《Food Bioscience》：Detection of adulterated spice essential oils via machine learning and NIR–E-nose fusion
编辑推荐：
spice essential oils掺假检测中，NIR与E-nose数据融合结合机器学习模型（SVM/LDA/RF）可显著提升检测准确率（0.86-1.00），SNV和Si-PLS预处理效果最佳。
作者：卢世泽、张敏、Law Chung Lim、王大远、邓德伟
中国江苏省无锡市江南大学食品科学与工程学院，国家重点食品科学与资源实验室，邮编214122
摘要
香料精油是食品工业中至关重要的天然成分，因其独特的风味、香气和抗菌活性而受到重视。然而，由于其高市场价值，导致了广泛的掺假现象，因此需要有效的检测方法。尽管传统的感官分析和化学分析方法准确可靠，但它们往往受到高成本和耗时程序的限制。本研究系统评估了近红外光谱（NIR）和电子鼻（EN）技术，以及这些技术与机器学习（ML）的结合在识别掺假香料精油方面的应用。研究采用了多种ML算法，包括决策树（DT）、k最近邻（kNN）、线性判别分析（LDA）、逻辑回归（LR）、朴素贝叶斯（NB）、随机森林（RF）和支持向量机（SVM）。结果表明，特征选择和数据融合显著提高了掺假检测的准确性。单独使用时，EN模型的准确率为0.51–0.99，NIR模型的准确率为0.45–1.00。经过NIR-EN数据融合后，模型性能显著提升，所有算法的准确率均达到0.86–1.00。使用标准正态变量（SNV）和协同区间偏最小二乘法（Si-PLS）预处理后的融合数据取得了最佳效果，其中SVM、LDA和RF模型的准确率均超过了0.99。这种集成策略为精油鉴定提供了一种可靠且高效的解决方案，具有显著潜力，有助于减少香料市场欺诈行为并支持可持续的行业发展。
引言
从香料中提取的精油（EOs）是由种子、果实、叶子、花朵和树皮等成分产生的挥发性芳香化合物的复杂混合物（Johnson等人，2025年）。它们在食品工业中广泛用于提升风味和抗菌作用，从而提高了产品的感官质量和自然保存性（Qiu等人，2023年；Sun等人，2021年；Torres等人，2017年；Yu等人，2024年）。其中，四川胡椒精油（SEO）和丁香精油（CEO）因其独特的香气和生物活性而备受关注（Zhang等人，2025年；Zhang等人，2024a；Zhang等人，2024b）。然而，由于它们的高经济价值和有限的生产量，经常被廉价或合成的替代品掺假，这对产品质量和消费者信任构成了严重挑战（Machado等人，2022年；Yang等人，2024年；Zhang等人，2023年）。
传统的真实性验证方法主要依赖于感官评估和先进的色谱技术（Lyczko等人，2023年）。虽然感官分析应用广泛，但由于其主观性和较差的可重复性，无法有效检测复杂的掺假行为（Luo等人，2025年；Yu等人，2025年；J. Zhang等人，2024a；Zhang等人，2024b）。色谱方法如气相色谱-质谱（GC-MS）和高效液相色谱-质谱（HPLC-MS）虽然准确度高，但需要复杂的样品制备、专业设备和训练有素的人员，并且具有破坏性和耗时性（Wen等人，2023年；Xiao等人，2017年）。这些限制使得这些方法在常规质量控制中的应用受到限制，尤其是在需要快速、高通量分析的工业或监管环境中（Yang等人，2024年）。
为了克服传统方法的局限性，研究人员转向了快速、无损且用户友好的分析技术。近红外（NIR）光谱和电子鼻（EN）技术凭借这些优势，成为检测香料精油掺假的强大工具（Ingrid等人，2025年；Xiaoran等人，2024年）。NIR光谱和EN技术因其快速响应、样品制备简单以及能够捕捉复杂混合物的化学和气味“特征”而成为有前景的替代方案（D. Y. Wang等人，2023a；Wang等人，2023b）。NIR光谱能够敏感地反映纯精油与掺假精油之间的成分差异，而EN系统则模仿人类嗅觉来检测掺假引起的微妙气味变化（Rasekh等人，2021年；Sun等人，2024年）。然而，这些技术生成的高维非线性数据需要先进的计算工具来进行有效的模式识别。机器学习（ML）分类算法（如支持向量机（SVM）、随机森林（RF）、线性判别分析（LDA）和k最近邻（kNN）可以从标记的纯精油和掺假精油数据集中学习区分模式，从而构建高准确率的预测模型，实现对未知样品（例如“纯”或“掺假”）的快速可靠分类（Qiao等人，2025年；D. Y. Wang等人，2023a；Wang等人，2023b；Ye等人，2024年）。这为香料精油中掺假的快速准确检测提供了坚实的技术基础。
本研究系统评估了NIR和EN技术与ML结合在香料精油鉴定中的应用效果。我们研究了光谱预处理和特征选择对模型性能指标（如分类准确性）的影响，优化了EN系统中的传感器阵列配置，并比较了在不同条件下多种ML模型（SVM、RF、LDA、kNN等）的性能。这些分析方法与基于机器学习的建模相结合，为掺假检测提供了可靠且高效的框架，在速度、成本和工业质量保证及法规合规性方面优于传统技术。
样本
掺假精油样本使用了来自中国河南郑州徐美龙食品香料有限公司的多批真实CEO和SEO制备。商业上可获得的花生油（金龙玉品牌，上海亿海 Kerry 集团有限公司）和棕榈油（河北深泽县嘉伟油厂）被选为掺假剂，因为它们外观和物理性质相似，常用于市场掺假行为。
电子鼻（EN）分析
在本研究中，使用雷达图分析了在不同比例花生油和棕榈油掺假情况下丁香精油（CEO）和四川胡椒精油（SEO）的最大响应值（图1）。对于这两种精油，EN信号强度随着掺假浓度的增加而明显下降。如图1a所示，随着花生油比例的增加，CEO显示出特定的传感器响应模式。传感器S3和S10的响应变化最小。
结论
本研究系统评估了近红外光谱（NIR）、电子鼻（EN）及其数据融合（NIR + EN）技术与机器学习（ML）在香料精油鉴定中的应用。结果表明，EN技术的区分性能因不同的ML模型而异。未经过滤的数据在线性判别分析（LDA）模型中的表现最佳，而其他模型的准确性较低。
作者贡献声明
卢世泽：撰写——初稿、方法论、正式分析。
张敏：撰写——审稿与编辑、监督、资源管理、方法论、研究。
Law Chung Lim：撰写——审稿与编辑、研究。
王大远：撰写——初稿、方法论、正式分析。
邓德伟：撰写——审稿与编辑、资源管理、研究。
致谢
我们感谢以下机构的财政支持：中国重点研发计划（合同编号：2023YFF1104205）、中央高校基本科研业务费（JUSRP202416005）和国家食品科学技术一流学科建设（编号：JUFSTR20180205），这些支持使我们能够完成这项研究。
