桂花酒中山梨酸钾拉曼表面增强预测模型在其他果酒中的传递

自行搭建的拉曼光谱点扫描系统,以柠檬酸钠还原法配制的SC银溶胶为表面增强剂,建立了桂花酒中山梨酸钾的定量预测模型,模型校正集决定系数(R2_C)和均方根误差(RMSEC)分别为0.978 9和0.070 3 g·kg-1,验证集决定系数(R2_P)和均方根误差(RMSEP)分别为0.934和0.165 7 g·kg-1。桂花酒中山梨酸钾的定量预测模型为主光谱模型,结合K/S算法,探讨了基于DS算法和PDS算法将桂花酒主光谱模型向杨梅酒的修正传递方法。结果显示,用K/S算法选取4个杨梅酒样品,基于DS算法传递桂花酒主光谱模型验证结果R_P和RMSEP值分别为0.906 1和0.215 0 g·kg-1。K/S算法选取3个杨梅酒样品(窗口宽度为5),基于PDS算法传递桂花酒主光谱模型验证结果R_P和RMSEP值分别为0.905 5和0.225 0 g·kg-1。DS算法和PDS算法均可以用少量样品将桂花酒中山梨酸钾的主光谱预测模型有效传递给杨梅酒,实现了一种被测物预测模型在同类物种间的传递,具有重要实用意义。     

基于表面增强拉曼的鸡尾酒中苯甲酸钠和山梨酸钾的同时快速检测

基于实验室自行搭建的拉曼点扫描系统,以市售鸡尾酒为研究对象柠檬酸钠还原硝酸银配制的银溶胶作为表面增强剂,探讨了鸡尾酒中苯甲酸钠和山梨酸钾两种防腐剂的同时快速检测方法。首先确定鸡尾酒中苯甲酸钠拉曼特征峰为846.1,1 007和1 605 cm-1,山梨酸钾拉曼特征峰为1 164,1 389和1 651 cm-1,进而对它们拉曼特征位移强度稳定性及鸡尾酒中两种防腐剂对拉曼特征位移强度的相互影响进行了分析。结果表明,利用该方法采集的鸡尾酒中苯甲酸钠和山梨酸钾表面增强拉曼特征位移强度具有较高的稳定性,而且鸡尾酒中苯甲酸钠和山梨酸钾的拉曼特征位移强度相互影响并不大,具有较高的稳定性。分别制备苯甲酸钠浓度范围为0.154 3~1.5 g·kg-1的42个鸡尾酒样品及山梨酸钾浓度范围为0.062~1.5 g·kg-1的45个鸡尾酒样品,分别建立了苯甲酸钠和山梨酸钾的线性回归模型。选用最佳的苯甲酸钠1 007和1 605 cm-1二元线性回归预测模型与山梨酸钾的1 164和1 651 cm-1二元线性回归预测模型,对不同浓度苯甲酸钠和山梨酸钾43个鸡尾酒样品进行了苯甲酸钠和山梨酸钾同时预测验证。结果显示,鸡尾酒中苯甲酸钠和山梨酸钾预测值与实际值相关系数(r)分别为0.949 3和0.921 8,均方根误差(RMSE)分别为0.088 2和0.142 9 g·kg-1。基于银溶胶表面增强拉曼完全可以实现鸡尾酒中苯甲酸钠和山梨酸钾两种防腐剂的快速同时检测,为液态食品中防腐剂的同时快速监测提供了技术支撑。     

基于底物内标的蜂蜜中硝基呋喃妥因拉曼信号校正方法

针对表面增强拉曼光谱信号重复性欠佳的问题,利用实验室自行搭建的拉曼点检测系统,以蜂蜜中硝基呋喃妥因兽药为检测对象,探讨了基于蜂蜜固有内标的硝基呋喃妥因表面增强拉曼峰强校正方法。首先通过含不同浓度硝基呋喃妥因蜂蜜样品及硝基呋喃妥因标准品的拉曼光谱对比分析,确定739 cm-1处蜂蜜拉曼特征位移作为底物蜂蜜的内标峰,用比值法校正硝基呋喃妥因1 353和1 612 cm-1处拉曼特征峰强用于蜂蜜中硝基呋喃妥因定量分析。相同条件下分别采集了浓度为20 mg·kg-1的硝基呋喃妥因蜂蜜样品表面增强拉曼光谱30次,1 353和1 612 cm-1处硝基呋喃妥因特征峰强相对标准偏差（RSD）分别为11.515 6%和11.162 5%,利用739 cm-1处蜂蜜拉曼特征峰强作为内标分别校正1 353和1 612 cm-1处硝基呋喃妥因拉曼特征峰强后相对标准偏差分别降为4.852 6%和4.733 2%,显著提升了表面增强拉曼特征峰强的重复性和稳定性。因为仪器系统误差及表面增强过程中不可控因素引起的人为误差等对样品表面增强光谱中739 cm-1处蜂蜜特征峰强和1 353和1 612 cm-1处硝基呋喃妥因特征峰强的影响是完全相同的,所以通过内标比值法可以有效消除和减少拉曼信号稳定性和重复性差的问题。最后采集硝基呋喃妥因浓度范围为0.4~20 mg·kg-1的69个蜂蜜样品,基于硝基呋喃妥因1 353和1 612 cm-1处拉曼特征峰强和蜂蜜739 cm-1处拉曼特征峰强比值,分别建立了一元线性回归预测模型和多元线性回归模型,其中基于蜂蜜739 cm-1处内标校正硝基呋喃妥因1 612 cm-1处拉曼特征峰强的一元线性回归模型效果最佳,与校正前相比具有更高的精度和预测能力。该模型校正集决定系数（R2_C）和验证集决定系数（R2_Ｖ）分别为0.971 2和0.969 6,校正集均方根误差（RMSEC）和验证集均方根误差（RMSEP） 分别为1.115 1和1.242 2,相对分析误差（RPD）为4.306 0。结果表明,被测底物本身持有固有内标的样品可无需加入额外的内标物,简单用内标比值法可以有效消除仪器的系统误差以及表面增强剂与样品的混合时间等对拉曼信号强度的影响,显著提高了拉曼特征信号的重复性和稳定性,为表面增强拉曼光谱定量分析提供了技术参考。     

基于硝酸钠内标物的山梨酸钾拉曼特征峰强校正

根据硝酸钠自身化学性质较稳定且拉曼特征峰与被测组分山梨酸钾谱峰能完全分离的特点,以硝酸钠为内标物对食品中常用防腐剂山梨酸钾的拉曼光谱进行校正;以质量分数为0.1的硝酸钠在拉曼特征位移1053cm~(-1)处的特征峰作为内标峰,分别计算其与49个样品中相同浓度硝酸钠特征峰强的相对比值,用相对比值分别校正49个样品的山梨酸钾特征峰强,采用一元线性回归分析对山梨酸钾进行定量建模分析。结果表明:校正后,山梨酸钾预测模型校正集和预测集的相关系数显著增大,山梨酸钾在1399cm~(-1)处特征峰强的一元线性回归定量预测模型校正集和预测集相关系数的平方分别为0.9885、0.9865,均方根误差分别为3.0384×10~(-3)、3.7643×10~(-3);基于最佳预测模型对新配制的18个新样品进行预测,预测值和真实值的相关系数的平方为0.9799,均方根误差为4.8702×10~(-3),说明用硝酸钠内标法可以有效减小检测仪器、检测环境以及人为因素对山梨酸钾拉曼峰强的影响,提高被测物预测模型的精度。     

表面增强拉曼光谱准确检测玉米中杀螟硫磷农药残留

杀螟硫磷是一种在农作物上广泛使用的有机磷杀虫剂,常用于玉米上害虫的防治。过量或者不合理施用导致的残留积累关系到食品安全和人体健康。常规检测杀螟硫磷的方法有气相色谱-质谱法、高效液相色谱法,其准确性虽好,但存在需要专业人员介入、样品前处理复杂、检测时间长等缺点。表面增强拉曼光谱(SERS)法具有分析速度快、检测灵敏度高和特异性好等优点,被广泛应用于农产品中痕量残留的快速检测。利用表面增强拉曼光谱结合化学计量学方法实现玉米中杀螟硫磷残留的准确检测。以两步种子生长法合成的纳米金棒作为拉曼增强基底,测量600～1 800 cm-1范围内的拉曼光谱。对比杀螟硫磷乙醇溶液和金棒的光谱,确定杀螟硫磷的特征峰在650,830,1 082,1 241,1 344和1 581 cm-1处。采用简单预处理方法快速提取玉米中的杀螟硫磷残留。将受污染的玉米样品粉碎后,利用乙醇溶剂对残留进行两次提取,每次获取的提取液经离心获得上清液,将上清液合并混匀,在水浴中蒸发浓缩,浓缩后的上清液用于采集SERS光谱。每个浓度制备50个平行样本。各浓度残留提取液中的残留参考值采用色质联用方法测定。对比残留提取液的光谱,1 082,1 241和1 581 cm-1处特征峰强度随残留浓度的降低而迅速变弱甚至消失,650,830和1 344 cm-1处的特征峰直至残留浓度为0.48 μg·mL-1时依然可见。当浓度低至0.37 μg·mL-1时,所测光谱与空白提取液光谱相似。采用主成分分析(PCA)提取不同浓度杀螟硫磷残留光谱的主体信息,其中残留为0.37 μg·mL-1和空白提取液光谱的主成分得分重叠,进而判断SERS方法对玉米中杀螟硫磷残留的检测限可达到0.48 μg·mL-1,低于国家规定的农作物中最大残留限,体现出SERS检测的高灵敏性。选取浓度为14.25 μg·mL-1的50个样本分析其650,830和1344 cm-1处的特征峰强度变化可知,所采集的光谱呈现出较好的重复性,相对标准偏差(RSD)值仅为3.12%。对杀螟硫磷残留的定量分析采用支持向量机回归(SVR)实现,Savitzky-Golay卷积平滑和小波变换(WT)用于本次光谱数据的预处理。校正集和预测集样本的划分采用Kennard-Stone算法实现,模型的性能采用校正均方根误差(RMSEC)、校正集决定系数(R2_c)、预测均方根误差(RMSEP)和预测集决定系数(R2_p)评估。最优模型为SVR结合WT所构建的,具有最小的预测误差,其中校正集的RMSEC=0.103 2 μg·mL-1,R2_ｃ=0.999 74,预测集的RMSEP=0.134 1 μg·mL-1,R2_p=0.999 60。同时,最优模型的预测值与色质联用法所测值基本一致,其预测回收率为95.31%～100.66%。以上表明,SERS结合化学计量学方法检测玉米中杀螟硫磷残留是准确可行的,且有望推广到农作物中多种农药残留的检测,为农产品的安全检测提供一种新思路。     

基于表面增强拉曼光谱快速定量检测碳酸饮料中苯甲酸钠的方法

利用实验室自行搭建的拉曼光谱检测系统,确定了苯甲酸钠位于843.5cm-1、1007cm-1和1605cm-1处的3个拉曼特征峰;以柠檬酸钠还原硝酸银配制的银溶胶作为表面增强剂,设计了快速检测市售碳酸饮料中苯甲酸钠含量的方法。将44个苯甲酸钠浓度不同的碳酸饮料的原始光谱曲线进行Savitzky-Golay平滑降噪及基线背景扣除预处理,然后随机分为32个校正集和12个验证集,采用一元线性回归、多元线性回归、偏最小二乘回归、主成分回归和支持向量机回归等方法进行建模。结果表明,以843.5cm-1、1605cm-1处的2个特征峰建立的二元线性回归模型的建模结果最好,验证集相关系数为0.9603,验证集的均方根误差为0.0867×10-3。该二元线性回归模型可以实现市售碳酸饮料中苯甲酸钠的快速定量检测,为食品中的苯甲酸钠含量的实时在线检测提供了技术支撑。     

基于表面增强拉曼的碳酸饮料中苯甲酸钠的快速检测

利用实验室自行搭建的拉曼点检测系统,确定了苯甲酸钠的843.5cm-1、1007cm-1、1605cm-1处3个拉曼特征峰,以柠檬酸钠还原硝酸银配制的银溶胶作为表面增强剂,探讨了市售碳酸饮料中苯甲酸钠的快速检测方法。44个不同浓度的苯甲酸钠碳酸饮料原始光谱曲线经S-G平滑及Baseline基线扣除预处理后,随机分为32个校正集和12个验证集,采用一元线性回归、多元线性回归、偏最小二乘回归、主成分回归、支持向量机回归等方法进行了建模分析。结果表明,以苯甲酸钠的843.5cm-1、1605cm-1处2个特征峰所建立的二元线性回归模型最好,验证集相关系数(R2P)为0.9603,验证集的均方根误差(RMSEP)为0.0867g/kg。该方法完全可以实现市售碳酸饮料中苯甲酸钠的快速定量检测,为食品中的苯甲酸钠实时在线监测提供了技术支撑。     

蜂蜜中乐果农药残留的表面增强拉曼光谱定量分析

应用表面增强拉曼光谱(surface-enhanced Raman spectroscopy, SERS)技术,结合线性回归算法,开展蜂蜜乐果中农药残留快速定量分析方法研究。含乐果农药残留的益母草蜂蜜样品30个作为被测对象,划分成建模集(20个)和预测集(10个)。采用具有规则倒四角锥体结构的Klarite基底作为增强基底,提高特征拉曼位移峰的相对强度。通过含乐果农药残留蜂蜜样品的SERS光谱与乐果标准品的常规拉曼光谱间的对比分析,找到了蜂蜜中乐果农药残留对应的四个特征拉曼位移峰867,1 065,1 317和1 453 cm-1。采用线性回归方法,建立了蜂蜜中乐果农药残留对应的四个特征拉曼位移峰强与乐果浓度间的线性回归模型。10个未参与建模的预测集样品,评价了模型的预测能力。经比较,采用867 cm-1处特征拉曼位移峰强建立的线性回归模型预测结果最优,模型预测相关系数为0.984,预测均方根误差为0.663 ppm。检测限达到2 ppm,接近我国农药残留最大限量标准的检测限。实验结果表明采用表面增强拉曼光谱技术结合线性回归算法实现蜂蜜中乐果农药残留的快速定量分析是可行的。可为其他农产品的农药残留快速定量分析提供参考依据。     

脐橙表皮两种混合农药残留的表面增强拉曼光谱定量检测

针对水果生产中的农药残留问题,利用表面增强拉曼光谱技术(SERS),把害虫防治使用较多的有机磷农药亚胺硫磷与毒死蜱作为研究对象,探索性研究了将金胶用作增强基底检测以脐橙为载体的混合农药残留快速检测。采集混合农药样品的SERS光谱,通过对比农药的特征峰可以对混合农药进行定性分析。同时利用化学计量学方法,建立混合农药的定量数学模型,并通过对比不同的预处理方法和建模波段对混合农药样品拉曼光谱的处理结果,选择出最优预处理方法与算法的组合。在拉曼光谱范围200～2 300 cm-1内,利用PLS算法处理经一阶微分预处理后的光谱数据,建立的脐橙表皮混合农药残留回归模型效果较好,预测相关系数(R_p)为0.912,预测均方根误差(RMSEP)为3.601 mg·L-1。经过波段筛选后并对光谱处理结果对比,发现光谱在200～620,830～1 040及1 250～2 300 cm-1范围内,利用PLS算法处理经一阶微分预处理后的光谱数据,建立的回归模型效果较好,R_p为0.909,RMSEP为3.338 mg·L-1。研究表明使用SERS技术,可以对脐橙表皮上残留的混合农药进行定性与定量的分析。     

亚胺硫磷表面增强拉曼光谱定量解析模型研究

拉曼光谱分析方法结合表面增强技术用于亚胺硫磷农药的检测。连续小波变换(continuous wavelet transforms, CWT)和连续投影算法(successive projections algorithm, SPA)分别用于拉曼光谱的预处理和特征拉曼位移的选择,多元线性回归(multi-linear regression, MLR)用于特征拉曼吸收的回归分析。结果表明,芯片增强可以实现低浓度农药溶液拉曼响应的增强;CWT可以提高拉曼光谱的分辨率和平滑度,消除光谱的平移误差;基于SPA方法的特征位移选择方法,既可以提高模型的分析精度,又可以简化MLR模型的回归变量;与特征增强波段的MLR模型比较,CWT-SPA-MLR模型可将验证集的预测相关系数(correlation coefficient,r)和预测均方根误差(root mean square error of prediction,RMSEP)由0.823和1.640改善为0.903和1.122。CWT-SPA-MLR可用于拉曼光谱定量解析模型的建立,该方法简单易用具有良好的重复性。     

动态表面增强拉曼光谱在敌瘟磷快速定量分析中的应用

动态表面增强拉曼光谱是在干态与湿态表面增强拉曼光谱(SERS)检测的基础上发展而来的,不仅具有极好的信号增强,还具有良好的重复性与稳定性。提出了一种基于动态SERS与多元分析方法的敌瘟磷快速定量分析方法。实验中,首先测量100,50,10,5,1,0.5和0.1 mg·L-1敌瘟磷动态SERS谱图,并使用多项式校正方法去除光谱基线漂移。然后,处理后的全范围(600~1 800 cm-1)与特征范围(674~713,890~1 195,1 341~1 399和1 549~1 612 cm-1)光谱分别利用支持向量机回归(SVR)构建定量模型,实现对敌瘟磷的定量分析。同时,实验还评估了主成分分析(PCA)对定量分析结果的影响。实验结果表明特征范围光谱所建立的模型预测误差较小,而数据经过PCA处理后预测误差得到进一步下降。最优回归模型是由特征范围光谱经PCA处理后所构建的模型(RMSECV=0.065 7 mg·L-1),模型能够准确地预测敌瘟磷溶液浓度。为了测试实际检测中的效果,该方法被用来对苹果表面的敌瘟磷残留进行检测,并通过气相色谱法进行验证。结果表明该方法对于同一样本多次检测值波动较小,且检测均值与气相色谱检测值相差较小,相对误差最大仅为5.13%。此外,动态SERS检测可在2 min内完成,且后续数据处理也可在数秒内完成,同时整个过程的试剂消耗仅在2 μL左右。因此,所提出的方法在敌瘟磷快速准确检测具有极大优势。     

种荧光光谱法和PSO-BP神经网络相结合的山梨酸钾浓度测定的新方法

研究了山梨酸钾在水溶液和橙汁中的荧光特性,结果表明在两种溶液中山梨酸钾的荧光特性虽然有很大的区别,但是它们的荧光特征峰都存在于λ_ex/λ_em=375/490 nm。从二维荧光光谱可以看出,橙汁中山梨酸钾的浓度和相对荧光强度关系错综复杂,两者不再满足线性关系。为了准确测定橙汁中山梨酸钾的浓度,提出了一种微粒群(PSO)算法优化的误差逆向传播(BP)神经网络的新方法。两组预测浓度的相对误差分别为1.83%和1.53%,预测结果表明该方法具有可行性。在浓度范围为0.1~2.0 g·L-1内,PSO-BP神经网络能够完成橙汁中梨酸钾浓度的准确测定。     

基于银溶胶表面增强拉曼光谱对菠菜毒死蜱农药的快速检测

利用表面增强拉曼光谱(SERS)技术,建立了一种用于菠菜中毒死蜱农药残留的非破坏、快速检测方法。以碱性环境下盐酸羟胺还原法制备的银溶胶作为表面增强剂滴涂于菠菜样品表面后,采用实验室自行搭建的拉曼系统直接采集样品的拉曼信息,该方法无需对样品进行前处理,可以实现菠菜中毒死蜱含量的实时在线定量分析。采集24片不同毒死蜱含量的菠菜样品拉曼光谱,每个样品采集20个点。拉曼信号采集后,用气相色谱法对24个菠菜样品中毒死蜱含量进行检测。为了消除光谱噪音以及荧光背景对分析建模的影响,分别采用Savitzky-Golay平滑和有效峰线性拟合法对原始拉曼光谱进行预处理。该表面增强拉曼方法具有较好的重复性,实验中对50个相同毒死蜱含量,但不同状态的菠菜进行光谱采集,其相对标准偏差为13.4%,说明该方法具有一定的普适性。光谱预处理后,选取615.5~626.4 cm-1波段为感兴趣区域,建立0.05~37.4 mg·kg-1浓度范围内毒死蜱含量的多元线性预测模型,结果表明感兴趣区域的拉曼信号和毒死蜱浓度呈良好的线性关系,其校正集和验证集相关系数R_C和R_P分别为0.961和0.954。该方法的最低检出含量为0.05 mg·kg-1,低于国家标准规定的农药残留最大限量。该方法简单快速,无需样品前处理,可以实现果蔬的农药残留快速、定量检测。     

低浓度水质化学需氧量紫外吸光检测中浊度与pH影响分析

采用紫外吸光法采集浓度范围1～25 mg·L-1的邻苯二甲酸氢钾配置的标准液图谱,对光谱进行不同的预处理后运用偏最小二乘法建立紫外吸光光谱下的COD定量分析模型,并对所建模型进行了浊度、pH值的影响分析。结果显示采用平滑一阶导数预处理方法,内部交叉验证均方根RMSECV值为0.122 27,主成份数为4,预测模型的平方相关系数r为0.999 8,预测相对误差在0.03％～1.7％的范围内;对0～100 NTU不同浊度的溶液,应用所建模型补偿后相对标准偏差RSD达到2.3%;pH在3～10变化时,影响可以忽略。     

基于拉曼光谱的海水COD检测方法的研究

海水的化学需氧量大小直接决定海水水质的污染程度,传统的紫外-可见光波段检测时荧光干扰较大,近红外光波段检测时,水分子红外吸收峰影响较严重。提出一种基于拉曼光谱的海水化学需氧量检测方法,以不同浓度的模拟海水样本为被测对象,确定特征拉曼位移为981.6 cm-1,对拉曼光谱预处理后,通过偏最小二乘法对拉曼光谱的相对强度与碱性高锰酸钾法检测得到的海水化学需氧量进行回归建模。实验结果显示,训练集和预测集相关系数达到0.99,验证集决定系数可达到0.990 9,预测均方根误差为0.79 mg/L。     

SERS技术用于苹果表面有机磷农药残留的检测

传统农药残留检测方法比较繁琐、耗时、破坏样品,快速、无损、实时在线是农残检测的发展方向。本文利用表面增强拉曼光谱技术,以苹果为载体,有机磷农药甲拌磷和倍硫磷为研究对象,初步探讨了苹果表面甲拌磷和倍硫磷农药的快速无损检测方法。结果表明,运用表面增强拉曼光谱技术,可使两种有机磷农药的特征频率较易识别,并选取甲拌磷的728 cm-1和倍硫磷的1 512 cm-1 处的拉曼信号作为定量分析目标峰,采用内标法建立甲拌磷、倍硫磷的线性回归模型,可以作为定量分析甲拌磷、倍硫磷的参考依据。