1 辽宁石油化工大学人工智能与软件学院, 辽宁 抚顺 113001
2 辽宁石油化工大学石油化工学院, 辽宁 抚顺 113001
芘作为多环芳烃(PAHs)类物质广泛存在于自然环境中, 亲脂性强, 对人体有致癌影响。 因此, 食用油中芘的含量的判定对品质的把控具有深远的意义。 采用拉曼光谱与人工智能算法相结合进行多环芳烃的定量分析是当前的一个研究热点。 将一毫升食用油与不同固定浓度的芘液体混合制作样本, 然后制作薄层色谱板与金粒子, 采用薄层色谱和表面增强拉曼散射(SERS)光谱相结合的方法进行实验获得光谱数据, 选取自适应迭代加权惩罚最小二乘算法进行预处理, 再采用Multi parameter-Principal Component Analysis-Back Propagation Neural Network模型方法进行定量分析。 该模型首先在预处理后的光谱中选取两个特征峰进行分峰拟合获取特征峰的高度、 半高宽、 面积等参数。 将两个特征峰的拉曼数据与通过拟合获取的参数进行归一化再采用主成分分析获取关键参数, 将获取的关键参数作为输入层输入基于L2正则化的BP神经网络中, 输出预测浓度。 实验分别采用不同的算法进行浓度预测, 实验结果表明, 通过偏最小二乘算法预测的芘浓度, 其测试集决定系数R2为0.58, 均方根误差(RMSEC)为1.85; 采用线性回归拟合特征峰面积与浓度的规律最终预测的芘浓度, 其测试集决定系数R2为0.26, 均方根误差(RMSEC)为2.28; 采用Multi parameter-Principal Component Analysis-Back Propagation Neural Network模型预测芘浓度, 其测试集决定系数R2为0.99, 均方根误差(RMSEC)为0.31, Multi parameter-Principal Component Analysis-Back Propagation Neural Network模型预测精准度更高, 误差更小。 模型是针对光谱数据信息与样本浓度之间非线性、 高维度的关系, 而建立的预测精度及建模效率均高于同类对比的算法模型。 模型拟合特征峰获取关键变量, 将关键变量与特征峰的拉曼位移都作为特征向量, 因此特征向量较为充分, 模型利用PCA提取拉曼光谱非线性特征并且采用基于L2正则化BP神经网络泛化力强的优点, 防止过拟合, 因此可以更加精准快捷地预测出芘的浓度。
芘 表面增强拉曼散射 薄层色谱 高斯拟合 神经网络 主元分析 预测 Pyrene Surface-enhanced-Raman-scattering Thin-layer-chromatography Gaussian-fitting Neural-network Principal-component-analysis Forecast
辽宁石油化工大学石油化工学院, 辽宁 抚顺 113001
表面增强拉曼光谱(SERS)作为一种快速、 灵敏的分析技术, 被广泛应用于分析化学、 环境检测及食品安全等领域。 在实际生活中的样品大多为混合物, 直接使用SERS技术无法对复杂样品中的分析物进行准确测定。 薄层色谱(TLC)分离技术具有操作简便, 成本低廉及分离速度快等特点, TLC作为一种高通量的分离技术在合成化学、 分析化学、 药物化学及食品科学等研究领域得到了广泛的应用。 TLC对待测物体系进行分离后, 通过碘显色或荧光对分离的斑点进行可视化处理, 再结合质谱, 红外光谱、 荧光光谱及SERS光谱等分析技术可以对分离物质进行定性及定量分析。 TLC与SERS联用技术的出现, 使得SERS光谱可以应用于混合物中分析物的有效测定。 TLC-SERS技术同时具备良好的分离作用和灵敏的光谱检测性能, 适用于对复杂样品进行分离检测。 在TLC-SERS检测过程中, 样品用量少且无需使用复杂的实验设备即可实现对混合物现场快速检测。 介绍了SERS的增强机理以及活性基底的制备, 对TLC-SERS技术在环境污染物检测、 食品安全、 中草药鉴定及生物医学等方面的应用做了概括性综述。 给出了TLC-SERS技术在有害物快检领域的应用实例, 为TLC-SERS技术未来用于食品安全、 法医鉴定及环境治理中快速检测方法建立及仪器设备研发提供参考。
薄层色谱 表面增强拉曼光谱 薄层色谱原位的表面增强拉曼 Thin layer chromatography Surface enhanced Raman spectroscopy TLC-SERS 
