《Food Chemistry》:Metal–insulator–metal metamaterial assisted signal enhanced spectroscopy for sugar concentration prediction in a simulated juice matrix
编辑推荐:
一种十字形金属-绝缘体-金属超材料(MIM-MM)使拉曼(Raman)、近红外(NIR)、可见光(VIS)糖检测在果汁中成为可能。MIM-MM提高了单一和混合糖的预测准确性。拉曼指纹区(FP)光谱在偏最小二乘回归(PLSR)模型下表现出最佳性能(均方根误差RM
一种十字形金属-绝缘体-金属超材料(MIM-MM)使拉曼(Raman)、近红外(NIR)、可见光(VIS)糖检测在果汁中成为可能。MIM-MM提高了单一和混合糖的预测准确性。拉曼指纹区(FP)光谱在偏最小二乘回归(PLSR)模型下表现出最佳性能(均方根误差RMSE=0.6330,决定系数R2=0.9502)。变量重要性投影(VIP)分析确认了与糖响应相关的关键光谱特征。
本研究旨在解决传统光谱技术在复杂食品基质中因信号弱、光谱重叠和背景干扰导致的检测灵敏度不足问题。果汁中糖含量是评价品质的关键指标,但多种共存成分(如抗坏血酸、花青素、柠檬酸)会干扰光谱响应。研究人员引入了金属-绝缘体-金属超材料(MIM-MM)作为前端信号增强平台,结合拉曼(Raman)、近红外(NIR)和可见光(VIS)光谱,以实现模拟果汁基质中果糖、葡萄糖和蔗糖浓度的定量预测。该研究发表于《Food Chemistry》,证实MIM-MM增强光谱能显著提升糖浓度预测精度,尤其是拉曼指纹区(FP)光谱在偏最小二乘回归(PLSR)模型下取得最优性能(RMSE=0.6330,R2=0.9502),为快速、无损、灵敏的食品成分分析提供了新策略。
主要技术方法包括:通过CST Microwave Studio软件仿真优化十字形MIM-MM结构参数(十字厚度、长度、宽度及反射层厚度);采用电子束蒸发、等离子体增强化学气相沉积(PECVD)和电子束光刻工艺制备MIM-MM;使用扫描电子显微镜(SEM)和接触角测量进行物理表征;光谱采集采用共焦拉曼光谱仪(633 nm激发,覆盖指纹区400–1900 cm
-1和高波数区2600–3800 cm
-1)、手持NIR光谱仪(908–1676 nm)和显微高光谱成像系统(386–1020 nm)。样本队列为实验室配制的模拟果汁基质,包含糖(果糖、葡萄糖、蔗糖)、抗坏血酸、花青素和柠檬酸,共25个单糖浓度和40个混合糖浓度梯度。数据预处理采用Savitzky-Golay平滑(SGS)、二阶导数(2nd der)、标准正态变量变换(SNV)和多元散射校正(MSC),建模使用PLSR,模型评价采用均方根误差(RMSE)和决定系数(R2),特征选择采用变量重要性投影(VIP)分析。
**3.1 结构优化分析**:通过仿真系统考察了十字厚度(TC)、十字长度(LC)、十字宽度(WC)和反射层厚度(RT)对MIM-MM光谱的影响。结果表明,LC对光谱调制最显著,增大LC导致共振峰红移;WC和TC影响局部等离子体;RT主要影响整体强度。最终优化参数为LC=600 nm、WC=200 nm、TC=50 nm、RT=200 nm,Si基底厚度500 nm。
**3.2 原理与表征分析**:在499 nm、633 nm和1379 nm三个代表性波长处分析电场、磁场和表面电流分布,揭示了MIM-MM在可见光(VIS)和近红外(NIR)波段通过局域电磁场增强、共振耦合和表面电流激发实现信号增强。SEM图像显示结构具有良好周期性和完整性,接触角从Si的67°降至MIM-MM的59°,表明润湿性改善。三批次独立制备的MIM-MM表现出相似的形貌和光谱响应,重复液接触后信号强度保持稳定,证实了结构可重复性和耐久性。
**3.3 基于拉曼光谱的性能定性分析**:以633 nm激发获取单糖溶液(果糖、葡萄糖、蔗糖)的拉曼光谱,在C-H伸缩振动区(高波数区)观察到明显特征峰(分别位于2947 cm
-1、2899 cm
-1、2927 cm
-1)。有MIM-MM(WMM)条件下信号强度显著高于无MIM-MM(WOMM),表明MIM-MM能有效放大拉曼响应。在模拟果汁混合体系(糖+抗坏血酸+花青素)中,尽管背景升高,特征峰仍清晰可辨,说明MIM-MM具有抗干扰能力。
**3.4 基于增强因子和信噪比的性能定量分析**:计算了果糖、葡萄糖、蔗糖在各自特征峰处的增强因子(EF)和信噪比(SNR)增益。EF平均值均大于1,且在不同浓度间无显著差异(p<0.05),表明信号增强源于MIM-MM结构而非浓度影响。SNR增益均大于1,证实WMM光谱质量优于WOMM。低浓度时EF和SNR增益波动较大,与弱信号和基线噪声有关。
**3.5 基于单糖拉曼谱的模型性能**:针对果糖、葡萄糖、蔗糖单糖体系,PLSR模型显示WMM光谱的RMSE更低、R2更高。最佳预处理方法因糖种类和谱区而异:果糖指纹区以SGS最优(RMSE=1.2856,R2=0.9410),高波数区以原始光谱最优(RMSE=1.2160,R2=0.9472);葡萄糖和蔗糖类似。表明MIM-MM可提升单糖定量性能。
**3.6 基于混合糖拉曼指纹区谱的模型性能**:混合糖体系中,WMM下原始光谱的PLSR模型取得最佳平均性能(RMSE=0.6330,R2=0.9502)。其中果糖预测最优(RMSE=0.5144,R2=0.9609),蔗糖次之,葡萄糖最差。VIP分析显示重要变量分布在400–700、800–900、1000–1150、1250–1300、1450和1600–1700 cm
-1,对应糖的骨架振动、C-C/C-O伸缩、环振动和C-H相关振动,WMM在保持关键峰贡献的同时降低了噪声。
**3.7 基于混合糖拉曼高波数区谱的模型性能**:WMM下SNV预处理光谱最优(平均RMSE=1.5040,R2=0.7170),但提升幅度小于指纹区。VIP分析显示重要变量集中在2800–3020 cm
-1(C-H伸缩),而3200–3800 cm
-1(O-H和水背景)贡献较低。高波数区可作为辅助信息,但独立定量能力弱于指纹区。
**3.8 基于混合糖近红外谱的模型性能**:WMM下二阶导数光谱最优(平均RMSE=1.5775,R2=0.6780),但过度预处理(如SNV和2nd-MSC)会削弱增强效果。VIP分析显示重要变量在950–1050、1130–1250、1380–1480、1580–1690 nm,对应O-H和C-H的倍频和合频吸收。NIR用于混合糖定量性能中等,宜作为互补信息。
**3.9 基于混合糖可见光谱的模型性能**:WOMM条件下VIS光谱预测能力极差(R2<0.20),引入MIM-MM后显著提升,SNV预处理最优(平均RMSE=1.8450,R2=0.6141)。VIP分析显示WMM下重要变量分布在380–520、600–750、850–1000 nm,反映整体光学吸收和散射变化。VIS光谱可提供间接辅助信息,但独立定量能力弱于拉曼指纹区。
**讨论与结论**:与传统光谱技术(NIR、拉曼、太赫兹)及材料增强技术(纳米荧光、表面增强拉曼散射SERS、太赫兹超材料)相比,MIM-MM平台在模拟果汁基质中表现出优越的预测性能,尤其在拉曼指纹区成功克服了水干扰和基质效应。但研究仍存在局限性:模拟基质无法完全代表真实果汁中的果胶、蛋白质、悬浮物等复杂成分,且MIM-MM的制备成本、重复使用性和批次一致性需进一步优化。结论部分翻译:本研究开发了一种十字形MIM-MM平台作为拉曼、NIR和VIS光谱的前端信号增强策略,用于提高模拟果汁基质中糖浓度预测能力。MIM-MM辅助光谱普遍优于无MIM-MM光谱,尤其在拉曼光谱中。在混合糖体系中,基于原始拉曼指纹区光谱的PLSR模型在WMM条件下取得最佳总体性能(RMSE=0.6330,R2=0.9502),其中果糖、葡萄糖、蔗糖的RMSE分别为0.5144、0.7508、0.6338,R2分别为0.9609、0.9369、0.9528。因此,拉曼指纹区光谱为MIM-MM辅助光谱在混合糖系统中的分析优势提供了最清晰证据。这些发现表明,在受控多组分干扰条件下,MIM-MM增强拉曼指纹区光谱可提高光谱特征区分度和定量建模性能。拉曼高波数区和NIR光谱提供补充信息但预测性能中等,VIS光谱主要反映间接光学变化而非特定分子特征。