zhpsЖурнал прикладной спектроскопииZhurnal Prikladnoii Spektroskopii0514-7506B. I. Stepanov Institute of Physics of the National Academy of Scienceszhps-1679Research ArticleАННОТАЦИИ АНГЛОЯЗЫЧНЫХ СТАТЕЙABSTRACTS ENGLISH-LANGUAGE ARTICLESБыстрое обнаружение имидаклоприда в яблочном соке с помощью УФ-спектроскопии в сочетании с регрессией опорных векторов и методами отбора переменныхRapid Detection of Imidacloprid in Apple Juice by Ultraviolet Spectroscopy Coupled with Support Vector Regression and Variable Selection MethodsMengD.MengD.

Delong Meng

Нанкин

Delong Meng

Nanjing

LiL.LiL.

Lin Li

Нанкин

Lin Li

Nanjing

nuaa_linli@126.comLiuZ.LiuZ.

Zhenlu Liu

Нанкин

Zhenlu Liu

Nanjing

GuC.GuC.

Ciyong Gu

Нанкин

Ciyong Gu

Nanjing

ZhangW.ZhangW.

Weichun Zhang

Нанкин

Weichun Zhang

Nanjing

ZhaoZ.ZhaoZ.

Zhimin Zhao

Нанкин

Zhimin Zhao

Nanjing

Физический колледж Нанкинского университета аэронавтики и астронавтикиCollege of Physics, Nanjing University of Aeronautics and Astronautics202424102024915761761Copyright © Meng D., Li L., Liu Z., Gu C., Zhang W., Zhao Z., 20242024Meng D., Li L., Liu Z., Gu C., Zhang W., Zhao Z.Meng D., Li L., Liu Z., Gu C., Zhang W., Zhao Z.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://zhps.ejournal.by/jour/article/view/1679

   Ультрафиолетовая (УФ) спектроскопия в сочетании с методами регрессии опорных векторов и отбора переменных использована для количественного определения содержания имидаклоприда в яблочном соке. Экспериментальные УФ-спектры имидаклоприда различных концентраций в яблочном соке предварительно обработаны сглаживанием Савицкого-Голея. Затем переменные признаков выбраны с помощью алгоритмов итеративного сжатия пространства переменных (VISSA), алгоритмов итеративного сохранения информативных переменных (IRIV) и алгоритмов случайной лягушки (RF). Для обнаружения имидаклоприда в яблочном соке созданы модели прогнозирования опорной векторной регрессии с поддержкой роя частиц (PSO-SVR), основанные на переменных признаков и переменных полного спектра. Получено, что модель VISSA-PSO-SVR имеет оптимальную прогностическую эффективность, коэффициент детерминации набора прогнозов Rp2 = 0.99933, среднеквадратическая ошибка набора прогнозов RMSEP = 0.0894 мг/л.

   The widespread use of pesticides poses many potential risks to food safety and human health. Thus, rapid and accurate detection methods for pesticide residues need to be established. In this study, ultraviolet (UV) spectroscopy coupled with support vector regression and variable selection methods was used to quantitatively detect the content of imidacloprid in apple juice. First, the UV spectra of different imidacloprid concentrations in apple juice were collected, and the acquired spectra were preprocessed by Savitzky-Golay smoothing. Then, the feature variables were selected by the variable iterative space shrinkage approach (VISSA), iteratively retains informative variables (IRIV), and random frog (RF) algorithms. Finally, particle swarm optimization support vector regression (PSO-SVR) prediction models based on the feature variables and the full-spectrum variables were established to detect imidacloprid in apple juice. The results showed that the VISSA-PSO-SVR model had the optimal predictive performance, the determination coefficient of the prediction set (Rp2) was 0.99933, and the root mean square error of the prediction set (RMSEP) was 0.0894 mg/L. The results from this study indicated that the combination of UV spectroscopy and the VISSA-PSO-SVR model could be used for the quantitative detection of imidacloprid in apple juice.

ультрафиолетовая спектроскопиярегрессия опорных векторовметоды отбора переменныхultraviolet spectroscopysupport vector regressionvariable selection methodsЭта работа была частично поддержана Китайским научным фондом постдокторантуры (№ 2022M711620)This work was partially supported by China Postdoctoral Science Foundation (No. 2022M711620)ReferencesT. Muyesaier, D. R. Huada, W. Li, L. Jia, S. Ross, C. Des, C. Cordia, T. P. Dung, Int. J. Environ. Res. Public Health, 18, 1112 (2021).T. Muyesaier, D. R. Huada, W. Li, L. Jia, S. Ross, C. Des, C. Cordia, T. P. Dung, Int. J. Environ. Res. Public Health, 18, 1112 (2021).C. Adelantado, Á. Ríos, and M. Zougagh, Food Additives & Contaminants A, 35, 1755–1766 (2018).C. Adelantado, Á. Ríos, and M. Zougagh, Food Additives & Contaminants A, 35, 1755–1766 (2018).F. F. Si, R. B. Zou, S. S. Jiao, X. S. Qiao, Y. R. Guo, G. N. Zhu, Ecotoxic. Environ. Safety, 148, 862–868 (2018).F. F. Si, R. B. Zou, S. S. Jiao, X. S. Qiao, Y. R. Guo, G. N. Zhu, Ecotoxic. Environ. Safety, 148, 862–868 (2018).Q. S. Chen, M. M. Hassan, J. Xu, M. Zareef, H. H. Li, Y. Xu, P. Y. Wang, A. A. Agyekum, F. Y. H. Kutsanedzie, A. Viswadevarayalu, Spectrochim. Acta A: Mol. and Biomolec. Spectrosc., 211, 86–93 (2019).Q. S. Chen, M. M. Hassan, J. Xu, M. Zareef, H. H. Li, Y. Xu, P. Y. Wang, A. A. Agyekum, F. Y. H. Kutsanedzie, A. Viswadevarayalu, Spectrochim. Acta A: Mol. and Biomolec. Spectrosc., 211, 86–93 (2019).S. Kammoun, B. Mulhauser, A. Aebi, E. A. D. Mitchell, G. Glauser, Environ. Poll., 247, 964–972 (2019).S. Kammoun, B. Mulhauser, A. Aebi, E. A. D. Mitchell, G. Glauser, Environ. Poll., 247, 964–972 (2019).A. Decourtye, J. Devillers, S. Cluzeau, M. Charreton, M. Pham-Delègue, Ecotox. and Environ. Safety, 57, 410–419(2004).A. Decourtye, J. Devillers, S. Cluzeau, M. Charreton, M. Pham-Delègue, Ecotox. and Environ. Safety, 57, 410–419(2004).Y. D. Wang, J. A. Qin, J. Zhang, Z. Y. Jin, J. Y. Luo, M. H. Yang, J. Pharm. Biomed. Analysis, 219, 114931 (2022).Y. D. Wang, J. A. Qin, J. Zhang, Z. Y. Jin, J. Y. Luo, M. H. Yang, J. Pharm. Biomed. Analysis, 219, 114931 (2022).J. Chen, W. T. Zhang, Y. Shu, X.H. Ma, X. Y. Cao, Food Anal. Methods, 10, 3452–3461 (2017).J. Chen, W. T. Zhang, Y. Shu, X.H. Ma, X. Y. Cao, Food Anal. Methods, 10, 3452–3461 (2017).S. Babazadeh, P. A. Moghaddam, S. Keshipour, K. Mollazade, J. Iran. Chem. Soc., 17, 1439–1446 (2020).S. Babazadeh, P. A. Moghaddam, S. Keshipour, K. Mollazade, J. Iran. Chem. Soc., 17, 1439–1446 (2020).J. Tursen, T. Yang, L. Bai, D. Q. Li, R. K. Tan, Environ. Sci. Poll. Res., 28, 50867–50877 (2021).J. Tursen, T. Yang, L. Bai, D. Q. Li, R. K. Tan, Environ. Sci. Poll. Res., 28, 50867–50877 (2021).B. X. Yang, W. Ma, S. Wang, L. Shi, X. J. Li, Z. Y. Ma, Q. H. Zhang, H. M. Li, Food Chem., 387, 132935 (2022).B. X. Yang, W. Ma, S. Wang, L. Shi, X. J. Li, Z. Y. Ma, Q. H. Zhang, H. M. Li, Food Chem., 387, 132935 (2022).S. Valverde, A. M. Ares, J. L. Bernal, M. J. Nozal, J. Bernal, Microchem. J., 142, 70–77 (2018).S. Valverde, A. M. Ares, J. L. Bernal, M. J. Nozal, J. Bernal, Microchem. J., 142, 70–77 (2018).J. M. Luo, S. H. Li, Y. W. Wu, C. H. Pang, X. H. Ma, M. Y. Wang, C. H. Zhang, X. Zhi, B. Li, Microchem. J., 183, 107979 (2022).J. M. Luo, S. H. Li, Y. W. Wu, C. H. Pang, X. H. Ma, M. Y. Wang, C. H. Zhang, X. Zhi, B. Li, Microchem. J., 183, 107979 (2022).X. Y. Li, X. W. Kan, Analyst, 143, 2150–2156 (2018).X. Y. Li, X. W. Kan, Analyst, 143, 2150–2156 (2018).G. Y. Tan, Y. J. Zhao, M. Wang, X. J. Chen, B. M. Wang, Q. X. Li, Food Chem., 311, 126055 (2020).G. Y. Tan, Y. J. Zhao, M. Wang, X. J. Chen, B. M. Wang, Q. X. Li, Food Chem., 311, 126055 (2020).M. Du, Q. Yang, W. M. Liu, Y. Ding, H. Chen, X. D. Hua, M. H. Wang, Sci. Total Environ., 723, 137909 (2020).M. Du, Q. Yang, W. M. Liu, Y. Ding, H. Chen, X. D. Hua, M. H. Wang, Sci. Total Environ., 723, 137909 (2020).J. G. Wang, S. L. Yang, Y. R. Cao, Y. H. Ye, J. Phys. Chem. C, 126, 7542–7547 (2022).J. G. Wang, S. L. Yang, Y. R. Cao, Y. H. Ye, J. Phys. Chem. C, 126, 7542–7547 (2022).H. Cao, W.T. Qu, X. L. Yang, Anal. Methods, 6, 3799–3803 (2014).H. Cao, W.T. Qu, X. L. Yang, Anal. Methods, 6, 3799–3803 (2014).H. Y. Zou, W. L. Zhang, Y. Y. Feng, B. Liang, Anal. Methods, 6, 5865–5871 (2014).H. Y. Zou, W. L. Zhang, Y. Y. Feng, B. Liang, Anal. Methods, 6, 5865–5871 (2014).R. D. Ji, Y. Han, X. Y. Wang, H. Y. Bian, J. Y. Xu, Z. Z. Jiang, X. T. Feng, Appl. Opt., 60, 10383–10389 (2021).R. D. Ji, Y. Han, X. Y. Wang, H. Y. Bian, J. Y. Xu, Z. Z. Jiang, X. T. Feng, Appl. Opt., 60, 10383–10389 (2021).M. X. Zhao, Q. S. Chen, Infrared Phys. Technol., 133, 104827 (2023).M. X. Zhao, Q. S. Chen, Infrared Phys. Technol., 133, 104827 (2023).J. Kennedy, R. Eberhart, Proc. IEEE Int. Conf. Neural Networks, 4, 1942–1948 (1995).J. Kennedy, R. Eberhart, Proc. IEEE Int. Conf. Neural Networks, 4, 1942–1948 (1995).B. C. Deng, Y. H. Yun, Y. Z. Liang, L. Z. Yi, Analyst, 139, 4836–4845 (2014).B. C. Deng, Y. H. Yun, Y. Z. Liang, L. Z. Yi, Analyst, 139, 4836–4845 (2014).F. X. Wang, C. G. Wang, S. Y. Song, Foods, 11, 1841 (2022).F. X. Wang, C. G. Wang, S. Y. Song, Foods, 11, 1841 (2022).Y. H. Yun, W. T. Wang, M. L. Tan, Y. Z. Liang, H. D. Li, D. S. Cao, H. M. Lu, Q. S. Xu, Anal. Chim. Acta, 807, 36–43 (2014).Y. H. Yun, W. T. Wang, M. L. Tan, Y. Z. Liang, H. D. Li, D. S. Cao, H. M. Lu, Q. S. Xu, Anal. Chim. Acta, 807, 36–43 (2014).F. J. Zhang, L. Shi, L. X. Li, Y. F. Zhou, L. Q. Tian, X. M. Cui, Y. P. Gao, J. Food Process Eng., 45, e14096(2022).F. J. Zhang, L. Shi, L. X. Li, Y. F. Zhou, L. Q. Tian, X. M. Cui, Y. P. Gao, J. Food Process Eng., 45, e14096(2022).H. D. Li, Q. S. Xu, Y. Z. Liang, Anal. Chim. Acta, 740, 20–26 (2012).H. D. Li, Q. S. Xu, Y. Z. Liang, Anal. Chim. Acta, 740, 20–26 (2012).W. Luo, P. Tian, G. Z. Fan, W. T. Dong, H. L. Zhang, X. M. Liu, Infrared Phys. Technol., 123, 104037 (2022).W. Luo, P. Tian, G. Z. Fan, W. T. Dong, H. L. Zhang, X. M. Liu, Infrared Phys. Technol., 123, 104037 (2022).

The authors declare that there are no conflicts of interest present.