基于LIBS的化学计量学与机器学习方法检测阿萨伊果浆掺假

《ACS Omega》：LIBS-Based Chemometric and Machine-Learning Approach for Detecting Adulteration in Ac?ai? Pulp

　　

食品掺假仍然是高价值农产品商业化过程中的主要挑战，这催生了对快速、可靠的分析筛查方法的需求。在本研究中，研究人员研究了激光诱导击穿光谱（LIBS）结合化学计量学与机器学习方法，用于检测商业阿萨伊（*Euterpe oleracea* Mart.）果浆中的掺假物。研究人员使用小麦粉、玉米淀粉和一种商业稳定剂，以2%、4%、6%和10%（w/w）的质量分数进行控制性掺假。对获取的LIBS光谱进行预处理，包括基于相关性的异常值剔除，随后进行标准正态变量（SNV）归一化。接着应用主成分分析（PCA）进行降维，大约需要25个主成分才能解释近95%的总光谱方差。随后，研究人员将PCA降维后的数据输入随机森林（RF）算法进行监督分类，以区分纯果浆和掺假样品。分类性能被发现强烈依赖于掺假水平，在2%、4%、6%和10%的掺假浓度下，准确率分别达到75%、69%、44%和81.2%。最佳性能在10%的掺假水平下实现，所有纯阿萨伊样品均被正确识别。在中间浓度下观察到的较低性能表明，在这些条件下，纯果浆和掺假样品的光谱重叠增加。总体而言，结果表明，LIBS结合化学计量学与机器学习技术，为阿萨伊果浆掺假的快速元素指纹图谱分析和筛查提供了一种有前景的策略。这些发现强化了光谱-化学计量学方法作为高价值农产品食品真伪鉴定和质量控制实用工具的潜力。

**论文解读：基于LIBS与化学计量学及机器学习方法检测阿萨伊果浆掺假**

**1. 研究背景与问题提出**

阿萨伊（*Euterpe oleracea* Mart.）是亚马逊生物群落特有的一种水果，在巴西北部地区具有重要的经济、社会和文化价值。其果浆因富含多不饱和脂肪酸、膳食纤维以及花青素等抗氧化化合物而具有高营养价值，自20世纪90年代以来，其商业价值不断攀升，成为一种高价值商品。然而，日益增长的需求和高昂的商业价值也加剧了食品欺诈行为，特别是产品掺假。常见的掺假手段包括添加小麦粉、玉米淀粉、稳定剂和人工色素等低成本物质，以增加产品体积，牟取经济利益。这凸显了对能够快速、可靠且最小化破坏性地检测食品成分变化的分析方法的需求。与传统的检测方法相比，光谱技术因其快速响应、样品前处理需求低以及与多元数据分析方法兼容等优势，成为食品真伪鉴定的有力工具。其中，激光诱导击穿光谱（LIBS）作为一种快速的多元素分析技术，能够以极少的样品前处理或无需样品前处理的方式提供元素指纹图谱，在农业和食品分析领域展现出巨大潜力。

**2. 研究目的与意义**

本研究旨在系统评估激光诱导击穿光谱（LIBS）结合化学计量学与机器学习方法用于检测阿萨伊果浆中掺假物的可行性。研究人员通过制备含有不同质量分数掺假物的阿萨伊果浆样品，并应用主成分分析（PCA）进行降维、线性判别分析（LDA）进行类别区分以及随机森林（RF）算法进行监督分类，来评估该方法的鉴别能力和预测性能。这项研究的意义在于，它为高价值农产品的快速、无损真伪鉴定和质量控制提供了一种新的、有前景的分析策略。该论文发表在《ACS Omega》。

**3. 主要关键技术方法**

为开展研究，研究人员主要使用了以下几个关键技术方法：
1. **激光诱导击穿光谱（LIBS）测量**：使用配备1064 nm Nd:YAG激光器的J200系统（Applied Spectra， 美国），在80 mJ脉冲能量和1 μs延迟时间下，采集186-1042 nm范围内的发射光谱。对所有样品进行16次单次光谱采集，每种条件独立制备并测量三次。
2. **光谱预处理**：包括基于相关性矩阵的异常值剔除（相关系数<0.8的谱图被剔除），以及标准正态变量（SNV）归一化和滚动球算法基线校正。随后，将同一掺杂物浓度的样品光谱按每三次连续激光发射进行分组平均，以提高信号稳定性。
3. **主成分分析（PCA）**：作为一种无监督的多元统计技术，用于对预处理后的全光谱数据集进行降维和特征提取，保留大部分相关光谱信息。
4. **线性判别分析（LDA）**：基于PCA降维后的主成分，应用LDA作为有监督的降维技术，以最大化样本类别间的区分度。
5. **随机森林（RF）分类**：采用RF算法，以PCA降维后的主成分为输入特征，构建二元分类模型（纯阿萨伊 vs. 掺假阿萨伊），并评估其预测性能。数据集按2:1的比例划分为训练集和测试集，PCA仅在训练集上执行。

**4. 研究结果**

**3.1. 化学计量学与机器学习分析**
通过对平均LIBS光谱的观察，研究人员发现不同掺假浓度样品的谱图高度相似，且无特定的掺假物特征发射线，这直接通过视觉检查进行区分并不可行。因此，必须借助化学计量学和机器学习方法进行可靠分类。研究人员识别出纯阿萨伊样品光谱中的主要元素发射线，包括C（193.03和247.86 nm）、Mg（279.55， 280.27和285.21 nm）、Ca（393.37， 396.85和422.67 nm）、K（766.49和769.89 nm）、Na（588.99和589.59 nm）和H（656.27 nm）。

**3.2. 主成分分析（PCA）**
研究人员对全光谱数据集应用PCA。结果显示，前两个主成分（PC1和PC2）仅解释了约15%的总方差，且样品在得分空间中未形成清晰可辨的簇。通过累积解释方差分析，大约需要40个主成分才能捕获超过90%的数据集方差。因此，研究人员选择将数据维度降至40个主成分，以保留大部分光谱信息并标准化后续分析。

**3.3. 线性判别分析（LDA）**
研究人员将40个保留的主成分作为LDA的输入特征。在2%、4%、6%和10%的所有掺假浓度水平下，LDA得分图均显示出了清晰的聚类模式，能够有效区分纯阿萨伊样品（Type 0）和三种不同掺假物（Type 1: 小麦粉；Type 2: 稳定剂；Type 3: 玉米淀粉）的样品。即使在最低的2%掺假浓度下，四个类别也呈现出明显的分离，这表明该方法的鉴别能力很强。尽管掺假样品没有独特的特征发射线，但不同样品类别之间主要元素（如C、Mg、Ca、Na、K）发射线的相对强度存在差异，这些细微的光谱强度变化被PCA和LDA提取，从而实现了区分。

**3.4. 随机森林（RF）分类结果**
研究人员使用独立测试集评估了RF分类器的预测性能。结果显示，大约25-26个主成分足以解释超过95%的光谱方差。RF分类器的性能强烈依赖于掺假水平：
* **2%浓度**：使用8个估计器，准确率为75%。
* **4%浓度**：使用110个估计器，准确率约为69%，所有纯阿萨伊样品被正确分类，但超过一半的掺假样品被错误分类为纯样品。
* **6%浓度**：这是最具挑战性的条件，使用4个估计器，准确率仅为44%，接近随机分类水平，表明该浓度下纯样品与掺假样品的光谱特征存在显著重叠。
* **10%浓度**：使用7个估计器，取得了最佳性能，准确率为81.2%，所有纯阿萨伊样品均被正确识别，仅三个掺假样品被误判。

研究人员注意到6%掺假水平下分类性能出人意料地下降。通过详细检查，发现该数据集的光谱噪声和逐次发射强度变异性更高，这可能是导致区分信息减少的原因。这可能与实验因素（如激光脉冲能量波动、样品局部不均匀性或干燥过程的微小差异）有关，但这些并非本研究的系统性结论，应视为合理的解释。

**5. 总结讨论与结论翻译**

**总结讨论**：研究结果表明，尽管纯阿萨伊与掺假样品的光谱高度相似，但结合多变量分析（PCA和LDA）能够成功提取区分信息，对所有掺假水平（包括低浓度）的样品类别进行清晰分离。随机森林（RF）分类器的性能验证了PCA-光谱分析流程的预测能力，并在10%的掺假浓度下取得了最佳分类准确率。6%浓度下的较低准确率被认为与实验因素导致的光谱信噪比降低有关，而非该方法的内在局限性。总体而言，将LIBS与化学计量学和机器学习工具相结合，作为快速、非破坏性、最小化侵入性的阿萨伊果浆掺假筛查策略，展现出了巨大的潜力。

**结论翻译**：本工作系统研究了将激光诱导击穿光谱（LIBS）与化学计量学和机器学习方法相结合，用于检测阿萨伊果浆掺假的可行性。通过使用不同质量分数的小麦粉、玉米淀粉和商业稳定剂进行的控制性掺假，研究人员对所提出方法的分析性能进行了全面评估。结果表明，LIBS可为所研究的样品提供可重复的元素指纹图谱，但由于纯样品与掺假样品的光谱高度相似，直接通过视觉进行区分并不可行。在此背景下，多变量分析的应用对于从光谱数据集中提取相关的判别信息至关重要。主成分分析（PCA）成功降低了数据维度，同时保留了大部分光谱方差，而线性判别分析（LDA）则能够在所有研究的掺假水平（包括低浓度）下实现样品类别的清晰分离。这些结果突显了所提出的光谱-化学计量学方法的强大判别能力。使用随机森林（RF）算法进行的监督分类进一步证实了该方法的预测潜力。尽管中间掺假水平（特别是6%）构成了更具挑战性的分类场景，但最佳性能在10%的浓度水平下实现，此时相对于纯阿萨伊样品的光谱偏差更为明显。在6%浓度下观察到的意外较低分类准确率，很可能与该数据集中增加的光谱噪声和逐次发射强度变异性有关，这可能降低了分类器可用的区分信息。尽管无法最终确定该变异性的确切来源，但它可能与实验因素有关，如激光脉冲能量波动或样品制备的微小差异。因此，该结果应视为一个孤立的实验局限性，而非所提出的基于LIBS的化学计量学和机器学习方法的内在局限性。总体而言，将LIBS与化学计量学和机器学习工具相结合，作为快速、非破坏性、最小化侵入性的阿萨伊果浆掺假筛查策略，展现出了显著潜力。所提出的方法具有重要的优势，包括样品前处理需求小、光谱采集速度快以及与自动化分类框架兼容，这使其在食品真伪鉴定和质量控制方面的应用中具有吸引力。