基于不同提取溶剂获得的融合表面增强拉曼光谱的绿茶品种与产地鉴定

《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》：Identification of green tea varieties and origins based on fused surface enhanced Raman spectra from different extraction solvent

　　

Su-Ming Dai|Yu Shen|Jing-Xiang Wang|Xin-Xin Zhang|Yao-Yao Zhang|Ya-Ying Huang|Ri-Hui Su|Jun Yan

广西民族大学化学与化工学院，中国南宁530006

摘要

本研究通过基于三种不同提取溶剂获得的融合表面增强拉曼散射光谱建立分类模型，以解决绿茶市场中的品种掺假和产地造假问题。研究使用了水、乙醇和盐酸三种溶剂提取七种绿茶，获得单个拉曼光谱，再将这些单光谱融合为融合拉曼光谱，以提高识别能力。针对拉曼光谱数据，采用了竞争自适应加权采样、主成分分析、t分布随机邻域嵌入以及均匀流形近似投影等多种降维技术来降低融合拉曼数据的维度。最后，利用支持向量机、K最近邻算法和随机森林构建分类模型。实验结果表明，与单个拉曼光谱相比，融合拉曼光谱能显著提升模型的分类精度，其中UMAP结合SVM的策略表现最佳，对七种绿茶的识别准确率达到了98.21%。此外，该策略对碧螺春和龙井茶的产地识别准确率分别达到了98.61%和97.22%。本研究为基于不同提取条件下获得的融合拉曼光谱快速、绿色地识别绿茶品种及其产地提供了一种简单方法，也为绿茶质量监测提供了新的研究思路。

引言

绿茶作为一种未发酵饮料，在东亚和东南亚地区具有重要的文化意义，同时也在多个领域有着实用价值，尤其是在中国、日本、韩国和越南[1]。绿茶因其作为饮品及具有药用价值而被视为重要资源，其生物活性成分也是当前健康科学研究的重要对象[2]。研究表明，绿茶中的多酚类化合物和甲基黄嘌呤类物质具有多种健康益处，如促进伤口愈合、改善血糖控制、优化胃肠功能以及维持代谢平衡[3,4]。绿茶的品种和产地直接影响到其品质，然而市场的扩大使得品种掺假和产地虚假标注等问题愈发严重[5]。这类行为不仅损害消费者权益，还会影响供应链的完整性。因此，建立可靠的分析方法来准确识别绿茶的品种和产地至关重要，这有助于打击市场欺诈行为、保障产品质量，进而确保绿茶产业的长期可持续发展。

目前，已有多种分析技术被用于识别绿茶的品种和产地，包括高效液相色谱法、气相色谱-质谱法、电感耦合等离子体质谱法、比色法、荧光法、傅里叶变换红外光谱法和核磁共振波谱法[6-12]。尽管这些传统方法较为可靠，但通常需要多步骤操作，样品前处理复杂，且需要专业技能，分析时间也较长。因此，亟需一种简便、快速、低成本且环保的方法来识别绿茶的品种和产地。

表面增强拉曼散射技术因其高灵敏度、分子指纹特异性、可现场检测以及几乎不受水分干扰等优点，成为食品识别领域的一种极具前景的分析方法[13]。该技术通过分子与金属纳米结构表面的相互作用产生信号增强效应，从而能够精准检测微量物质[14]。近年来，SERS技术已被广泛应用于农产品、中药材和食品的质量监测等领域。例如，Guoyu Dai等人发现陈皮的SERS信号强度与储存时间存在负相关关系，通过将主成分分析与线性判别分析相结合，可准确区分储存1年到30年的陈皮样本[15]。Chima Robert等人则将SERS技术与化学计量学建模相结合，实现了牛肉、鹿肉和羊肉的快速区分[16]。Akshata Hegde等人通过将SERS技术与Transformer架构相结合，开发出了SERS Former 2.0模型，该模型能够同时识别和量化农产品中的多种农药残留[17]。Xueqing Wang等人基于银纳米粒子建立了SERS光谱指纹，并采用一维卷积神经网络实现多参数检测，包括产品分类、产地溯源、质量分级以及掺假检测[18]。Fan Li等人表明，多维度SERS结合PCA-LDA算法能够区分茶叶的品种、产地和质量等级，显示出其在全面食品鉴定方面的巨大潜力[19]。

总体而言，SERS技术兼具荧光光谱的高信号强度和窄光谱峰特点以及近红外光谱的分子指纹信息优势，因此在天然产物识别方面具有独特优势[20]。不过，由于其在物质检测方面缺乏选择性，容易出现信号同质化的问题。为解决这一问题，融合拉曼光谱是一种有效的策略。例如，Fan等人通过多维度SERS指纹分析实现了基于多种基质的食品真实性识别，但该策略还存在另一个问题，即SERS容易受到样品基质、背景荧光以及多基质等干扰信号的影响，从而导致光谱峰信息混乱，尤其是在处理融合拉曼数据时更为明显。鉴于融合拉曼光谱能够进一步提升光谱信息含量并增强样品间的差异性，而化学计量学可通过分辨率提升和降维等方法消除干扰信号，本文提出了一种新的策略，即SERS数据的降维扩展与处理方法。简而言之，就是在不同条件下收集足够的拉曼光谱来构建融合拉曼数据，然后在建模之前对数据进行降维处理。

在本研究中，我们采用将单一基底与多种提取方法相结合的方式构建融合拉曼光谱，进而用于识别七种绿茶的品种和产地。如图1所示，首先用水、乙醇和盐酸提取七种绿茶（西湖龙井、碧螺春、金山翠芽、黄山毛峰、梅潭翠芽、都匀毛尖和三江春茶），并采集它们的拉曼光谱。接着，通过矩阵拼接、CARS特征选择融合、主成分分析融合、t-SNE融合和UMAP融合五种不同方法，将这些单光谱融合为每种绿茶的融合拉曼光谱。最后，利用支持向量机、K最近邻算法和随机森林构建模型，用于识别绿茶的品种和产地。研究中比较了不同的融合与建模技术组合效果。

章节节选

实验样品

本研究选择了七种绿茶品种（见表1），每种品种又收集了十个代表性品牌样本（见表S1）。所有样本均经过密封处理，置于4℃且避光的环境中保存。这些代表市场上常见品种的茶叶样本，根据宏观特征被分为三类形态相似的组：条状组：三江春茶和都匀毛尖；卷曲状组：黄山毛峰，

SERS光谱特征分析

使用相同提取剂得到的不同绿茶品种的SERS光谱整体轮廓及核心特征峰分布具有高度一致性，这反映出各类绿茶具有相似的化学成分（见图2A–C）。这种一致性源于绿茶中含有的咖啡因、儿茶素、氨基酸和糖类等核心成分。其特征峰分别为：糖类在570 cm^?1处[19,31]，咖啡因在647 cm^?1处[19,32,33]，儿茶素在776 cm^?1处[

结论

本研究基于SERS技术和机器学习方法，开发出一种用于识别绿茶品种和产地的方案。研究使用水、乙醇和盐酸三种溶剂获取绿茶样本的SERS光谱。在单一溶剂模型中，水与随机森林分类相结合时，获得了79.17%的最高准确率。随后，通过数据融合策略对SERS光谱进行了融合处理，多溶剂数据融合显著提升了识别性能，

利益冲突声明

作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢

本研究得到了广西壮族自治区自然科学基金（编号：2025GXNSFAA069767）和广西青年教师基础能力提升项目（编号：2024KY0180）的支持。