基于建模能力(SIMCA)的变量选择算法在食品真实性检测中的一类分类应用研究

为解决高维数据中变量选择对一类分类(OCC)模型性能的影响问题，Mateus Pires Schneider团队开发了基于建模能力(MP)的变量选择算法MPS-SIMCA。该研究通过UV-Vis、NIR和HPLC-CAD三种分析技术验证了算法在食用油、茶叶和橄榄油真实性鉴别中的有效性，结果表明该方法在保持分类性能的同时显著提升模型可解释性，为食品认证领域提供了无需非目标样本的自动化变量选择方案。

　　

在食品真实性检测领域，高维分析数据（如光谱和色谱）的变量选择一直是个棘手难题。传统方法依赖不同类别样本的对比信息，但在实际检测中，往往只能获取目标产品的可靠数据（如正品橄榄油），而假冒产品的样本难以系统收集。这种"只有一类样本"的特殊场景，使得常规变量筛选技术束手无策。更麻烦的是，现有SIMCA（软独立建模分类类比）方法使用全谱数据建模时，常会引入噪声变量，导致模型臃肿且难以解释。面对这一挑战，来自巴西联邦大学和意大利热那亚大学的研究团队另辟蹊径，开发出完全基于目标类内部结构的变量选择新算法。

这项发表在《Analytica Chimica Acta》的研究，创新性地利用建模能力(Modeling Power, MP)这一SIMCA内置指标作为筛选核心。研究人员设计了三重过滤标准：MP与类紧密度相关性、MP跨主成分非增长率以及最小MP阈值。为验证方法普适性，团队精心选择了三个典型数据集：Pontes提供的食用油UV-Vis光谱（220-400nm）、Diniz研究的阿根廷绿茶NIR光谱（1001-2500nm），以及丹麦哥本哈根大学公开的橄榄油HPLC-CAD色谱数据。所有分析均采用Kennard-Stone算法划分训练/测试集，并通过Procrustes交叉验证生成验证集。

2.1. Modeling Power Calculation

研究发现MP能有效量化变量对类模型的贡献度。通过比较变量在PCA空间的残差标准差与原始标准差（公式1），MP值越接近1表示该变量对类结构表征越重要。在食用油UV-Vis数据中，PC1阶段MP值在200-250nm区域显著偏高，这与共轭双键的π→π*跃迁区域高度吻合。

2.2. Principal Component Selection Strategies

团队提出两种创新性PC选择标准：基于MP变异系数(CV)指数衰减的"指数拟合准则"（公式2）和接近整体均值的"CV-均值准则"（公式3）。在茶叶NIR数据中，前者建议保留PC1，后者推荐PC3，最终折中选择PC2以平衡过拟合风险。

2.3. Variable Filtering Criteria

三重过滤机制展现出强大筛选能力：

• •

  紧凑性贡献：通过Spearman相关分析（公式5）锁定与类紧密度强相关的变量，在橄榄油数据中筛选出2.6%的关键色谱区域（15-17分钟），对应特征性甘油三酯如OOO（三油精）的洗脱区间。

• •

  MP非增长率：公式8计算的增长阈值有效排除了后期PC才显现的干扰变量，在食用油数据中排除了249-296nm的潜在噪声区。

• •

  最小MP阈值：沿用Wold建议的0.3临界值（公式1），茶叶数据中该标准保留了80.4%的变量，主要集中在儿茶素特征吸收区（1000-1100nm）。

4.3. SIMCA Acceptance Regions

测试集验证显示，精简后的模型性能不降反升：食用油数据达到100%灵敏度（10/10）和100%特异性（15/15）；茶叶数据将误判数从4例降至3例；橄榄油数据更是实现全样本正确分类。统计检验（Fisher精确检验和McNemar检验）证实改进具有统计学意义。

这项研究的突破性在于首次系统地将MP指标转化为可操作的变量选择框架。相比Pomerantsev的LOVE算法，MPS-SIMCA实现了全自动化运行，且无需人工干预。方法学优势体现在三方面：一是完全依赖目标类内在结构，符合实际检测场景；二是通过MP动态变化捕捉变量本质贡献，避免静态阈值局限；三是与化学解释高度一致，如筛选出的220-234nm正好对应食用油氧化标志物区域。

正如通讯作者Adriano de Araújo Gomes强调的，该方法特别适合"样本有限但变量爆炸"的食品认证场景。未来通过整合多路数据（如激发-发射矩阵）处理能力，有望拓展至荧光光谱等更高维分析领域。这项研究为分析化学界提供了一把"去芜存菁"的智能筛子，让一类分类模型既保持"火眼金睛"的辨别力，又具备"明察秋毫"的解释性。