为掺假剂，并将纯油与不同浓度的棕榈油进行混合，以制备掺假样本。所有样本均被分别储存在玻璃容器中，并在避光和常温条件下保存，以防止油品在储存过程中发生降解或污染。通过这种方式，研究者能够确保实验数据的准确性和可靠性。

在数据分析方面，研究者采用了多种统计和机器学习方法，以评估掺假对油品特性的影响。其中，HCA用于识别不同掺假浓度之间的相似性，而PCA则用于可视化多变量数据，帮助研究者更好地理解油品特性的变化。MLR和ANN被用于预测介电常数，结果表明，ANN在预测精度上明显优于MLR。这一发现不仅验证了ANN在处理非线性数据时的优势，还表明其在评估油品质量方面的应用潜力。此外，研究者还发现，通过SHAP分析，可以确定哪些参数对介电常数的预测最为关键，从而为优化检测模型提供了理论依据。

本研究的成果不仅有助于开发更可靠的检测方法，还为食品行业的质量控制和消费者安全提供了新的思路。通过将电学特性与传统物理和化学参数相结合，并引入先进的统计和机器学习方法，研究者能够更全面地评估油品的品质，从而为防止掺假行为提供科学依据。此外，研究结果还表明，通过分析关键参数的变化，可以更有效地识别掺假油品，为食品安全监管提供技术支持。

总的来说，本研究通过多维度的分析方法，揭示了棕榈油掺假对花生油和葵花籽油在电学、物理和化学特性上的影响，并结合统计建模和机器学习技术，为食用油的检测和质量评估提供了新的解决方案。这一研究不仅有助于提高食品行业的质量控制水平，还为消费者提供了更安全的食品选择。通过进一步推广和应用这些方法，有望在未来的食品安全监管中发挥更大的作用，从而保障公众健康。