基于近红外与拉曼光谱多模态数据融合策略的山茶油氧化稳定性预测研究

本研究针对山茶油氧化稳定性传统检测方法耗时、破坏样本等问题，创新性地结合近红外(NIR)和拉曼光谱技术，采用三级数据融合策略（低、中、高层次），建立了高精度预测模型（高融合RC 2 =0.9763），关键波段(10400–7200?cm?1 和2060–720?cm?1 )对应脂肪酸与抗氧化成分特征峰，为食用油品质无损监测提供了新范式。

　　

山茶油作为富含不饱和脂肪酸和维生素E的高端食用油，其氧化稳定性直接决定营养价值和货架期。然而，传统化学分析法如Schaal测试和Rancimat法存在破坏样本、耗时等缺陷。尽管近红外(NIR)和拉曼光谱技术能快速分析组分，但单一技术各有局限：NIR易受水干扰且谱带重叠，拉曼对极性基团灵敏度低。如何突破技术壁垒，实现精准、无损的氧化稳定性评估，成为产业与科研界的共同挑战。

为此，国内研究人员开展了一项创新研究，通过多模态数据融合策略整合NIR与拉曼光谱的优势，成功构建了山茶油氧化稳定性的高精度预测模型。该成果发表于《Food Research International》，为食用油智能质控提供了新思路。

关键技术方法
研究团队收集了71份来自江西、湖南的山茶油样本（含冷压、热压、溶剂提取三种工艺），采用NIR(750–2500?nm)和拉曼光谱采集数据，通过三级融合策略（低层次：数据拼接；中层次：特征提取；高层次：模型协同）结合偏最小二乘回归(PLSR)建模，最终筛选出10400–7200?cm^?1
（对应O-H/C-H键振动）和2060–720?cm^?1
（C=C键特征）关键波段。

研究结果

山茶油样本特性
样本涵盖不同产地和加工方式，确保组分多样性。冷压油(n=23)保留更多热敏性成分，而热压油(n=19)因高温处理可能加速氧化前体形成。

NIR与拉曼光谱分析
原始光谱显示，氧化程度不同的样本吸收强度差异显著但谱型相似（图1）。NIR谱中9200?cm^?1
处吸收峰与氢过氧化物相关，拉曼谱中1655?cm^?1
峰反映C=C键氧化程度。

数据融合模型性能
高层次融合模型表现最优，预测R_C
²
达0.9763，显著高于单一NIR(0.9006)或拉曼(0.9735)。中层次融合通过主成分分析(PCA)提取的15个特征变量贡献率达91.3%。

结论与意义
该研究首次实现NIR与拉曼光谱的协同优化，其高层次融合策略将预测误差(RMSEC)降至0.4148，较传统方法提升53%。发现的特征波段为开发便携式检测设备提供靶标，而建立的通用性框架可拓展至其他食用油监测。未来结合高光谱成像与深度学习，有望构建跨基质的智能质控系统，推动食品工业从"经验驱动"向"数据驱动"转型。