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。

建立了一种薄层色谱(TLC)与表面增强拉曼光谱(SERS)联用快速检测食品中非法添加的碱性橙Ⅱ和酸性橙Ⅱ的方法。 采用薄层色谱法对样品提取液进行简单分离， 并优化了薄层色谱分离条件； 合成并优选出水相和有机相两类银溶胶， 分别用作碱性橙Ⅱ和酸性橙Ⅱ拉曼信号增强基底， 继而利用优选的银溶胶为增强基底对分离出的微量物质进行表面增强拉曼光谱检测， 考察了检测时间， 并确立了碱性橙Ⅱ和酸性橙Ⅱ检出限分别为1和2.5 mg·L-1。 将该方法用于实际样品检测， 成功实现了复杂食品基质中碱性橙Ⅱ和酸性橙Ⅱ的同时快速检测。 该方法具有简便、 快速、 经济、 专属性好等优势， 为复杂食品基质中碱性橙Ⅱ和酸性橙Ⅱ的同时快速检测提供了新

建立薄层色谱(TLC)与表面增强拉曼光谱(SERS)联用技术对改善睡眠类保健食品中四种非法添加化学成分(三唑仑、 艾司唑仑、 氯硝西泮及奥沙西泮)的快速检测新方法。 以环己烷-乙酸乙酯-乙醇(5∶3.5∶2)为展开剂, 利用 TLC 将添加成分与保健食品基质初步分离, 在UV254 nm下检测定位； 以780 nm激光为激发波长, 水相银溶胶为表面增强剂, 采用SERS法对TLC上的微量添加成分定性检测。 通过模拟阳性样品实验, 考察保健食品基质对添加成分TLC-SERS的影响, 并考察四种化学成分的检测限。 建立了改善睡眠类保健品中非法添加四种化学成分的TLC-SERS检测方法。 四种添加成分的TLC-SERS与相应对照品的拉曼光谱特征峰存在明显相关性； 保健食品的基质对添加成分的检测几乎没有干扰； 四种化学成分的检测限为1～4 μg。 最后, 对市售五种改善睡眠类保健食品进行检测, 均不存在非法添加情况。 该研究利用TLC与SERS相结合的方法应用于改善睡眠类保健食品中掺杂化学成分的快速检测, 并获得了镇静安眠类共四种化药的TLC-SERS谱, 建立了改善睡眠类保健食品中非法添加三唑仑等四种化药的检测方法； 该法专属、 灵敏、 快速、 简单, 并且没有显著的检测时间限制, 为改善睡眠类保健食品中掺杂化学成分的现场检测方法研究提供新的参考依据。

建立薄层色谱（TLC）与拉曼光谱联用方法, 并对减肥类保健食品中非法添加的四种化学成分（茶碱、 咖啡因、 苯丙酸诺龙、 螺内酯）进行检测。 采用TLC法将掺杂成分与保健食品基质进行初步分离, 在紫外灯（254 nm）下检视定位, 以780 nm激光为光源, 对TLC上微量掺杂成分的斑点原位, 直接检测浓集点的拉曼光谱。 考察不同配方保健食品基质对掺杂成分拉曼光谱的影响, 并对检测限进行验证, 初步建立了减肥类保健食品中四种掺杂成分的TLC原位拉曼光谱检测方法。 常用保健食品基质对掺杂成分检测结果无干扰, 检测限为2~4 μg, 在九种减肥类保健食品中检测出两种含有咖啡因。 该研究建立了TLC与拉曼光谱联用技术并采用此方法快速鉴别了减肥保健食品中茶碱等四种非法添加化学成分, 本法专属、 灵敏、 快速、 简便, 可为保健食品中非法添加化学成分的快速检测技术研究提供新的参考依据。

建立窄带薄层色谱-表面增强拉曼光谱(narrow-band TLC-SERS)分析方法来改善传统薄层色谱-表面增强拉曼光谱法(TLC-SERS)在色谱展开过程中斑点横向扩散以及由于滴加SERS基底而导致的斑点二次扩散的不足,进一步提高TLC-SERS方法的检测灵敏度。本文采用色谱层析硅胶GF254制备并优化出宽度为2 mm的窄带TLC板,待样品在窄带TLC板上分离后,在分离斑点表面喷洒银溶胶,然后对斑点进行SERS检测。结果表明,narrow-band TLC-SERS法具有简便、快速、灵敏的特点,不仅改善了传统TLC-SERS方法斑点横向扩散的不足,而且降低了固定相的用量,节约了成本,具有非常广阔的应用前景。

采用薄层色谱（TLC）法使复杂的清热类中药基质与四种掺伪成分即氨基比林、吲哚美辛、萘普生及布洛芬完成简单的分离,继而利用优选的银溶胶为增强基底对分离出的微量物质进行表面增强拉曼光谱（SERS）检测,并确定各物质最低检测限（信噪比等于3）:氨基比林0.02 mg/mL、吲哚美辛0.2 mg/mL、萘普生0.1 mg/mL及布洛芬0.02 mg/mL。该方法具有快速、简便、灵敏、专属性好等优势,实现了清热类中成药的快速检测,可进一步推广于其他类中成药中掺伪物质的测定。

建立了薄层色谱(TLC)与表面增强拉曼光谱(SERS)联用方法对降压类中药中四种非法添加的化学成分, 即盐酸尼卡地平、 甲磺酸多沙唑嗪、 盐酸普萘洛尔及氢氯噻嗪进行快速检测的新方法。 利用TLC法将掺杂成分与中药基质进行简单分离, 采用SERS法对薄层板上的微量物质进行定性检测。 实验中通过优化银胶浓度和薄层展开体系, 并考察掺杂成分的最低检测限, 初步建立可用于降压类中药非法添加化学成分的TLC-SERS检测方法。结果表明, 该方法用于检测这四种化学成分时专属性较好, 检测限低可至0.005 μg, 最终检测出十种降压类中药中有两种非法添加了化学成分。 本方法简便快速, 能实现降压类中药中非法添加化学成分的快速检测, 有望成为中药掺杂化学成分的现场检测的新方法。

在分析复杂混合物方面原位薄层色谱-红外光谱联用有巨大潜力, 二者联用能够相互取长补短, 极大地提高对复杂混合物的解析能力。 但因固定相自身的红外吸收能够对样品的检测造成干扰, 使该方法进展缓慢。 实验应用对中红外光透明的碘化银纳米微粒作为固定相制备薄层层析板, 并对碘化银薄层板的层析效果及原位红外光谱检测的可行性进行了初步的研究。 通过正交设计实验法优化反应条件, 制备出粒径为100 nm左右的碘化银颗粒; 应用沉降-挥发法制备薄层层析板, 实验表明该薄层板具备分离混合物的能力, 且原位红外光谱检测结果表明碘化银作为固定相不干扰样品检测。

原位薄层色谱-红外光谱联用在分析复杂混合物上有巨大潜力, 但因固定相自身的红外吸收严重干扰样品检测, 该方法进展缓慢。 本文应用对中红外光透明的氟化钡微小颗粒作为固定相制备薄层层析板, 并对该板的层析效果及原位显微反射红外光谱检测的可行性进行了初步的探讨。 通过优化反应条件, 制备出粒径为500 nm左右的氟化钡颗粒； 发展出一种制备薄层层析板的新技术——沉降-挥发法； 通过实验证明, 新型薄层板具备分离混合物的能力； 原位红外光谱检测结果表明氟化钡作为固定相不干扰样品的检测。 应用氟化钡作为新型薄层板固定相, 为从技术上实现原位薄层色谱-红外光谱联用打开了大门。