基于轻于水肟基深共晶溶剂的空气辅助液液微萃取结合ICP-OES分析金属离子的创新方法及其在食品质量监测中的应用潜力

本综述系统探讨了采用轻于水肟基深共晶溶剂（DES）的空气辅助液液微萃取技术（AALLME）作为螯合萃取剂，结合ICP-OES分析多种金属离子的创新方法。研究通过机器学习（ML）与高光谱成像（HSI）技术，实现了对鲜食葡萄品种、产地、类型及黄酮类化合物、糖度（°Brix）、花青素含量的非破坏性精准检测。采用Savitzky-Golay滤波（SGF）、多元散射校正（MSC）和标准正态变量变换（SNV）等光谱预处理技术显著提升信号质量，结合主成分分析（PCA）降维与链式多输出（CMO）模型，构建了高效的多目标预测体系，为食品质量安全监测提供了突破性解决方案。

　　

Section snippets

Literature survey

Gabrielli等人（2021年）开发了一套HSI系统，通过预测糖含量（TSS）、总黄酮（TF）和总花青素（TA）等关键参数来评估鲜食葡萄品质。研究采用多种数据预处理方法提升预测精度，并运用偏最小二乘法（PLS）和多元线性回归（MLR）结合特征波长进行建模，通过β系数和VIP评分筛选最优波长。

Material and Methods

图1展示了基于HSI的鲜食葡萄质量评估系统流程。该技术利用公开HSI光谱数据集，通过SGF、MSC和SNV进行光谱预处理以增强信号质量，采用PCA降低数据维度并保留关键光谱特征，最终利用多种ML回归器和分类器同步预测葡萄的定性与定量指标。

Results

研究在Google Colab PRO平台（Python3环境，25.45 GHz RAM，166.75 GB存储空间）中完成，依托numpy、pandas和scikit-learn等工具包实现数据处理、模型构建与性能评估。

Discussion

鲜食葡萄成分鉴定对保障产品真实性与品质至关重要。高光谱成像（HSI）技术凭借其高效、非破坏性特点已成为主流检测手段，但其效果高度依赖数据集的特性与预处理策略的选择。

Conclusion

鲜食葡萄参数识别极具挑战性。本研究通过融合HSI技术、光谱预处理与先进ML模型，构建了一套非破坏性高质量预测体系，在品种、产地和类型分类任务中准确率最高达100.0%。采用SGF、MSC、SNV和PCA等预处理方法有效提升了数据质量与模型效率，为食品质量智能监测提供了创新性解决方案。