一种用于光谱特征解耦的3D相关光谱学框架:实现乳脂掺假的高精度识别与定量分析
《Analytica Chimica Acta》:A 3D Correlation Spectroscopy Framework for Spectral Feature Decoupling: Enabling Precise Authentication and Quantification of Dairy Cream Fat Adulteration
【字体:
大
中
小
】
时间:2026年07月04日
来源:Analytica Chimica Acta 6.1
编辑推荐:
吴希军|郑轩|王世新|雷从宇|张海英|杜天豪|田瑞玲中国河北省电气工程研究所河北测量技术及仪器重点实验室,秦皇岛066004
摘要
背景
传统拉曼光谱技术在用于乳脂真实性检测时,常常会因温度变化而受到严重影响,这种变化会改变晶体的有序性,从而掩盖低浓度掺假信号的痕迹。为克服这一
吴希军|郑轩|王世新|雷从宇|张海英|杜天豪|田瑞玲中国河北省电气工程研究所河北测量技术及仪器重点实验室,秦皇岛066004
摘要
背景
传统拉曼光谱技术在用于乳脂真实性检测时,常常会因温度变化而受到严重影响,这种变化会改变晶体的有序性,从而掩盖低浓度掺假信号的痕迹。为克服这一局限,本研究建立了一种新的分析框架,将拉曼光谱、三维相关光谱以及定制的三维卷积神经网络架构相结合。
结果
通过在温度和浓度双重干扰下构建三维光谱数据立方体,三维相关光谱成功地将物理热响应与化学结构变化区分开来。光谱分析显示,温度会改变甘油三酯的排列方式,进而影响960厘米波长的振动均匀性;而掺假物则会破坏晶体结构,导致960厘米波长和1655厘米波长处出现明显的变化。为充分利用这些高维特征,研究人员开发了三维卷积神经网络模型,并通过样本级数据集划分来避免数据泄漏问题。该模型能够有效捕捉空间-浓度耦合特征,其性能优于PLSR、SVR、XGBoost、一维卷积神经网络和二维卷积神经网络等基准模型。最终,该分析框架在掺假物定性分类方面实现了100%的准确率,在定量分析方面也表现出极高的精确度(R2值大于0.99)。
意义
本研究克服了由温度波动带来的分析限制。通过有效解析波数空间和浓度维度上的高度差异性特征,所提出的三维相关光谱和三维卷积神经网络框架为快速、可靠且具有机制依据的乳制品真实性检测提供了解决方案。
引言
作为乳脂的核心成分,牛奶脂肪因其天然的浓郁奶香、优异的乳化稳定性与流变特性,以及富含必需脂肪酸、钙、铁等微量元素且不含反式脂肪酸的营养优势,被广泛用于乳制品加工和高端烘焙产品中[1]。然而,由于乳脂的生产成本较高,市场上出现了用棕榈油和氢化植物基乳脂等廉价油脂掺假的现象。据调查,约有15%到20%的标称纯乳脂产品实际上被掺入了廉价油脂[2]。这类掺假行为不仅严重侵犯了消费者的知情权,还会因摄入氢化植物基乳脂中的反式脂肪酸而增加患心血管疾病的风险[3];同时,这也违反了中国国家食品安全标准(GB 19646-2025)中关于纯乳脂脂肪含量不得低于30%的规定。因此,开发精准、快速的乳脂掺假检测技术已成为乳制品质量控制的当务之急。
随着检测技术的不断发展,出现了多种掺假检测方法[4],包括气相色谱-质谱法[5]、高效液相色谱法[6]、近红外光谱法[7]、传统拉曼光谱法[8]、表面增强拉曼光谱法以及电化学传感器[9]。不过,这些技术在实际应用中都存在一定的局限性。虽然气相色谱-质谱法和高效液相色谱法具有较高的定量分析能力,但它们需要复杂的样品预处理步骤,如脂肪提取和衍生化处理,且检测过程耗时较长,单个样品的检测时间需2到4小时,同时仪器维护成本也较高,因此不适合现场快速检测[10]。在各类非破坏性光谱检测方法中,近红外光谱法和拉曼光谱法的实际应用效果存在显著差异。近红外光谱法的优势在于其深厚的样品穿透能力、高通量分析能力以及无荧光干扰的特点,但其缺点是光谱中充斥着宽泛且重叠严重的泛频带和组合带,这种缺乏结构特异性的特点使得其在低掺假浓度下难以区分结构极为相似的脂类物质(如乳脂与棕榈油)[11][12]。而拉曼光谱法则能够捕捉到脂类分子的基本非极性骨架振动(如C=C键和C-C键的伸缩振动),从而产生清晰、高分辨率的特征峰,这些特征峰可以精确反映脂类的晶体状态[13][14]。尽管如此,拉曼光谱也存在一些缺陷,比如散射效率较低、可能存在背景荧光现象,而且在使用传统的一维解析方法时,极易受到温度变化的影响。乳脂晶体的晶体有序性会随温度变化而改变,从而导致其特征拉曼峰的强度和形状发生变化,这些变化往往会被误认为是低浓度掺假现象,而且很难捕捉到低浓度掺假时的细微特征差异。表面增强拉曼光谱法可以通过贵金属纳米结构增强拉曼光谱信号强度,但该方法更适合用于痕量物质的检测,对于检测乳脂中常规比例的掺假物来说适用性有限。电化学传感器则存在特异性较差、检测周期较长的问题,无法满足同时检测多种类型掺假物的需求[17]。
光谱分析技术凭借其非破坏性、快速且实时等优点,已成为检测乳脂掺假的重要发展方向。拉曼光谱由于其具备极高的分子结构识别能力,能够准确描述乳脂甘油三酯的振动特征,为从分子层面识别掺假物提供了依据[18][19][20]。为突破传统拉曼光谱依赖特征峰强度进行解读的局限性[21],光谱分析技术逐渐向高维相关分析方向发展。其中,二维相关光谱已经发展成为一种成熟的分析方法[22][23]。通过引入浓度、温度和pH值等干扰因素,二维相关光谱能够提取波数之间的相关特征,而且已成功与偏最小二乘回归、支持向量回归等机器学习算法以及卷积神经网络等深度学习模型相结合,在食品成分的定性识别和定量预测领域积累了大量应用案例。吴等人的研究表明,将二维相关光谱与深度学习模型相结合,可以有效提升食品中微量掺假物的特征识别能力[24],在检测乳制品和食用油等食品中的掺假物时能够实现高精度识别。董等人则将近红外高光谱图像的二维相关光谱与卷积神经网络相结合,利用二维相关光谱识别特征波长并分析化学键的变化,从而实现了对枸杞来源的高精度识别[25]。吴等人还成功地将同步二维相关切片光谱技术与多元统计方法相结合,用于检测牛奶中的三聚氰胺和尿素[26]。深度学习模型,尤其是卷积神经网络,凭借其强大的非线性特征学习能力,能够高效、自动地从复杂的二维相关光谱中提取有区分度的抽象特征[27]。虽然二维相关光谱只能覆盖与波数对相关的二维信息,但三维相关光谱通过构建波数空间和浓度的立方体结构,为掺假物浓度的多维特征挖掘提供了更有力的工具。目前的研究表明,三维相关光谱仍处于探索阶段。颜等人开发了一种新型的三维异步相关方法,并将其与拉曼光谱及机器学习技术相结合,用于对中国手工纸样品进行分类[28]。不过,这类研究仍然依赖于传统的机器学习算法,而传统算法存在特征选择依赖人工干预的缺陷,这限制了其对三维立体信息的充分利用,因此其检测准确率和抗干扰能力难以满足实际应用的需求。更重要的是,目前还缺乏关于将三维相关光谱与传统算法[29]或深度学习算法,尤其是针对其三维结构设计的三维卷积神经网络[30]相结合,用于检测乳脂掺假的相关系统研究。现有文献主要聚焦于咖啡粉[31]、蜂蜜和食用油[32]等特定食品中的掺假物检测,而在针对乳脂中常见的棕榈油和氢化植物基乳脂等廉价掺假物的定性分类和定量预测研究方面还存在较大不足[33]。
为填补这一研究空白,本研究提出了一种基于三维相关光谱的乳脂掺假检测分析策略。该策略的核心创新在于在温度和浓度双重干扰下构建三维光谱数据立方体,并计算三维相关光谱的同步和异步谱图,从而揭示分子层面的相互作用,尤其是拉曼特征峰的反应情况。随后,通过多种模型对三维相关光谱方法的可行性进行了验证,这些模型可用于掺假物类型的定性分类以及掺假程度的定量预测(范围为0–25%)。本研究为乳制品的质量控制提供了一种快速、非破坏且可靠的解决方案。
样本制备过程
本研究使用了安克和雀巢品牌的乳脂、V-Eat品牌的植物基乳脂以及从京东商城购买的棕榈油。首先将这些油脂在40摄氏度下加热融化,然后通过高速离心机分离出乳脂和氢化植物基乳脂的上层溶液。接着,按照0%、5%、10%、15%、20%和25%的不同掺假比例,将乳脂与棕榈油或氢化植物基乳脂混合。混合后的样品被加热到50摄氏度,再通过磁力搅拌器进行均匀处理,搅拌速度为15,000转/分钟。处理完成后,将掺假样品密封,避光保存,在4摄氏度的条件下冷藏24小时。
光谱与干扰响应分析
作为一种快速且非破坏性的检测工具,近红外光谱具有很高的测量效率,能够生成清晰的宏观光谱图谱(见图3A)。然而,要区分结构极为相似的脂类物质仍是一个亟待解决的难题。近红外光谱图(见图3B)中充斥着宽泛且相互重叠的C-H振动带(例如约6900、5780和5665厘米波长处的振动带)。由于这种光谱缺乏足够的结构特异性,无法检测出微量掺假物,也难以准确提取相关信息。
结论
本研究成功克服了传统拉曼光谱易受温度变化影响的分析局限,填补了将高维三维相关光谱特征与深度学习技术结合用于乳脂真实性检测方面的研究空白。通过深入研究温度、掺假物浓度与光谱响应之间的相互作用机制,本研究建立了一个将三维相关光谱与三维卷积神经网络架构相结合的强大分析框架。
作者贡献声明
吴希军:负责原始稿件的撰写、结果验证、项目管理、方法设计、资金申请、数据整理以及概念构思工作。郑轩:负责审稿与编辑工作、原始稿件撰写、软件应用、方法设计、实验研究、正式数据分析以及概念构思工作。田瑞玲:负责项目监督工作。张海英:负责审稿与编辑工作。杜天豪:负责审稿与编辑工作。王世新:负责审稿与编辑工作。雷从宇:负责审稿与编辑工作。
利益冲突声明
作者声明不存在任何可能影响本文研究的已知财务利益或个人关系。
利益冲突声明
? 作者声明不存在任何可能影响本文研究的已知财务利益或个人关系。
致谢
本研究得到了中国国家自然科学基金(项目编号为62575251)以及中央政府引导地方科技发展基金(项目编号为236Z5501G)的支持。
生物通微信公众号
生物通新浪微博
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