利用傅里叶变换红外（FTIR）光谱与先进统计模型结合的方法，快速检测并定量姜黄中的掺杂物

《Food Analytical Methods》：Rapid Detection and Quantification of Adulterants in Turmeric Using Fourier Transform Infrared (FTIR) Spectroscopy Coupled with Advanced Statistical Models

　　本研究利用FTIR-ATR技术结合机器学习模型，成功检测并识别Turmeric中掺入的硫酸亚铁 heptahydrate，其中XGBoost和ANN模型表现最优，准确率达99.68%，为非破坏性快速检测提供可靠方法，并适用于其他食品粉末。

　　

摘要

姜黄因其烹饪和药用价值而备受重视，但同时也越来越容易受到有害掺杂的影响，这给健康带来了严重风险。其中，七水合硫酸亚铁尤其令人担忧，因为它可能导致铁过量积累和氧化应激。本研究旨在利用衰减全反射（ATR）模式下的傅里叶变换红外（FTIR）光谱技术，开发一种快速、经济且无损的检测方法来识别这种掺杂行为。从印度泰米尔纳德邦的五个地点采集的新鲜姜黄样本分别与不同浓度的七水合硫酸亚铁（0%、5%、10%、15%、20%、25%和100%）混合，共得到了36个样品。FTIR光谱显示了姜黄特有的吸收峰（1630 cm?1、1745 cm?1、2930 cm?1、3720 cm?1）以及掺杂物特有的吸收峰（1060 cm?1），为掺杂检测提供了明确的光谱特征。研究人员使用多重线性回归（MLR）、随机森林（RF）、K最近邻（KNN）、极端梯度提升（XGBoost）和人工神经网络（ANN）等方法对光谱数据进行了分析。结果表明，XGBoost的模型表现最为优异，其决定系数（R2）为0.9968，均方误差（MSE）为0.0007，均方根误差（RMSE）为0.0265（无量纲），平均绝对误差（MAE）也非常低。人工神经网络也取得了相近的检测精度，进一步证明了非线性方法的可靠性。这些发现表明，将FTIR技术与先进的机器学习算法（尤其是XGBoost）相结合，可以为姜黄的快速、可靠且无损的掺杂检测提供强大的技术支持，该方法也有潜力应用于其他食品粉末的检测中。