《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》：Effective tannic acid prediction in black tea using regression approach: Fusion of electrochemical and spectroscopic responses
编辑推荐：
黑茶中单宁酸检测采用多模态传感框架，整合分子印迹聚合物电化学传感器与近红外光谱，通过PSO-DFO算法和CNN提取互补特征，结合CCA与UMAP融合数据，构建SNN-LSTM回归模型，实现R2达0.9641的高精度检测。
Angiras Modak|Madhurima Moulick|Debangana Das|Runu Banerjee Roy
印度加尔各答贾达普尔大学仪器与电子工程系，邮编700106
摘要
单宁酸是红茶中主要的生物活性化合物，在茶叶品质中起着关键作用。为了分析茶叶品质，需要精确测量单宁酸的含量。在这项研究中，开发了一种多模态传感框架，该框架结合了基于分子印迹聚合物（MIP）的电化学传感器和近红外（NIR）光谱技术，用于检测红茶中的单宁酸。为了提高预测性能，将电化学信号和光谱信号视为互补的数据源并共同使用。研究采用了粒子群优化-蜻蜓优化算法（PSO-DFO）和卷积神经网络（CNN）进行特征选择和提取。数据整合通过典型相关分析（CCA）和均匀流形逼近与投影（UMAP）完成。整合后的特征和非整合特征被用于训练孪生神经网络-长短期记忆（SNN-LSTM）回归模型，以估算红茶中的单宁酸含量。结果表明，基于CCA的融合模型优于其他模型，其R2值为0.9641，显著优于单一模态方法的性能。这些结果清楚地表明，通过多模态方法整合电化学和光谱信号可以大大提高红茶中单宁酸测量的精度。因此，这种新技术为基于单宁酸检测的快速可靠茶叶品质评估提供了一种极具潜力的方法，也可进一步应用于茶叶的其他生物标志物。
引言
全球范围内，红茶是一种消费量很大的饮料，不仅因其独特的感官特性而受到重视，还因其显著的治疗效果（如抗炎、抗癌和神经保护作用）而受到青睐[1]、[2]、[3]、[4]。这些健康益处主要归因于其丰富的多酚含量，其中单宁酸是评估茶叶品质的关键生物活性标志物。在红茶中存在的各种多酚中[5]、[6]、[7]，单宁酸是天然存在于红茶叶片中的多酚[8]、[9]，但其准确量化仍是一个挑战。传统的测量方法（如分光光度法和色谱法）虽然精度高，但往往受到昂贵仪器、繁琐样品制备过程以及需要高技能操作人员的限制[10]、[11]、[12]。这些方法耗时较长，需要昂贵的仪器，并且需要专业人员来操作高端设备。
为了解决这些问题，最近的研究整合了基于人工智能（AI）的技术，利用机器学习（ML）算法和深度学习（DL）技术[13]、[14]、[15]。此外，近红外（NIR）光谱技术已成为无损茶叶分析的重要工具[15]。例如，在[16]中，提出了TeaNet、TeaResnet和TeaMobilenet模型，利用NIR光谱和伪图像变换进行茶叶品质控制分类，这些模型在准确性方面优于传统的支持向量机（SVM）和随机森林（RF）模型。同样，分子印迹聚合物（MIPs）和电化学传感器也因其对特定目标分子的高选择性和敏感性而被广泛应用[17]。然而，大多数现有研究[18]仅依赖单一模态（光谱或电化学）。NIR技术能够快速获得化学指纹图谱，但在复杂样品中缺乏检测微量成分所需的灵敏度；相反，电化学方法虽然灵敏度高，但容易受到电极污染[19]。因此，在融合这些不同数据流以提高预测性能方面存在明显差距。此外，现有的AI模型往往难以处理高维特征噪声，也无法捕捉序列传感器数据中的长期依赖关系。
因此，本文提出了一种集成方法，通过融合电化学和光谱响应来有效预测红茶中的单宁酸含量。该研究引入了一种改进的特征选择算法——混合粒子群优化-蜻蜓优化（PSO-DFO）。所提出的框架采用卷积神经网络（CNN）进行深度特征提取，随后通过典型相关分析（CCA）和均匀流形逼近与投影（UMAP）进行双路径融合，以优化特征空间。最后，利用混合孪生神经网络（SNN）和长短期记忆（LSTM）模型进行回归分析，确保高精度并减少过拟合。通过结合伏安法和NIR光谱的互补优势，本研究旨在提供高精度的实时茶叶品质控制解决方案。
材料与方法
本文提出的模型主要关注预测红茶样品中的单宁酸含量。为此，研究了多种方法以获得更好的结果。所提出模型的工作流程如图1所示。
图1示意性地展示了使用MIP和NIR数据集分析茶叶中单宁酸的过程，从数据预处理（填补缺失值和编码标签）开始。
结果与讨论
使用所提出的模型获得的结果在以下部分进行了描述，包括性能指标（如MAE、MAPE、MSE、RMSE和R2），以及融合数据和未融合数据的结果。
结论
本研究旨在通过定量分析方法预测红茶中的单宁酸含量。该研究扩展了多模态传感和AI特征融合技术在单宁酸浓度定量回归方面的应用，这是现有研究尚未涉及的领域。研究首先使用PSO-DFO混合模型从电化学数据集（通过MIP电极获得）和光谱数据集（通过NIR获得）中选择特征。
利益冲突声明
作者声明他们没有已知的财务利益冲突或个人关系可能影响本文所述的工作。
