《Microchemical Journal》：Determination of cocoa content in handmade chocolate samples using laser-induced breakdown spectroscopy (LIBS)
编辑推荐：
本研究采用LIBS结合多元分析技术，通过优化仪器参数，建立MLR模型有效检测手工巧克力中可可含量，验证误差低至4.0%，RPIQ值优异，为食品行业提供快速、低成本且破坏性小的品质控制方法。
Joseline Altissimo|Vinicius Camara Costa|Ian Cardoso|Dennis Silva Ferreira|Edenir Rodrigues Pereira-Filho|Maria Tereza Weitzel Dias Carneiro
光谱原子实验室（LEA）/LabPetro，埃斯皮里图桑托联邦大学化学系，维多利亚，ES 29075-910，巴西
摘要
本研究探讨了将激光诱导击穿光谱（LIBS）与多元分析相结合的方法，作为一种快速且破坏性最小的策略，用于测定手工制作巧克力样品中的可可含量。分析了42块可可含量在36%到100%之间的巧克力。通过2^4因子设计优化了LIBS的仪器参数，重点关注碳（C I 193.09 nm）、钙（Ca II 393.36 nm）、镁（Mg II 280.27 nm）和钾（K I 769.89 nm）的发射线。可行性函数确认点大小、激光能量和延迟时间是影响分析结果的最重要变量。随后利用选定的发射线强度建立了多元线性回归（MLR）模型，预测结果与实际可可含量之间的相关性很强，校准的均方根误差（RMSEC）为4.5%（重量百分比），验证的均方根误差（RMSEV）为4.0%（重量百分比）。还使用性能与四分位距比（RPIQ）评估了模型性能，所得RPIQ值分别为5.1（校准）和4.9（验证），表明所提出的MLR模型具有很强的稳健性和预测可靠性。此外，主成分分析（PCA）揭示了与可可含量相关的成分趋势，突出了C、Ca、Mg和K等矿物质的贡献。结果表明，LIBS结合多元分析方法为巧克力认证和质量控制提供了一种准确、经济且破坏性最小的手段，在食品工业中具有广泛的应用潜力。
引言
巧克力是全球消费量最大的食品之一，对经济、社会和文化领域都具有重要影响。它由可可豆（Theobroma cacao L.）制成，含有可可脂、碳水化合物、蛋白质、矿物质和生物活性化合物，这些成分决定了巧克力的营养价值、感官特性和功能特性。可可含量是衡量巧克力质量的关键指标[1]。尤其是可可含量超过70%的黑巧克力，因其浓郁的风味、高含量的多酚、黄酮类化合物和甲基黄嘌呤（可可碱、咖啡因、茶碱）以及抗氧化特性而备受推崇，这些特性与心血管健康和代谢健康益处相关[2]。
在这种背景下，高质量巧克力具有更高的可可含量和独特的成分组成，从而提供了更丰富的感官体验和生物活性成分，满足了消费者对更健康、更纯正产品的需求（Putri等人，2024年）。巧克力市场种类繁多，包括牛奶巧克力、半甜巧克力和黑巧克力，以及添加水果和坚果的配方巧克力，但可可含量仍是分类和标注的主要依据。牛奶巧克力由于添加了奶粉，通常含有较高的钙含量；而高可可含量的巧克力则富含碳、镁和钾，这些元素是衡量巧克力质量和真实性的关键指标[3]、[4]、[5]、[6]。
尽管巧克力非常重要，但其生产过程中并不总是采取能够准确保证标签上标注的可可含量的控制措施，这为掺假行为留下了空间，并可能带来不正当的经济利益。传统上，可可含量是通过色谱法和光谱法等化学方法测定的，尽管这些方法准确可靠，但存在成本高、分析频率低以及样品制备繁琐等局限性[7]、[8]。因此，开发快速、破坏性小且经济高效的分析技术对于食品工业尤为重要，尤其是在巧克力产品的质量控制和质量认证方面[9]。
与传统方法相比，激光诱导击穿光谱（LIBS）作为一种可行的替代方案脱颖而出，因为它已在食品质量控制领域得到广泛应用[10]、[11]、[12]。LIBS具有多种优势，如分析速度快、样品制备要求低或无需样品制备、能够同时检测多种元素，并且具有较低的破坏性，使其在可可制品的认证和监测中具有巨大潜力[13]。
一些研究[14]、[15]强调了LIBS作为一种快速、高效且非破坏性的食品认证和质量评估方法的潜力。LIBS在定量分析方面的进步进一步扩展了其在食品质量控制中的应用范围[16]、[17]。此外，将LIBS与监督学习和非监督学习模式识别方法结合，并结合机器学习算法，有助于克服复杂食品基质带来的挑战。通过多元回归模型将复杂的LIBS光谱数据与化学成分进行关联，不仅可以提高化学元素的识别能力，还能更好地量化其他相关成分[12]。
最近的研究表明，将LIBS与先进的数据处理技术和机器学习算法相结合，显著提升了在复杂基质中的分析性能[18]、[19]、[20]、[21]。将LIBS与声学信息等等离子体衍生信号相结合的新方法有效缓解了等离子体波动、光谱相似性和基质效应的影响[18]、[19]。混合和多模态框架还提高了分类准确性、稳健性和泛化能力，即使对于成分差异较小的样品也是如此[20]、[21]。这些发展表明，数据驱动和多模态的LIBS方法能够降低维度，防止过拟合，并在实际应用中提高分析可靠性。这种策略有助于减轻信号波动和基质干扰的影响，从而实现更优的分析性能[22]。
然而，尽管有这些先进的方法，人们仍然需要易于解释且具有化学意义的模型，尤其是在常规分析应用中。在这种情况下，经典的多变量方法如主成分分析（PCA）和多元线性回归（MLR）继续发挥着重要作用，它们能够实现数据透明化、变量解释以及基于选定元素标志物的稳健定量建模。因此，本研究通过结合现代多元分析和可解释的校准模型，提供了一种平衡的方法，兼顾了分析可靠性、透明性和实际应用性。这些工具的联合应用有助于开发更可靠的预测和认证系统，实时验证标签上的成分是否与实际配方一致。除了减少掺假风险外，这种方法还增强了生产链中的可追溯性，提高了消费者和行业的信任度。巧克力基质的复杂性与LIBS的分析能力相结合，通过定量策略的增强，为提升食品质量控制和安全实践提供了战略资源[23]。
因此，本研究的目的是将多元分析工具应用于LIBS光谱数据，以支持数据解释。具体而言，将使用PCA来区分高质量巧克力和普通巧克力；同时利用MLR建立预测模型，以确定不同类型巧克力的可可含量。通过建立可靠的校准策略，将LIBS光谱数据与成分属性关联起来，本研究旨在提供一种快速、破坏性小且准确的巧克力质量评估方法，从而克服传统方法的局限性，并加强生产链中的可追溯性和透明度。
仪器介绍
仪器
LIBS光谱数据是使用J200 LIBS系统（Applied Spectra公司，美国弗里蒙特市）获取的，该系统由Axiom 2.5软件（Applied Spectra公司）控制。该仪器配备了一台1064 nm的Nd:YAG激光器（脉冲持续时间为5 ns），以及一台6通道电荷耦合设备光谱仪，能够记录186至1042 nm范围内的光谱信息。具体通道配置如下：通道1（186至309 nm），通道2（309至460 nm），通道3（460至588 nm），通道4（588至692 nm），通道5（692至884 nm）。
LIBS光谱的一般特征
图1展示了巧克力样品的平均LIBS光谱，该光谱是基于所有分析样品的平均值得到的，图中标出了用于多元分析的四个发射线：C I（193.09 nm）、Mg II（280.27 nm）、Ca II（393.35 nm）和K I（769.89 nm）；同时还标出了C I（247.85 nm）发射线。这些发射线是巧克力的主要成分，由于信号强度高和光谱分辨率好，被选为具有化学意义的变量。
结论
本研究的结果证实了LIBS作为一种快速、破坏性小且经济高效的手段，在测定手工制作巧克力中的可可含量方面具有巨大潜力。通过优化仪器参数，提高了分析灵敏度和重复性；MLR模型表现出强大的预测能力，校准和预测误差均较低。验证结果显示，所有样品的可可含量回收率均在90–110%的可接受范围内。
作者贡献声明
Joseline Altissimo：撰写、审稿与编辑、验证、数据管理。Vinicius Camara Costa：撰写初稿、验证、数据管理。Ian Cardoso：形式分析。Dennis Silva Ferreira：验证、形式分析、数据管理。Edenir Rodrigues Pereira-Filho：撰写、审稿与编辑、验证、数据管理。Maria Tereza Weitzel Dias Carneiro：撰写、审稿与编辑、数据可视化、项目监督、资源协调、概念构思。
伦理审批
本文未涉及任何涉及人类参与者或动物的实验。
符合伦理标准
这是一篇原创研究文章，未曾在其他地方发表或考虑发表。文中列出的所有作者均享有作者身份，并已批准提交的手稿最终版本。
利益冲突声明
作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究结果。
致谢
本研究得到了FAPES（埃斯皮里图桑托研究基金会）、CNPq（国家科学技术发展委员会和LabPetro/UFES - 石油分析方法研究与发展实验室的支持。
