是目前已知的化学物质中致癌性最强的一种，主要对肝脏功能导致非常严重损伤，故AFB是国家市场监督管理总局指定的食品安全必检指标之一。油料作物(如花生、玉米等)由于其含水率高，在储存与工艺流程中易发生霉变，从而受到AFB

  目前，在食品真菌毒素的光谱快速、不伤害原有设备的检测应用中仍采用NIR或SERS单一技术方法。从理论角度来看，NIR反映的是电偶极矩变化引起的振动，SERS反映的是分子极化引起的振动，两种光谱信息在分子信息表达上具有互补性。因此，有必要将两种光谱信息进行融合，实现信息互补，以提高检测精度

  为检测指标，分别采集其NIR和SERS光谱，使用上海如海光电光谱仪来测试。2、

  的5条代表性的花生油待测样本的SERS光谱如图1A所示。图1A中主要的SERS特征谱带及其归属为:597cm‒1(C-O伸缩振动)、742cm‒1(C-H面外弯曲振动)、835cm‒1(C-H伸缩振动)、1249cm‒1(C-H面内弯曲振动)、1343cm‒1(CH3变形振动)、1486cm‒1(C=C伸缩振动)和1557cm‒1(C-C伸缩振动)。由于SERS光谱区域(500~1800cm‒1)信噪比高且包含了主要的特征谱带，故本研究中将此区域用于AFB1的定量分析。含有不同质量浓度AFB1的5条代表性的花生油待测样本的NIR光谱如图1C所示。图1C中NIR特征谱带及其归属为:930~970nm(CH2与CH3一阶倍频伸缩振动)、1090~1130nm(C-H伸缩振动)、1210~1240nm(CH2二阶倍频伸缩振动)和1270~1300nm(C=O二阶倍频伸缩振动、C=O合频振动及N-H伸缩振动)。AFB1与NIR特征谱带有着密切关系，这是由于花生油中的蛋白质、碳水化合物以及脂肪酸易受到AFB1的影响，从而影响分子的振动。无论是NIR还是SERS光谱，在光谱采集过程中带入干扰信息往往是没办法避免的，故需要对光谱数据来进行预处理。经AIRPLS基线校正、MSC光散射校正、S-G平滑以及Min-Max归一化处理之后的SERS与NIR光谱分别如图1B与1D所示，与原始光谱(图1A与1C)对比发现，预处理后的SERS和NIR光谱的基线漂移得到了抑制，光谱信号更加平滑，为后续的定量分析起到了积极的作用。

  对HSIC-VSIO算法参数设置合理性做验证:在设置不一样的参数情况下，分别对NIR和SERS光谱数据筛选特征变量，并将每次筛选的特征变量进行融合建立PLSR模型，记录RMSEC、RMSEP、和RPD值作对比分析。

  首先，将σ的值分别设置为10%;然后，将M的值分别设置为1000、1500、2000和2500作对比分析。由表1中的运行结果可知，模型的性能受M的影响并不大。但是，如果M的值越大，模型的计算量将显著增大，考虑模型精度与计算量，将M设置为1000是合理的。

  （2）从所有模型中挑选出具有较小RMSECV值的模型的比例σ首先，将M的值设置为1000;然后，将σ的值分别设置为10%、20%、30%和40%作对比分析。由表2中的运行结果可知，当σ=10%时，模型的性能最优。具体表现为，RMSEC和RMSEP值较小，R2C、R2P和RPD值较大，故将σ设置为10%是合理的。

  将NIR光谱数据、SERS光谱数据、NIR与SERS光谱直接融合数据及NIR与SERS光谱特征层融合数据分别构建PLSR多元校正模型检测花生油中AFB

  3所示，显然，由NIR光谱数据构建的PLSR模型预测性能最差，主要在于花生油中AFB1含量低，分子量小，内部含氢基团振动在近红外区域吸收的能量低，对应的光谱信号弱，影响了其检测精度。相较于NIR光谱数据构建的PLSR模型，由SERS光谱数据NIR与SERS光谱直接融合数据及NIR与SERS光谱特征层融合数据所构建的PLSR模型的预测性能均获得了提高。以NIR光谱数据构建的PLSR模型的预测性能作为基准，SERS光谱数据、NIR与SERS光谱直接融合数据及NIR与SERS光谱特征层融合数据所构建的PLSR模型的RMSEC分别降低了25.14%、31.61%和44.20%;分别提高了2.02%、3.18%和3.93%;RMSEP分别降低了31.85%、38.58%和47.01%;分别提高了5.19%、5.34%和6.98%;RPD分别提高了59.28%、62.99%和132.47%。综上所述，由SERS光谱数据构建的PLSR模型的预测性能显著提升，主要在于SERS技术通过增强基底Q-SERS获得拉曼增强效应使得花生油中痕量AFB1的信号获得了放大，来提升了其检测精度。相较于采用NIR或SERS光谱单一检测技术，将NIR光谱与SERS光谱直接融合后，实现了光谱信息的互补，有助于检测精度的进一步提升。然而，光谱直接融合数据中包含大量的冗余甚至干扰变量，采HSIC-VSIO分别对NIR与SERS光谱筛选特征变量，然后将筛选得到的特征变量进行融合并构建PLSR模型，其检测精度获得了较大的提高。

  的花生油样本(AFB1含量范围为:1.0×10‒5~1.0×10‒3μg/mL)。每个样本分别采取了NIR与SERS光谱特征层融合数据构建的PLSR模型(以下简称光谱特征融合方法)以及标准方法(HPLC)检测AFB1含量，检测结果如表4所示。将两种方法的检测结果做双侧配对t检验，根据结果得出两者无显著性差异(P=0.84>

  0.05)。根据检出限的计算公式3S0/K(S0为多个空白样本响应值标准差，K为校正曲线的斜率)，可估算得到光谱特征融合方法对AFB1含量的检出限为5.27×10‒6μg/mL。欧盟与中国设置的花生油中AFB1最大残留限量分别为2.0μg/kg和20μg/kg。为了与上述标准做对比，可将溶液(花生油+AFB1)密度设为1g/mL，以此来实现将5.27×10‒6μg/mL粗略地转换为5.27×10‒3μg/kg。故本研究提出的光谱特征融合方法可满足对花生油中AFB1含量是否超标的定量检测。

  本研究提出了一种基于NIR与SERS光谱特征层融合数据构建PLSR模型实现花生油中AFB

  快速、高精度检测的方法。与NIR光谱数据、SERS光谱数据及NIR与SERS光谱直接融合数据构建的PLSR模型相比，NIR与SERS光谱特征层融合数据构建的PLSR模型具有最佳的预测性能:RMSEC=0.1569，R2c=0.9908，RMSEP=0.1827，R2p=0.9854，RPD=8.2761。同时，将本研究方法与标准方法分别检测真实的花生油样本中AFB1含量，根据结果得出两者的检测性能无显著性差异(P=0.84>

  0.05)，本研究方法的检出限可换算为5.27×10‒3μg/kg，远远低于欧盟与中国设置的花生油中AFB1最大残留限量2.0μg/kg和20μg/kg。综上，实验根据结果得出本研究方法可实现花生油中AFB1含量的快速、高精度定量检测，验证了NIR与SERS光谱融合的可行性与有效性，尤其是经特征变量筛选后，NIR与SERS光谱数据在特征层的融合能够最大限度地提高模型的检测精度。文献来源

  RMS2000（RamanMinimalSystem）是一款微型的785nm同轴共聚焦拉曼光谱仪，其采用全空间光设计，优化散热接口，采用N.A0.11数值孔径激发采集光路。配置超短焦、线扫描、浸入式探头，支持Windows、Linux和Windows多种操作平台和主控系统，随机配备手机端（Andorid）和电脑端采集分析软件。具备非凡的分辨率、灵敏度、穿透能力和抑制荧光干扰能力。既可以单独使用也可当作核心部件集成进拉曼自动化系统，满足科研院所

  相关监督管理的机构与企业在无机/有机材料、生物生命、化学/化工、药物分析、食品安全、刑侦鉴定、环境污染检测等研究中的需求。2、产品特点

  ；分辨率高，最佳可达0.3 nm；杂散光低，~0.5％。光谱范围依据选不一样可以覆盖950-1700 nm、950-2200 nm和950-2500 nm多种配置。制冷温度能达到-20℃。具备良好的光谱响应稳定性和重现性，适用于激光测量、近红外测量，是一款科研级的高性能光纤光谱仪。2、产品特点

  兴化市疾病预防控制中心144.00万元采购ICP-AES,ICP-MS

  ASD 利用新鲜葡萄浆果的反射光谱测量估算葡萄浆果中的可溶性固形物总含量

  文献分享-基于便携式拉曼高光谱成像技术的散装奶粉中硫脲可视化现场快速检测方法研究

  基因和细胞治疗解决方案详解：加速的实验室——丹纳赫 以科技加速新疗法开发