《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》：Explainable neural network models for rapid prediction of dielectric constant and acid value in edible oils using FTIR spectroscopy
编辑推荐：
Shruti O. Varma|Prachi P. Jadhav|Ajay L. Vishwakarma|M.R. Sonawane|Ajay Chaudhari印度孟买400032，霍米·巴巴州立大学科学研究所物理系摘要对食用油质量进行可靠评估对于保障消费者安全以及检测市场中的
Shruti O. Varma|Prachi P. Jadhav|Ajay L. Vishwakarma|M.R. Sonawane|Ajay Chaudhari
印度孟买400032，霍米·巴巴州立大学科学研究所物理系
摘要
对食用油质量进行可靠评估对于保障消费者安全以及检测市场中的掺假行为至关重要。本研究提出了一种快速且无损的方法，将傅里叶变换红外光谱技术与化学计量学和深度学习技术相结合，用于预测食用油的关键质量参数。本研究选取介电常数和酸值作为评估油品劣化的目标指标。主成分分析通过明确的聚类模式有效区分了纯油与市售油样本，反映了二者在成分上的差异。传统的化学计量学模型，包括偏最小二乘回归、竞争自适应加权采样法结合的偏最小二乘回归以及随机森林辅助的偏最小二乘回归，均展现出良好的预测性能，其决定系数值均超过0.80。为进一步提升预测精度并捕捉光谱数据中的非线性关系，研究人员还开发了诸如一维卷积神经网络、残差网络以及CNN–LSTM架构等先进的深度学习模型。其中，一维卷积神经网络模型的表现最为优异，其决定系数值超过0.95，同时均方根误差更低。为提高模型的可解释性，研究者采用了可解释人工智能技术。SHAP和梯度加权类别激活映射为理解驱动模型预测的光谱特征提供了有力帮助。这些分析识别出了与关键官能团相关的具有化学意义的FTIR特征区域，包括酯羰基、脂肪族C-H键、不饱和C=C键、C-O伸缩振动以及与氧化产物相关的C-O-H振动。总体而言，所提出的框架为食用油质量评估和掺假检测提供了一种高效、快速且可靠的解决方案。
引言
食用油是人类饮食中的重要组成部分，它不仅能为人体提供能量和必需脂肪酸，还含有脂溶性维生素及多种生物活性物质，有助于维持整体健康状况[1]。除了营养价值外，食用油在食品加工、烹饪以及食品制作中也发挥着重要作用，能够影响食品的风味、质地和保质期[2]。在各类广泛食用的植物油中，葵花籽油和芥花籽油因其均衡的脂肪酸组成、良好的氧化稳定性以及益于健康的特性而尤为受欢迎[3]。然而，由于人口增长和饮食结构的变化，全球对食用油的需求不断上升，这引发了人们对市场上食用油的质量、真伪以及安全性的担忧。由于精炼过程、长期储存、氧气接触、热氧化、水解反应以及故意用成本更低或品质较差的油进行掺假等多种因素，市售油往往与新鲜提取的纯油存在差异。这些变化会改变油的物理化学性质，如粘度、介电常数、折射率以及酸值，还会降低其营养价值，对消费者健康构成潜在风险。食用油掺假是一种严重的经济欺诈行为，会破坏消费者信任，因此亟需可靠的手段来监测油品的质量和真伪。准确评估食用油对于保护公众健康、维护产品品质以及确保公平的商业实践具有重要意义。
为应对这些挑战，许多研究将光谱技术与化学计量学和机器学习方法相结合，用于对食用油进行快速、无损的评估。尤其是傅里叶变换红外光谱技术，在捕捉与脂肪酸、甘油三酯以及其它微量成分相关的分子特征方面表现出良好效果，能够有效区分纯油与掺假油。Liang等人强调了验证原味核桃油真伪的必要性，因为该油可能被大豆油、普洱茶籽油或葵花籽油掺假。他们利用FTIR光谱（4000–650 cm-1，ATR模式）结合偏最小二乘建模，成功预测出了不同掺假油的含量，其决定系数值分别为0.9958、0.9925和0.9952，且均方根标准误差较低，充分证明了该方法在验证原味核桃油真伪方面的可靠性[4]。同样，Gjonaj等人报告称，将FTIR技术与包括偏最小二乘、PCR和人工神经网络在内的化学计量学方法相结合，可有效检测牛油果油中被亚麻籽油掺假的情况，其中人工神经网络的预测精度最高（均方根相对误差为1.454%v/v，决定系数为0.821）[5]。Xiaoran Wang等人则表明，将TES模型与电子鼻技术相结合，并通过FTIR加以验证，能够快速且准确地检测山茶油是否被掺假，其性能优于其他多种机器学习模型[6]。最近，Varma等人指出，利用与脂肪酸和酯类振动相关的FTIR特征带，再结合SHAP和VIP分析等可解释人工智能技术，可高精度地区分纯椰子油和纯芝麻油[7]。这些研究共同表明，将光谱数据与先进的化学计量学和机器学习方法相结合，对于实现食用油质量的快速、精准且易于理解的评估具有重要意义。
在此基础之上，本研究旨在通过整合FTIR光谱技术、介电测量以及先进的机器学习方法，构建一套全面的分析框架，用于评估市售食用油的质量。本研究选取介电常数和酸值作为判断油品真伪和氧化稳定性的关键指标。首先，研究人员建立了包括偏最小二乘、竞争自适应加权采样法结合的偏最小二乘以及随机森林辅助的偏最小二乘在内的化学计量学模型，作为预测性能的基准。随后，又引入了一维卷积神经网络、残差网络以及CNN-LSTM混合架构等深度学习模型，以提高预测精度，并更好地捕捉光谱数据和介电数据中的复杂非线性关系。此外，研究者还运用SHAP和Grad-CAM等可解释人工智能工具，解读模型预测结果，确定与关键油品质量参数相关的最具影响力的FTIR特征区域。所提出的框架旨在提供一种快速、可靠且易于理解的方法，用于区分纯油与市售油样本，为基于油的化学和介电特性开展质量控制、掺假检测以及全面质量评估提供可行的解决方案。
章节节选
样本采集
为确保纯度并尽量减少之前的处理或储存可能带来的影响，本研究直接从阿希利亚纳加尔的木制压油机处采集了纯食用油样本。而市售的葵花籽油和芥花籽油样本则从孟买的多家零售店购买，以反映市场上常见的各类产品。所有市售样本均来自知名企业，
介电常数和酸值
如图5所示，参考用的纯油样本与市售油样本在介电常数和酸值方面存在显著差异。在本研究中，S0和M0被视为纯油样本，其余样本（S1–S8和M1–M8）则为市售油样本。纯葵花籽油样本S0的介电常数为2.54，酸值为2.12；而纯芥花籽油样本M0的介电常数略高，为2.64，但酸值仅为1.12，这说明其
结论
本研究证明了将傅里叶变换红外光谱技术、介电测量以及先进的数据驱动建模技术相结合，可用于有效评估食用油的质量。通过将光谱数据与化学计量学和深度学习方法相融合，可以准确预测与油品成分、氧化程度以及劣化情况密切相关的介电常数和酸值等重要物理化学参数。
利益冲突声明
作者声明，他们不存在任何可能影响本文研究结果的已知财务利益关联或个人关系。
