利用基于金纳米颗粒基底的表面增强拉曼散射（SERS）技术结合化学计量学和深度学习方法，检测并分类绿茶中的微塑料

《Current Research in Food Science》：Detection and Classification of Microplastics in Green Tea Using SERS with Gold Nanoparticle Substrates integrating Chemometrics and Deep Learning

本研究采用表面增强拉曼散射（SERS）结合金纳米颗粒基底技术，检测并分类了四种绿茶粉（Matcha、Jasmine、Sencha、Ryokucha）中聚苯乙烯（PS）和聚对苯二甲酸乙二醇酯（PET）的微塑料污染。通过预处理（SNV、MSC、SG导数）优化光谱数据，对比PLS-DA、SVM和1D-CNN三种模型的分类性能。结果表明，PLS-DA模型在Matcha、Jasmine和Sencha样本中均实现100%准确率，显著优于SVM（83.89%-99.91%）和1D-CNN（93.52%-99.91%）。数据增强策略通过Dirichlet分布扩展了训练集，提高了模型泛化能力。实验证明SERS-PLS-DA体系对复杂基质中微塑料污染检测有效可靠，但Ryokucha样本因基质干扰未能检测到PS和PET信号。

　　绿色茶作为一种广受欢迎的饮品，其健康益处已得到广泛认可。然而，随着全球对绿色茶的需求增加，其在包装和加工过程中受到微塑料污染的风险也显著上升。微塑料，如聚苯乙烯（PS）和聚对苯二甲酸乙二醇酯（PET），不仅可能影响茶的质量，还可能对人类健康构成威胁。因此，开发一种高效、可靠且非破坏性的检测方法变得尤为重要。

本研究旨在探索一种结合表面增强拉曼散射（SERS）技术和金纳米粒子基底的检测方法，以识别和分类四种绿色茶粉样品（抹茶、茉莉花茶、煎茶和宇治抹茶）中PS和PET的微塑料污染。SERS技术因其在单分子检测中的高灵敏度和快速分析能力，已被广泛应用于化学分析、诊断、食品安全和环境监测等多个领域。然而，在复杂的食品基质中，SERS谱图的解读仍面临挑战，特别是由于绿色茶粉的异质性和高光散射特性，这可能导致背景干扰，从而影响微塑料的检测效果。

为了提高检测的准确性，研究团队采用两种化学计量学方法——偏最小二乘法判别分析（PLS-DA）和支持向量机（SVM），以及一种深度学习方法——一维卷积神经网络（1D-CNN）进行分类。通过优化数据预处理步骤，PLS-DA在所有绿色茶品种中实现了100%的分类准确率，仅在宇治抹茶中未能达到完美分类。SVM虽然表现出色，但其准确率略低于PLS-DA，分别为83.89%（抹茶）、100%（茉莉花茶）和93.24%（煎茶）。相比之下，1D-CNN模型在验证阶段的准确率略高于SVM，但仍未达到PLS-DA的水平。在未知样品的分类中，SERS-PLS-DA方法再次展现出最高的验证准确率，分别为100%（抹茶）、99.80%（茉莉花茶）和96.46%（煎茶），进一步证明了该技术在微塑料检测中的潜力。

### 微塑料的来源与危害

微塑料主要来源于塑料材料的分解，包括紫外线辐射、生物降解和机械磨损等环境过程。它们的尺寸通常在1微米到5毫米之间，而小于100纳米的微塑料则被称为纳米塑料。PS和PET是两种常见的微塑料，广泛用于消费品和食品包装材料中。由于其化学稳定性，PS在工业中广泛应用，而PET因其良好的透明度和机械强度被广泛用于饮料瓶和食品容器。这些微塑料在食品中的存在可能对健康造成影响，例如心血管疾病、神经系统毒性以及潜在的致癌风险。

在绿色茶的生产过程中，微塑料污染可能来源于多个环节，包括灌溉水、加工设备以及储存条件。研究指出，绿色茶粉的微塑料污染在滚动阶段最为严重，其中PS的污染量高达2266 ± 1206个/千克。此外，长期储存过程中，塑料包装材料可能会释放微塑料到茶中，特别是在高湿度或温度波动的情况下。因此，建立一种快速、非破坏性的检测方法对于保障绿色茶的质量和安全至关重要。

### SERS技术的优势

SERS技术通过利用金属纳米结构之间的电磁场增强效应，显著提高了拉曼信号的强度。这种增强效应使得SERS能够检测到单分子级别的目标化合物，从而在复杂的食品基质中实现高灵敏度和高选择性的检测。此外，SERS技术不需要复杂的样品预处理，且能够快速完成分析，这使其成为食品安全检测的有力工具。

然而，在复杂的食品基质中，仅凭视觉分析SERS谱图往往难以准确区分不同类型的微塑料。因此，化学计量学方法的引入显得尤为必要。PLS-DA和SVM作为两种常见的分类方法，分别用于线性和非线性数据的处理。PLS-DA通过选择最佳的潜在变量来提高分类性能，而SVM则通过寻找最优超平面来实现样本的分离。为了进一步提升检测效果，研究团队还采用了深度学习方法——1D-CNN，以提高模型的鲁棒性和泛化能力。

### 数据预处理与模型构建

为了提高SERS数据的可解释性，研究团队采用了一系列数据预处理方法，包括归一化、标准正态变量（SNV）变换、乘法散射校正（MSC）和Savitzky-Golay导数处理。这些方法有助于减少背景噪声和散射效应，从而提高信号的清晰度。通过这些预处理步骤，研究团队构建了三个分类模型：PLS-DA、SVM和1D-CNN，并对它们的性能进行了比较。

PLS-DA在所有三种绿色茶粉样品中均表现出色，准确率达到100%。SVM虽然在茉莉花茶和煎茶中表现出良好的性能，但在抹茶中的准确率较低，为83.89%。相比之下，1D-CNN在验证阶段的准确率略高于SVM，但在抹茶中仍低于PLS-DA的水平。此外，研究团队还采用了Dirichlet分布进行数据增强，以扩大训练数据集的多样性，提高模型的泛化能力。

### 结果与讨论

研究结果表明，SERS技术结合金纳米粒子基底能够有效检测绿色茶粉中的微塑料污染。在PS污染的情况下，抹茶、煎茶和茉莉花茶样品均显示出清晰的SERS特征峰，而宇治抹茶样品未能检测到PS信号，这可能是由于茶基质的干扰效应。同样，在PET污染的情况下，抹茶、煎茶和茉莉花茶样品的SERS谱图中均能观察到明显的特征峰，但宇治抹茶样品未能检测到PET信号，这可能是由于其化学成分与SERS基底之间的相互作用较弱。

此外，研究团队通过构建分类模型，对不同微塑料污染的绿色茶粉样品进行了验证。PLS-DA模型在所有三种样品中均表现出色，准确率达到100%。SVM模型在茉莉花茶和煎茶中表现良好，但在抹茶中准确率较低。相比之下，1D-CNN模型在验证阶段的准确率略高于SVM，但仍略逊于PLS-DA模型。这些结果表明，SERS结合PLS-DA模型在检测和分类微塑料污染方面具有更高的可靠性和准确性。

### 未来研究方向

尽管本研究在检测绿色茶粉中的微塑料污染方面取得了重要进展，但仍存在一些局限性。例如，宇治抹茶样品中未能检测到PS和PET信号，这可能与茶基质的化学成分有关。因此，未来的研究可以进一步探索其他类型的微塑料，并结合定量实验来评估不同微塑料浓度对检测结果的影响。此外，研究团队还计划采用更先进的分析技术，如高效液相色谱（HPLC）和气相色谱-质谱联用技术（GC-MS），以进一步验证微塑料的存在，并深入研究绿色茶中的关键化学成分对检测效果的影响。

同时，为了提高模型的泛化能力，研究团队还计划引入更复杂的深度学习架构，如残差网络和循环神经网络（RNN），并结合更大规模的数据集进行模型优化。这些方法有望进一步提升微塑料检测的准确性和可靠性，为食品安全和环境监测提供更有力的技术支持。

综上所述，本研究展示了SERS技术结合PLS-DA模型在检测绿色茶粉中的微塑料污染方面的强大潜力。通过优化数据预处理和模型构建，研究团队成功实现了对PS和PET的高灵敏度检测，并为未来在复杂食品基质中的微塑料检测提供了可行的技术路径。这些成果不仅有助于保障绿色茶的质量和安全，也为其他食品基质的微塑料污染检测提供了重要的参考。