Количественный анализ концентрации кумарина в бинарной смеси с использованием терагерцовой спектроскопии в сочетании с оптимизированным методом опорных векторов и наименьших квадратов

Кумарин количественно проанализирован в системе бинарных смесей для более точного и удобного контроля за безопасностью пищевых продуктов. Представлен новый подход терагерцовой спектроскопии во временной области (THz-TDS) и оптимизированного метода опорных векторов и наименьших квадратов (LS-SVM) для анализа содержания кумарина в бинарной смеси кумарина и ванилина. Измерены THz-отклики бинарных смесей, для обработки спектров коэффициента поглощения применен алгоритм Савицкого–Голея. Анализ главных компонент использован для извлечения признаков из предварительно обработанных данных. Отличные результаты прогнозирования получены с использованием метода LS-SVM, оптимизированного алгоритмом поиска воробья (SSA), с коэффициентом детерминации R² > 0.999, среднеквадратической ошибкой 0.001 и остаточным прогнозирующим отклонением 146. Показано, что прогнозирующий эффект алгоритма LS-SVM, оптимизированного с помощью SSA, лучше, чем у алгоритма метода опорных векторов и алгоритма LSSVM без модели SSA. Комбинация THz-спектра и SSA-оптимизированного метода LS-SVM перспективна для анализа бинарных смесей кумарина и ванилина, а также более сложных многокомпонентных смесей.

1. Lowri S. de Jager, Gracia A. Perfetti, Gregory W. Diachenko, J. Chromatogr. A, 1145 (2007) 83–88 (2007).

2. Pei Liang, Yong Feng Zhou, De Zhang, Microchim. Acta, 302 (2019).

3. D. Havkin-Frenkel, F. C. Belanger, Appl. Microbiol. Biotech., 56, 296–314 (2001).

4. N. Robledo-O’Ryan, M. J. Matos, Bioorg. Med. Chem. Lett., 25, 621–632 (2017).

5. G. S. Clark, Perfumer &Flavorist, 20, 23–34 (1995).

6. A. W. Archer, J. Chromatogr., 447, N 1, 272–276 (1988).

7. EFSA, The EFSA J.,104, 1–36 (2004).

8. Mirjana Lonˇcar, Martina Jakovljevi´c, Foods, 9, 645 (2020).

9. E. L. Maistro, M. E. De Souza, R. P. Fedato, Environ. Heal., 78A, 109–118 (2015).

10. Harris H. Wisneski, AOAC Int., 84, No. 3 (2001).

11. Afidah A. Rahim, Food Chem., 126, 1412–1416 (2011).

12. Yan Shen, J. Agricult. Food Chem., 10881–10888 (2014).

13. W. Wang, J. Tang, S. Wang, L. Zhou, Z. D. Hu, J. Chromatogr. A, 1148, No. 1, 108–114 (2007).

14. J. Huang, P. Liang, J. Xu, Roy. Soc. Chem., 7, 49097 (2017).

15. Li Fu, J. Food Meas. Charact., 15, 5439–5444 (2021)

16. Lowri S. de Jager, Gracia A. Perfetti, Food Chem., 1701–1709 (2008).

17. Y. Shen, C. Han, B. Liu, Z. Lin, X. Zhou, C. Wang, Z. Zhu, J. Dairy Sci., 97, 679–686 (2014).

18. D. M. Mittleman, Nature Photon., 7, 666–669 (2013).

19. M. Walther, P. Plochocka, B. Fischer, H. Helm, P. U. Jepsen, Biopolymers, 67, 310–313 (2002).

20. J. E. Haddad, F. De Miollis, J. B. Sleiman, L. Canioni, P. Mounaix, B. Bousquet, Anal. Chem., 86, No. 10, 4927–4933 (2014).

21. P. H. Siegel, IEEE Transact. Microwave Theory and Techniques, 52, 2438–2447 (2004).

22. Tao Chen, Lingxiao Yu, Spectrochim. Acta A: Mol. Biomol. Spectrosc., 263, 120159 (2021).

23. Tao Chen, Xin Zhong, IEEE Transact. Terahertz Sci. Tech., 11, No. 3 (2021).

24. Tao Chen, Lingjie Ma, Food Sci., 87, No. 3, 1108–1118 (2022).

25. Noureddine Maamar, Int. Conf. Adv. Electrical Engineering (ICAEE) (2019).

26. J. T. Kindt, C. A. Schmuttenmaer, J. Phys. Chem., 100, 10373–10379 (1996).

27. V. N. Vapnik, The Nature of Statistical Learning Theory, New York, Springer Verlag (1995).

28. J. A. K. Suykens, J. Vandewalle, Neural Process Lett., 9, 293–300 (1999).

29. J. A. K. Suykens, J. Vandewalle, IEEE Trans. Circuits Syst. I, Fund. Theory Appl., 47, No. 7, 1109–1114 (2000).

30. X. Sun, Z. Zhou, C. Liu, F. U. Xinxin, Y. Dou, Food Sci. (2018).

31. Jiankai Xue, Bo Shen, Systems Sci. Control Eng., 22–34 (2020).