基于XGBoost与LightGBM的石榴汁浓缩液光谱掺假鉴别——与传统化学计量学模型(Classical Chemometric Models)的比较

《Food and Bioprocess Technology》:XGBoost and LightGBM for Spectral Authentication of Pomegranate Juice Concentrate: A Comparison with Classical Chemometric Models

【字体: 大 中 小 】 时间:2026年06月06日 来源:Food and Bioprocess Technology 5.8

编辑推荐:

  确保果汁类产品的真实性日益受到关注,尤其是高价值石榴汁浓缩液(Pomegranate Juice Concentrate, PJC),易受经济驱动型掺假影响。本研究采用傅里叶变换红外(Fourier-transform infrared, FTIR)、紫外-可

  
确保果汁类产品的真实性日益受到关注,尤其是高价值石榴汁浓缩液(Pomegranate Juice Concentrate, PJC),易受经济驱动型掺假影响。本研究采用傅里叶变换红外(Fourier-transform infrared, FTIR)、紫外-可见(UV-Visible, UV-Vis)及荧光光谱(Fluorescence Spectroscopy)技术检测PJC中掺入转化糖浆(Invert Sugar Syrup, ISS)、液体糖浆(Liquid Sugar Syrup, LSS)及果汁浓缩液(苹果汁浓缩液Apple Juice Concentrate, AJC与葡萄汁浓缩液Grape Juice Concentrate, GJC)的情况。共分析166份真实及掺假样品,分别采用化学计量学方法(偏最小二乘判别分析Partial Least Squares Discriminant Analysis, PLS-DA;正交偏最小二乘判别分析Orthogonal Partial Least Squares-Discriminant Analysis, OPLS-DA;偏最小二乘回归Partial Least Squares Regression, PLS;正交偏最小二乘回归Orthogonal Partial Least Squares Regression, OPLS)与梯度提升算法(Extreme Gradient Boosting, XGBoost;Light Gradient Boosting Machine, LightGBM)建立模型。光谱分析显示真实与掺假样品间存在明显差异。序贯多级分类策略获得较高诊断准确率,其中基于FTIR的模型表现最佳,验证集正确分类率(Correct Classification Rate, CCR)高于97%。在掺假比例定量预测中,基于FTIR的PLS与XGBoost模型决定系数(R2)>0.97,剩余预测偏差比(Residual Predictive Deviation, RPD)>7,表明具备较强定量能力。UV-Vis与荧光光谱模型表现中等,其中荧光模型变异性最大。综上,研究结果表明FTIR光谱结合梯度提升算法性能优越,支持其在工业及监管场景作为快速可靠的手段用于果汁真实性筛查与掺假确认。
论文解读:《XGBoost and LightGBM for Spectral Authentication of Pomegranate Juice Concentrate: A Comparison with Classical Chemometric Models》发表于《Food and Bioprocess Technology》
石榴汁浓缩液(Pomegranate Juice Concentrate, PJC)因富含抗氧化物质且具有较高市场价值,常成为经济驱动型掺假的目标,典型掺假手段包括添加廉价糖类糖浆(转化糖浆Invert Sugar Syrup, ISS、液体糖浆Liquid Sugar Syrup, LSS)或其他果汁浓缩液(苹果汁浓缩液Apple Juice Concentrate, AJC、葡萄汁浓缩液Grape Juice Concentrate, GJC)。传统色谱或同位素分析法虽准确但耗时费力且需复杂前处理,难以满足现场高通量筛查需求。光谱技术(傅里叶变换红外Fourier-Transform Infrared, FTIR;紫外-可见Ultraviolet-Visible, UV-Vis;荧光Fluorescence Spectroscopy)因其快速、无损、低成本的特点被逐步引入食品真伪鉴别领域,但不同光谱技术与建模方法的优劣比较尚不充分,尤其缺乏梯度提升算法(Extreme Gradient Boosting, XGBoost;Light Gradient Boosting Machine, LightGBM)与经典化学计量学方法(偏最小二乘Partial Least Squares, PLS;正交偏最小二乘Orthogonal Partial Least Squares, OPLS)在同一体系下的系统对比。为此,研究人员以PJC掺假为对象,采集三种光谱数据,构建序贯多级分类与回归模型,系统评估并比较各类光谱-模型组合在掺假定性判别与掺假比例定量预测中的表现,以期为工业及监管场景筛选最优的光谱联用建模方案。
主要关键技术方法:
研究人员收集26份市售真实PJC、1份AJC与1份GJC及ISS与LSS两种糖浆,将PJC稀释至标准白利度(Brix)68°后按3%~30%质量比与四种掺假物配制140份掺假样品,共计166份。分别采集4000~800 cm?1波段ATR-FTIR光谱、320~500 nm波段UV-Vis光谱(样品1:10稀释,弃用<320 nm区)及激发波长320 nm下350~600 nm发射荧光光谱。光谱经一阶/二阶/三阶导数、标准正态变量变换(Standard Normal Variate, SNV)、多元散射校正(Multiplicative Scatter Correction, MSC)、Savitzky-Golay滤波及组合预处理后,按2:1分层随机抽样划分为校正集与独立验证集,采用Monte Carlo重复抽样与7折交叉验证优选预处理与参数。建立三级序贯分类模型——第一级判别真伪,第二级区分糖浆型/果汁型掺假物,第三级细分具体掺假种类(ISS vs LSS;AJC vs GJC),分别采用PLS-DA、OPLS-DA、XGBoost与LightGBM建模;对掺假比例预测建立PLS与OPLS回归及XGBoost、LightGBM回归模型,并以区域排除法(Leave-one-region-out)评估模型化学依赖性。
研究结果
Spectral Profile Evaluation(光谱轮廓评价):
FTIR光谱在3000~2600 cm?1(C-H伸缩)、1750~1700 cm?1(C=O伸缩)及指纹区(1500~900 cm?1,糖C-O/C-H弯曲)处,掺假样品尤其含糖浆者信号增强,可区分真伪。UV-Vis光谱中真PJC于350~400 nm(酰化花青素)与510~550 nm(非酰化花青素)有特征吸收,掺入糖浆使吸收整体下降,掺入AJC/GJC则光谱重叠度高但随掺假比例升高仍呈稀释效应。荧光光谱(Ex 320 nm)在400~475 nm有发射峰,掺入含内源荧光物的AJC/GJC使荧光强度升高,而ISS/LSS无此效应。三类光谱均显示真伪样品间具可区分的化学指纹差异。
Comparison of PLS/OPLS and XGBoost Models for Authenticity Prediction(PLS/OPLS与XGBoost模型在真实性判别中的比较):
FTIR基模型中,OPLS-DA与XGBoost/LightGBM对糖浆/果汁种类判别近完美(灵敏度、特异度达1.00);XGBoost与LightGBM在真实性判别验证集正确分类率(Correct Classification Rate, CCRv)达97.3%,掺假类型判别CCRv达99.3%,优于OPLS-DA(分别为95.0%与94.3%),LightGBM特异性(0.99)高于OPLS-DA(0.95)。UV-Vis基模型中PLS-DA与LightGBM真实性判别CCRv>99%,但UV-Vis下XGBoost在掺假类型细分中CCRv降至78.0%,低于PLS-DA(95.0%)。荧光基模型中PLS-DA真实性判别CCRv=97.3%,XGBoost相近(97.0%),但在细分糖浆/果汁种类时梯度提升模型灵敏度与特异性下降,表现不及PLS-DA。综上,FTIR联合梯度提升算法在分类任务中最优,UV-Vis与荧光数据中经典化学计量学仍具竞争力。
Comparison of PLS/OPLS and XGBoost Models for Adulterant Concentration Prediction(PLS/OPLS与XGBoost模型在掺假比例预测中的比较):
FTIR基PLS与OPLS回归验证集R2>0.90,RPD最高达8.79(LSS);XGBoost校准R2c=1.000,验证R2v可达0.975(LSS)与0.970(AJC),RPD>7。UV-Vis基模型中PLS/OPLS对AJC掺假R2v=0.949,RPD=3.31;XGBoost验证R2v=0.835~0.915,RPD=2.59~3.50,稳定性略低。荧光基模型中PLS对AJC掺假R2v=0.964,RPD=3.70;XGBoost对GJC与AJC预测R2v分别为0.890与0.881,RMSEv偏高。XGBoost整体较LightGBM在回归中表现更稳健。FTIR光谱联用PLS或XGBoost可实现最低3%(ISS、LSS、AJC)及6%(GJC)掺假水平的实际可分辨检出限。
讨论与结论(Conclusion)总结翻译:
本研究对比了经典化学计量学模型与梯度提升机器学习算法,结合FTIR、UV-Vis及荧光光谱对石榴汁浓缩液掺假进行序贯认证的概念验证评估。FTIR基模型在定性与定量任务中均表现最强且稳定;梯度提升算法(XGBoost、LightGBM)尤其应用于FTIR数据时可与经典模型媲美甚至更优,且在真实性判别中提供更高特异性,有助于减少监管筛查中的假阳性误判。经典化学计量学模型(PLS、OPLS)在噪声较大的荧光数据或类别分布不均时仍具优势。FTIR基PLS与XGBoost模型对掺假比例预测R2>0.97、RPD>7,具强预测力;荧光模型变异性大,需更完善预处理或特征选择。区域敏感性分析证实模型判别力源于整体光谱化学指纹而非孤立波段或噪声。综合而言,FTIR光谱联用集成学习或化学计量学模型可作为果汁掺假快速、准确、无损筛查方案;UV-Vis与荧光可作补充手段,FTIR最具普适性。未来可探索多光谱融合模型进一步提升复杂基质检测精度,并需在更广泛独立市售样本集中验证本概念验证结论的实际适用性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号