CN110609030B - 一种基于检出概率模型的拉曼快检性能综合评价方法 - Google Patents
一种基于检出概率模型的拉曼快检性能综合评价方法 Download PDFInfo
- Publication number
- CN110609030B CN110609030B CN201911005222.1A CN201911005222A CN110609030B CN 110609030 B CN110609030 B CN 110609030B CN 201911005222 A CN201911005222 A CN 201911005222A CN 110609030 B CN110609030 B CN 110609030B
- Authority
- CN
- China
- Prior art keywords
- raman
- semi
- detection
- quantitative
- inspection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001069 Raman spectroscopy Methods 0.000 title claims abstract description 154
- 238000011156 evaluation Methods 0.000 title claims abstract description 82
- 238000007689 inspection Methods 0.000 title claims abstract description 61
- 238000001514 detection method Methods 0.000 claims abstract description 182
- 238000000034 method Methods 0.000 claims abstract description 97
- 238000001237 Raman spectrum Methods 0.000 claims abstract description 18
- 238000012512 characterization method Methods 0.000 claims abstract description 12
- 238000012795 verification Methods 0.000 claims abstract description 12
- 230000035945 sensitivity Effects 0.000 claims description 44
- 238000012360 testing method Methods 0.000 claims description 20
- 238000004445 quantitative analysis Methods 0.000 claims description 19
- 238000005516 engineering process Methods 0.000 claims description 14
- 235000013305 food Nutrition 0.000 claims description 10
- 239000013076 target substance Substances 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 239000000447 pesticide residue Substances 0.000 claims description 5
- 238000002360 preparation method Methods 0.000 claims description 4
- 239000000654 additive Substances 0.000 claims description 3
- 239000000273 veterinary drug Substances 0.000 claims description 3
- 239000002778 food additive Substances 0.000 claims description 2
- 235000013373 food additive Nutrition 0.000 claims description 2
- 230000004044 response Effects 0.000 claims description 2
- 238000010998 test method Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 12
- 230000008569 process Effects 0.000 abstract description 5
- 239000000523 sample Substances 0.000 description 36
- JNPZQRQPIHJYNM-UHFFFAOYSA-N carbendazim Chemical compound C1=C[CH]C2=NC(NC(=O)OC)=NC2=C1 JNPZQRQPIHJYNM-UHFFFAOYSA-N 0.000 description 33
- TWFZGCMQGLPBSX-UHFFFAOYSA-N Carbendazim Natural products C1=CC=C2NC(NC(=O)OC)=NC2=C1 TWFZGCMQGLPBSX-UHFFFAOYSA-N 0.000 description 32
- 239000006013 carbendazim Substances 0.000 description 32
- 241000220225 Malus Species 0.000 description 27
- 238000007792 addition Methods 0.000 description 23
- 239000000126 substance Substances 0.000 description 17
- 238000007430 reference method Methods 0.000 description 14
- 235000021016 apples Nutrition 0.000 description 11
- 244000183278 Nephelium litchi Species 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 7
- FDZZZRQASAIRJF-UHFFFAOYSA-M malachite green Chemical compound [Cl-].C1=CC(N(C)C)=CC=C1C(C=1C=CC=CC=1)=C1C=CC(=[N+](C)C)C=C1 FDZZZRQASAIRJF-UHFFFAOYSA-M 0.000 description 6
- 229940107698 malachite green Drugs 0.000 description 6
- WJCNZQLZVWNLKY-UHFFFAOYSA-N thiabendazole Chemical compound S1C=NC(C=2NC3=CC=CC=C3N=2)=C1 WJCNZQLZVWNLKY-UHFFFAOYSA-N 0.000 description 6
- 229960004546 thiabendazole Drugs 0.000 description 6
- 235000010296 thiabendazole Nutrition 0.000 description 6
- 239000004308 thiabendazole Substances 0.000 description 6
- 235000013372 meat Nutrition 0.000 description 5
- WHHIPMZEDGBUCC-UHFFFAOYSA-N probenazole Chemical compound C1=CC=C2C(OCC=C)=NS(=O)(=O)C2=C1 WHHIPMZEDGBUCC-UHFFFAOYSA-N 0.000 description 5
- 239000013062 quality control Sample Substances 0.000 description 5
- 241000251468 Actinopterygii Species 0.000 description 4
- 241000234295 Musa Species 0.000 description 4
- 239000012491 analyte Substances 0.000 description 4
- 235000021015 bananas Nutrition 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- WEVYAHXRMPXWCK-UHFFFAOYSA-N Acetonitrile Chemical compound CC#N WEVYAHXRMPXWCK-UHFFFAOYSA-N 0.000 description 3
- 238000011088 calibration curve Methods 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- 239000012496 blank sample Substances 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000013215 result calculation Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000004416 surface enhanced Raman spectroscopy Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- OIWIYLWZIIJNHU-UHFFFAOYSA-N 1-sulfanylpyrazole Chemical compound SN1C=CC=N1 OIWIYLWZIIJNHU-UHFFFAOYSA-N 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000013410 fast food Nutrition 0.000 description 1
- 125000000524 functional group Chemical group 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000004128 high performance liquid chromatography Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010905 molecular spectroscopy Methods 0.000 description 1
- 239000002105 nanoparticle Substances 0.000 description 1
- 238000002414 normal-phase solid-phase extraction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
- G01N21/658—Raman scattering enhancement Raman, e.g. surface plasmons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种基于检出概率模型的拉曼快检性能综合评价方法,包括建立基于定性和半定量二元决策模型的拉曼光谱快速检测结果表征方法,可以快速鉴定目标物及其是否超过法规限量,其计算过程简单、判别结果准确,具有重大的应用价值。本发明的基于检出概率模型的拉曼快检性能综合评价方法还包括建立基于检出概率模型的拉曼快检验证评价方法,该方法能够对拉曼快检方法进行各项性能指标的评价和不同仪器方法间的比对,实现对拉曼快检方法的科学验证和系统评价。本发明还公开了一种基于检出概率模型的拉曼快检性能综合评价方法在快检产品评价中的应用,该应用对快检方法在实际应用中的推广具有重要意义。
Description
技术领域
本发明属于拉曼光谱快检技术领域,具体地说,是关于一种基于检出概率模型的拉曼快检性能综合评价方法。
背景技术
拉曼光谱技术是利用拉曼散射效应研究物质结构的分子光谱技术。拉曼散射现象与分子极化率的变化有关,可以提供相关官能团信息,而拉曼散射强度则与物质的浓度有关,可以提供物质浓度信息,因此理论上可以利用拉曼光谱技术对物质的结构和成分进行定性和定量分析。由于拉曼散射效应非常微弱,普通拉曼光谱技术的检测灵敏度很低,加上荧光背景干扰等不利因素,很难应用于痕量物质的检测。而表面增强拉曼光谱技术能够使待测分子信息增强几百万倍以上,具有更高的分辨率和灵敏度,目前已成为拉曼光谱研究的热点,被广泛应用于食品安全领域。
拉曼光谱技术用于物质定性的主要依据为拉曼特征峰的匹配。对于同一物质,若用不同频率的入射光照射,所产生的拉曼散射频率不同,但其拉曼位移始终是一个确定值,这些确定的位移称为特征峰,是拉曼光谱表征物质结构和定性鉴定的主要依据。目前通过特征峰匹配自动进行定性分析的方法已得到普遍应用,并有着很高的特异性。
拉曼光谱技术用于定量分析的基础是测得的分析物拉曼峰强度与分析物添加水平间有线性比例关系,这种线性关系曲线称为标定曲线。利用多个添加水平下建立的标定曲线能够根据峰强度预测出分析物添加水平。但在实际应用中,拉曼峰强度除受分析物添加水平决定外,还受基质影响、样品透明度、拉曼增强效果等多种因素影响,标定曲线往往无法达到线性的要求或仅仅在一个很窄的浓度范围内呈线性,从而失去其标定功能。因此拉曼光谱用于定量分析目前多以实验室研究为主,在实际应用中仍有其局限性。
为保证食品快速检测方法评价工作科学合理,食药监发布《食品快检方法评价技术规范》(食药监办科〔2017〕43号),规定定性快速检测方法及相关产品的技术评价需包括以下评价指标:灵敏度、特异性、假阴性率和假阳性率、与参比方法一致性分析。但我国快检产品还普遍缺乏系统的评价体系,严重限制了包括拉曼快检技术在内的快检方法的应用和推广。因此有必要研究开发一种适用于食品快检方法的性能综合评价方法。
发明内容
本发明的第一个目的是提供一种基于检出概率模型的拉曼快检性能综合评价方法,以解决现有拉曼快检技术定量不准确、缺乏可靠的方法评价体系,严重限制了包括拉曼快检技术在内的快检方法的应用和推广的问题。本发明的第二个目的是提供一种所述的基于检出概率模型的拉曼快检性能综合评价方法在快检产品中的应用。
为实现上述目的,本发明采用以下技术方案:
一种基于检出概率模型的拉曼快检性能综合评价方法,包括建立基于定性和半定量二元决策模型的拉曼光谱快速检测结果表征方法,该方法包括如下步骤:
A、建立拉曼定性检测的二元定性模型,用于判别样品中是否含有目标物,具体过程为:
根据目标物的特征峰,对待测样品拉曼光谱进行寻峰和特征峰匹配;其决策过程为:当样品的拉曼信号包含该目标物全部特征峰时,则判定样品中含有目标物;
B、建立拉曼半定量检测的二元半定量模型,用于判别样品中目标物含量是否超过标准限量(如:特定浓度等),具体过程为:
检测大量特定添加水平(标准限量水平)的加标样品,拟合该添加水平下各个拉曼特征峰下信号强度的高斯分布曲线,计算半定量阈值,选择最优特征峰作为半定量模型;
C、建立拉曼定性半定量快检的结果表征方法,用于拉曼检测实际样品的定性半定量结果判定,具体过程为:
当定性检测结果为阳性时,如果目标物特征峰信号强度值超过半定量阈值,则判定该目标物浓度不低于该标准限量,如果目标物特征峰信号强度值低于半定量阈值,则判定该目标物浓度低于该标准限量。
进一步的,拟合该添加水平下各个拉曼特征峰下信号强度的高斯分布曲线的方法为以该添加水平下的实际样品的拉曼光谱数据为样本,根据样本在各个特征峰位置拉曼响应的平均值和标准差,拟合满足该平均值和标准差的高斯分布曲线作为目标物特征峰信号强度值的理论分布情况。
进一步的,确定半定量阈值的方法为根据每个拉曼特征峰下拟合的高斯分布曲线,确定置信水平,绘制该高斯分布右侧在既定置信水平下的置信区间,以置信区间下限作为半定量阈值。该阈值用于半定量检测时,如果待测样品中目标物特征峰信号强度值超过半定量阈值,则判定该目标物浓度不低于该特定浓度。
进一步的,选择最优特征峰作为半定量模型的方法为:配制方法检测范围内的低浓度、1/2半定量浓度、半定量浓度等至少三个添加水平的加标样品,每个添加水平的样品个数不少于40个,用基于各个特征峰的半定量模型分别预测加标样品浓度是否超过半定量浓度,以预测准确率最高的特征峰作为最优特征峰,以基于该特征峰的半定量模型作为目标物在特定浓度下的半定量模型。
根据本发明,所述的基于检出概率模型的拉曼快检性能综合评价方法,还包括建立基于检出概率模型的拉曼快检验证评价方法,所述的基于检出概率模型的拉曼快检验证评价方法的评价指标包括拉曼快检方法的特异性、灵敏度、检出限、方法一致性和设备一致性。
根据本发明,所述的基于检出概率模型的拉曼快检验证评价方法,包括如下步骤:
A、建立检出概率模型,利用检出概率模型上的检出概率曲线评价上述所述的基于定性和半定量二元决策模型的拉曼光谱快速检测结果表征方法的灵敏度、特异性、检出限等多项指标;
B、建立检出概率差曲线(即,两条检出概率曲线的差值),利用检出概率差这一参数进行方法间和设备间的一致性分析。
根据本发明,建立检出概率模型的步骤如下:
A、按照所述的二元定性模型对检测结果进行定性,检测是否含目标物;按照所述的二元半定量模型,检测目标物是否超过特定浓度或标准限量,统计每个浓度梯度下的试验次数、阳性率和阴性率。
B、根据记录的试验次数、阳性率和阴性率,绘制定性、半定量方法检出概率随添加水平变化的方法评价曲线,建立检出概率模型,用于拉曼检测的方法评价体系。
根据本发明,检出概率曲线在x轴>0的区间表示灵敏度和假阴性率;检出概率曲线在x轴=0处表示特异性和假阳性率;以灵敏度满足实际需求的最低浓度作为检出限;以检出概率差曲线可视化表示方法一致性和设备一致性,检出概率差的置信区间覆盖0代表方法/设备在该浓度范围内具有一致性。
进一步的,假阳性率=1-特异性。
作为本发明的第二个方面,一种上述所述的基于检出概率模型的拉曼快检性能综合评价方法在快检产品评价中的应用。
根据本发明,所述快检产品包括但不限于基于表面增强技术的拉曼快检方法检测的产品,快检产品的检测目标物包括但不限于食品中的农药残留、兽药残留、非法添加物、食品添加剂。
本发明的有益效果是:
1、可以采用拉曼光谱快速检测鉴定目标物是否超过特定浓度(如法规限量)等,解决了现有的拉曼定量不准确的问题,具有重大的应用价值。
2、具有鉴定简单、快速、特异性高、灵敏度高的特点,能够对上述拉曼定性和半定量快检方法进行各项指标的评价和不同仪器方法间的比对,实现对拉曼快检方法的科学验证和系统评价。
附图说明
图1为实施例3的荔枝中噻菌灵的拉曼定性特征峰。
图2为实施例4的香蕉中噻菌灵在标准限量(5mg/kg)上的半定量模型建立。
图3为实施例4的香蕉中噻菌灵在标准限量(5mg/kg)上的最优半定量模型选择。
图4为实施例5的鱼肉中孔雀石绿拉曼定性方法的检出概率曲线。
图5为实施例6的苹果中多菌灵的拉曼定性特征峰。
图6为实施例6的苹果中多菌灵在标准限量(5mg/kg)上的半定量模型建立。
图7为实施例6的苹果中多菌灵在标准限量(5mg/kg)上的半定量模型选择。
图8为实施例6的苹果中多菌灵拉曼定性方法的灵敏度、特异性、检出限计算。
图9为实施例6的苹果中多菌灵拉曼定性方法与参比方法一致性评价。
图10为实施例6的苹果中多菌灵拉曼定性方法不同设备一致性评价。
图11为实施例6苹果中多菌灵拉曼半定量方法不同设备一致性评价。
具体实施方式
以下结合具体实施例,对本发明作进一步说明。应理解,以下实施例仅用于说明本发明而非用于限制本发明的范围。下列实施例中未注明具体条件的实验方法,按照表面增强拉曼检测的常规方法进行,如:拉曼检测的前处理参考AOAC QuECHERS方案:Anastassiades M,Lehotay SJ,D,Schenck F.Fast and Easy MultiresidueMethod Employing Acetonitrile Extraction/Partitioning and“Dispersive Solid-Phase Extraction”for the Determination of Pesticide Residues in Produce[J].AOAC Int,2003,86(2):412-431.。又如:拉曼信号增强技术采用金纳米粒子的表面增强方法:Shende C S,Inscore F,Gift A,et al.Analysis of pesticides on or in fruit bysurface-enhanced Raman spectroscopy[J].Proceedings of SPIE-The InternationalSociety for Optical Engineering,2004,5587:170-176.
本发明针对拉曼快检技术定量不准确、缺乏可靠的方法评价体系的现状,研发了一种基于检出概率模型的拉曼快检性能综合评价方法,提出适用于检出概率模型评价的拉曼定性和半定量方法,用于筛查目标物并判断其是否超过限定水平,并将检出概率模型应用于拉曼定性、半定量快检方法的综合评价中,能够可视化表征方法检出限、灵敏度、特异性、假阴性率和假阳性率、与参比方法一致性等快检方法评价指标,满足《食品快检方法评价技术规范》要求,为拉曼光谱快检技术的评价体系提供参考。
应当说明,本发明的评价方法适用于对拉曼光谱检测方法的评价,包括但不限于对食品中农残、兽残、非法添加等物质的表面增强拉曼快检方法的评价。
实施例1建立基于定性和半定量的二元决策模型的拉曼光谱检测方法(简称“定性半定量方法”)
一、建立目标物的二元定性模型
根据目标物标准品的拉曼特征峰位置,选择2-6个相对于典型基质特异的拉曼位移峰作为目标物的特征峰,建立拉曼特征峰库;拉曼检测获得样品拉曼光谱数据后进行一阶导数寻峰和特征峰匹配,当样品的拉曼峰包含目标物的全部特征峰时,则判定为样品中含有目标物。
其中,一阶导数寻峰的峰位和峰边界的确定方法为:一阶导数值由正变负=0处确定为峰位,以一阶导数由负变正=0处确定为峰边界。
特征峰匹配为:样品光谱数据寻峰结果与数据库中的特征峰相匹配,需考虑拉曼位移的误差,通常表面增强拉曼方法的位移容差范围在3-10个波数内可认为是同一个特征峰。
所述的样品拉曼光谱数据:其在各个拉曼特征峰信号强度值的分布情况,应服从高斯分布,信号强度值不满足高斯分布的特征峰不适用于建立半定量方法。
二、建立目标物在特定浓度的半定量模型,用于判别样品中目标物含量是否超过标准限量(如:特定浓度等)。
建立特定浓度下的半定量模型,需先确定该拉曼检测方法所适用的浓度水平,确认该浓度在当前方法的检测范围内,可以是用户需要判别的任一浓度,通常为标准限量。具体方法如下:
(1)检测大量特定添加水平的加标样品,作为半定量判别模型的训练集。为充分考虑引起拉曼信号强度差异的各种因素(例如:样本容量和样本的无偏性决定估算总体数据特征的准确性等),配制加标样品个数需>50个,且分多个批次进行前处理和检测,共获得>50个特定添加水平下的加标样品检测数据;其中,分批次由不同人员检测,以提高样本的代表性;
(2)查看各个拉曼特征峰信号强度值的分布情况,绘制数据分布的直方图,观察其是否服从高斯分布。如特征峰信号强度值不服从高斯分布,则说明该特征峰的拉曼信号强度值不单单受检测随机误差的影响,不适用于半定量模型,应剔除该特征峰;
(3)对信号强度值服从高斯分布的特征峰,计算该分布的信号强度平均值和标准差,拟合满足该平均值和标准差的高斯分布曲线作为目标物特征峰信号强度值的理论分布情况,确定置信度,绘制该高斯分布右侧在既定置信度下的置信区间,计算置信限作为半定量判定的阈值。置信度理论上等同于该半定量方法的特异性,应根据方法特异性要求确定,针对拉曼快检方法特异性>95%的要求,置信度应>0.95;
(4)利用不同特征峰的半定量模型检测低浓度(c1)、1/2特定浓度(c2)、特定浓度(c3)三个浓度的样品,获得判别结果,统计检出概率(P),选择分值最高的特征峰作为半定量模型。为保证选择的半定量模型为最优模型,各浓度下的样品数应>20个,半定量模型得分值按如下公式计算:半定量模型得分=2P(c3)-P(c2)-P(c1)×50,分值越高代表半定量模型越准确(在浓度C2下假阴性率最低、在低于特定浓度的C2和C1浓度下假阳性率最低)。
(5)根据半定量模型判定半定量结果。当定性判别结果为样品中含有目标物时,如目标物特征峰信号强度值超过半定量阈值,则判定该目标物添加水平不低于该特定添加水平;如目标物特征峰信号强度值低于半定量阈值,则判定该目标物添加水平低于该特定添加水平。
实施例2建立基于检出概率模型的拉曼快检验证评价方法
建立基于检出概率模型的拉曼快检验证评价方法包括利用检出概率曲线评价方法的灵敏度、特异性、检出限等多项指标,利用检出概率差这一参数进行方法间和设备间的一致性分析。具体包括质控样制备、试验测试、评价结果计算三个步骤:
(1)质控样制备:配制多个添加水平的加标盲样,采用实施例1的定性半定量方法进行检测结果的判别,获得定性和半定量的检测结果。为保证方法评价的准确性,应配制空白、低浓度、1/2半定量限、半定量限等至少4个添加水平的加标盲样,每个加标添加水平的盲样个数通常应大于20个。
其中,质控样制备应满足以下条件:A、考虑典型样品基质或类似基质;B、目标物浓度水平应涵盖涉及目标物的空白、检出水平、标准限量、标准方法的检出水平等,选择空白、低浓度、高浓度等多个浓度水平配制加标样品;C、样品处理可采用部分样品、全量处理等方式进行,保证质控样品的均匀性和稳定性。
(2)试验测试:根据前处理方法、拉曼增强方法和拉曼检测条件对质控样品进行检测,用实施例1建立的定性半定量模型对检测结果进行定性(是否含目标物)和半定量(是否超过特定浓度/标准限量)的二元判别,记录测试样品的检测结果,统计每个浓度梯度下的试验次数、阳性率和阴性率。
(3)评价结果计算:绘制定性、半定量方法检出概率随添加水平变化的方法评价曲线,建立检出概率模型用于拉曼检测的方法评价体系。灵敏度、特异性、检出限指标由检出概率参数评价,方法一致性、设备一致性由检出概率差参数评价。
其中,评价结果的计算应结合评价指标,包括计算拉曼快检方法的特异性、灵敏度、检出限、方法一致性和设备一致性等评价指标,计算检出概率及其置信区间能够表征灵敏度、特异性、假阳性、假阴性、检出限等性能指标,计算检出概率差及其置信区间能够表征方法一致性和设备一致性。
检出概率及其置信区间的计算方法如下(x为检出阳性结果的阳性样品数,N为总样品数,P为检出概率,LCL为95%置信区间下限,UCL为95%置信区间上限):
(1)x=0时,
P=0,
LCL=0,
UCL=3.8415/(N+3.8415);
(2)x=N时,
P=1,
LCL=N/(N+3.8415),
UCL=1;
(3)0<x<N时,
P=x/N,
检出概率差及其置信区间的计算方法如下(δP为检出概率差,1为待评价方法/设备,2为参比方法/设备):
δP=P1-P2
本实施例的检出概率曲线能够可视化表示灵敏度、特异性、假阳性、假阴性等性能指标,检出概率曲线在x轴(浓度)>0的区间表示灵敏度和假阴性率(假阴性率=1-灵敏度),检出概率曲线在x轴(浓度)=0处表示特异性和假阳性率(假阳性率=1-特异性);以灵敏度满足实际需求的最低浓度作为检出限;以检出概率差曲线可视化表示方法一致性和设备一致性,检出概率差的置信区间覆盖0代表方法/设备在该浓度范围内具有一致性。
实施例3荔枝中噻菌灵的拉曼检测及拉曼特征峰的选择
按照实施例1的方法,对比噻菌灵标准品、荔枝中噻菌灵、荔枝基质空白的拉曼信号,选择噻菌灵标准品中特有、基质中不含有的拉曼位移作为荔枝中噻菌灵拉曼检测的定性特征峰。在此例中635cm-1、734cm-1、1008cm-1、1224cm-1、1264cm-1和1318cm-1四个拉曼位移波数被选为荔枝中噻菌灵的定性特征峰。定性判别时峰位匹配容差范围设为±5cm-1。结果如图1所示。其中,最上方为0.2mg/kg标准品拉曼光谱图,中间为荔枝基质中添加0.5mg/kg标准品的拉曼光谱图,最下方为荔枝基质空白样品的拉曼光谱图。
结果显示,荔枝中噻菌灵的定性特征峰位置分别位于拉曼位移400cm-1、503cm-1、520cm-1和762cm-1处。
实施例4香蕉中噻菌灵在标准限量(5mg/kg)上的半定量模型建立及最优模型选择
根据实施例1的方法,配制137个限量添加水平上(5mg/kg)的加标样品,进行拉曼光谱检测,获得80次检测中各特征峰(784cm-1、1009cm-1)的信号强度分布图,拟合理论的高斯分布曲线,并计算单侧95%置信区间以确保该半定量方法的特异性>95%,获得理论阈值,作为判断样品中多菌灵是否超过标准限量的半定量模型,结果如图2所示。其中,图2的直方图为137次检测中各特征峰(784cm-1、1009cm-1)的信号强度分布图,虚曲线为实际信号强度分布的密度曲线,SD为标准差,实曲线为根据平均值和标准差理论拟合的信号强度高斯分布曲线,虚线为右侧95%置信区间(CI)的置信限(即半定量模型特异性为95%时的阈值)。
检测1mg/kg、2.5mg/kg、5mg/kg 3个加标添加水平的盲样数目依次为70、48、21个,用基于上述2个特征峰分别建立半定量模型并进行结果判别,结果如图3和表1所示。其中,图3的实曲线为根据平均值和标准差理论拟合的信号强度高斯分布曲线,虚线为右侧95%置信区间(CI)的置信限(即半定量模型特异性为95%时的阈值)。黑色直方图为21个1mg/kg加标样品检测中各特征峰(784cm-1、1009cm-1)的信号强度分布图,斜纹直方图为48个2.5mg/kg加标样品检测中各特征峰的信号强度分布图,白色直方图为70个5mg/kg加标样品检测中各特征峰的信号强度分布图。表1为对基于2个特征峰的半定量模型进行评分和最优模型的选择。
表1香蕉中噻菌灵在标准限量(5mg/kg)上的半定量模型分值计算表
备注:x为检出阳性结果的阳性样品数,P为检出概率,分值=2(P3-P2-P1)*50,值越高代表半定量模型越好(灵敏度越高、假阳性率越低)。
结果显示,特征峰1009cm-1得分略高(94分),但考虑到相较于灵敏度和假阳性率,拉曼快检技术在实际应用中更注重方法在灵敏度上的表现,本实施例可以选择在浓度为5mg/kg检出率更高的特征峰784cm-1作为该方法半定量的特征峰。
结论:参考评分结果并结合实际需求,最终的半定量模型确定为:在784cm-1上拉曼信号强度>11000的样品所含多菌灵超过标准限量5mg/kg,容差范围设为±5cm-1。该半定量模型在1mg/kg水平的假阳性率为0,在2.5mg/kg水平的假阳性率为8%,在5mg/kg上的灵敏度为0.99。
实施例5检出概率模型评价鱼肉中孔雀石绿拉曼定性方法的灵敏度、特异性和检出限
根据实施例1的方法,建立孔雀石绿拉曼定性方法,利用实施例2的检出概率模型对该方法进行灵敏度、特异性和检出限的评价。
配制空白、5μg/kg、10μg/kg、15μg/kg和20μg/kg各浓度的鱼肉中添加孔雀石绿的质控样品各40个,对其进行定性检测,并统计定性结果,计算该孔雀石绿拉曼定性方法的灵敏度、特异性和检出限。结果如表2和图4所示,其中,图4的检出概率曲线可以展现特异性、灵敏度和检出限指标。
表2鱼肉中孔雀石绿拉曼定性方法的灵敏度、特异性和检出限计算表
备注:x为检出阳性结果的阳性样品数,N为总样品数,P为检出概率,LCL为95%置信区间下限,UCL为95%置信区间上限。
结果显示,该方法的特异性为1,在10μg/kg时的灵敏度区间(0.871,0.996),区间上限超过快检方法灵敏度>95%的要求,由此确定该方法的检出限为10μg/kg。
实施例6拉曼定性半定量检测方法的验证评价
(1)苹果中多菌灵的拉曼检测及拉曼特征峰的选择
按照实施例1的方法,建立苹果中多菌灵的拉曼检测方法,对比多菌灵标准品、苹果中多菌灵、苹果基质空白的拉曼信号,选择多菌灵标准品中特有而基质中不含有的拉曼位移作为苹果中多菌灵拉曼检测的定性特征峰。在此例中635cm-1、734cm-1、1008cm-1、1224cm-1、1264cm-1和1318cm-1六个拉曼位移波数被选为苹果中多菌灵的定性特征峰。定性判别时峰位匹配容差范围设为±5cm-1。结果如图5所示。其中,最上方为0.2mg/kg标准品拉曼光谱图,中间为苹果基质中添加1mg/kg标准品的拉曼光谱图,最下方为苹果基质空白样品的拉曼光谱图。
结果显示,苹果中多菌灵的定性特征峰位置分别位于拉曼位移635cm-1、734cm-1、1008cm-1、1224cm-1、1264cm-1和1318cm-1处。
(2)苹果中多菌灵在标准限量(5mg/kg)上的半定量模型建立及最优模型选择
配制80个限量添加水平上(5mg/kg)的加标样品,进行拉曼光谱检测,获得80次检测中各特征峰(635cm-1、734cm-1、1008cm-1、1224cm-1、1264cm-1、1318cm-1)的信号强度分布图,拟合理论的高斯分布曲线,并计算单侧95%置信区间以确保该半定量方法的特异性>95%,获得理论阈值,作为判断样品中多菌灵是否超过标准限量的半定量模型,结果如图6所示。其中,图6中的直方图为80次检测中各特征峰(635、734、1008、1224、1264、1318cm-1)的信号强度分布图,虚曲线为实际信号强度分布的密度曲线,SD为标准差,实曲线为根据平均值和标准差理论拟合的信号强度高斯分布曲线,虚线为右侧95%置信区间(CI)的置信限(即半定量模型特异性为95%时的阈值)。
检测0.5mg/kg、2.5mg/kg、5mg/kg 3个加标添加水平的盲样各40个,用基于上述6个特征峰分别建立半定量模型并进行结果判别,结果如图7和表3所示。其中,图7中的实线为根据平均值和标准差理论拟合的信号强度高斯分布曲线,虚线为右侧95%置信区间(CI)的置信限(即半定量模型特异性为95%时的阈值)。灰色直方图为40个0.5mg/kg加标样品检测中各特征峰(635、734、1008、1224、1264、1318cm-1)的信号强度分布图,斜纹直方图为40个2.5mg/kg加标样品检测中各特征峰的信号强度分布图,白色直方图为40个5mg/kg加标样品检测中各特征峰的信号强度分布图。表3为对基于6个特征峰的半定量模型进行评分和最优模型的选择。
表3苹果中多菌灵在标准限量(5mg/kg)上的半定量模型分值计算表
备注:x为检出阳性结果的阳性样品数,P为检出概率,分值=2(P3-P2-P1)*50。该分值越高代表半定量模型越好(灵敏度越高、假阳性率越低)。
根据评分结果,最终的半定量模型确定为:在635cm-1上拉曼信号强度>10000的样品所含多菌灵超过标准限量5mg/kg,容差范围设为±5cm-1。该半定量模型在0.5mg/kg水平的假阳性率为0,在2.5mg/kg水平的假阳性率为60%,在5mg/kg上的灵敏度为1。
(3)检出概率模型评价苹果中多菌灵拉曼定性方法的灵敏度、特异性和检出限
利用检出概率模型对苹果中多菌灵的拉曼定性方法进行灵敏度、特异性和检出限的评价。配制空白、0.05mg/kg、0.1mg/kg、0.5mg/kg、2.5mg/kg和5mg/kg各浓度的苹果中添加多菌灵的质控样品各40个,对其进行定性检测,并统计定性结果,计算该多菌灵拉曼定性方法的灵敏度、特异性和检出限,见表4和图8。其中,图8的检出概率曲线可以展现特异性、灵敏度和检出限指标。
表4苹果中多菌灵拉曼定性方法的灵敏度、特异性和检出限计算表
备注:x为检出阳性结果的阳性样品数,N为总样品数,P为检出概率,LCL为95%置信区间下限,UCL为95%置信区间上限。
计算结果显示,该方法的特异性为1,在0.5mg/kg时的灵敏度区间为(0.91,1),区间满足快检方法灵敏度>95%的要求,由此确定该方法的检出限为0.5mg/kg。
(4)检出概率模型用于苹果中多菌灵拉曼定性和半定量方法的一致性分析
该分析包括定性方法与参比方法一致性评价,定性方法在不同设备的一致性评价、以及定性方法在不同设备的一致性评价。
根据上述(1)-(3)确立的最优半定量模型建立苹果中多菌灵的拉曼定性和标准限量5mg/kg上的半定量方法,按照实施例2的方法建立基于检出概率模型的拉曼快检验证评价方法,然后利用检出概率模型对该方法进行与参比方法一致性、设备间一致性的评价。其中,本实施例的设备1是便携式拉曼光谱仪SEE3000-R2;设备2是Bwtek Iraman plusBTC6652N-785S-SYS;参比方法为GB/T 23380-2009水果、蔬菜中多菌灵残留的测定高效液相色谱法。
1)本发明的定性方法与参比方法一致性评价,结果如图9和表5所示。其中,图9的A为待评价方法与参比方法的检出概率曲线;图10中的B为待评价方法与参比方法的检出概率差曲线,虚线表示检出概率差=0,检出概率差其置信区间覆盖该线,则认为待评价方法与参比方法具有一致性。
表5苹果中多菌灵拉曼定性方法与参比方法一致性评价表
备注:x为检出阳性结果的阳性样品数,N为总样品数,P为检出概率,δP为检出概率差,LCL为95%置信区间下限,UCL为95%置信区间上限。
结果显示,当浓度>0.5mg/kg时,该定性方法与参比方法表现一致。
2)本发明的定性方法在设备间的一致性评价,结果如图10和表6所示。其中,图10中的A为本发明的定性方法在设备1与设备2上的检出概率曲线;图10中的B为设备1与设备2的检出概率差曲线,虚线表示检出概率差=0,检出概率差其置信区间覆盖该线,则认为设备1与设备2具有一致性。
表6苹果中多菌灵拉曼定性方法不同设备一致性评价表
备注:N为总样品数,P为检出概率,δP为检出概率差,LCL为95%置信区间下限,UCL为95%置信区间上限。
结果显示,两个设备的检出限不同,设备1的检出限为0.5mg/kg、设备2的检出限为1mg/kg,当浓度<0.05mg/kg或>0.5mg/kg时参与试验评价的两台设备具有一致性。
3)本发明的半定量方法在设备间的一致性评价,结果图11和表7所示。其中,图11中的A为本发明的半定量方法在设备1与设备2上的检出概率曲线;图11中的B为设备1与设备2的检出概率差曲线,虚线表示检出概率差=0,检出概率差其置信区间覆盖该线,则认为设备1与设备2具有一致性。
表7苹果中多菌灵拉曼半定量方法不同设备一致性评价表
浓度 | N | P(设备1) | P(设备2) | δP | LCL | UCL | 一致性 |
0.5 | 40 | 0 | 0.175 | -0.175 | -0.263 | -0.006 | 不一致 |
2.5 | 40 | 0.6 | 0.85 | -0.25 | -0.459 | -0.092 | 不一致 |
5 | 40 | 1 | 1 | 0 | -0.124 | 0.000 | 一致 |
备注:N为总样品数,P为检出概率,δP为检出概率差,LCL为95%置信区间下限,UCL为95%置信区间上限。
结果显示,当样品浓度不小于标准限量5mg/kg时参与试验评价的两台设备的半定量表现一致(灵敏度=1),当样品浓度小于5mg/kg时,设备1用于多菌灵是否超过法规限量的半定量判别表现更优,具有更低的假阳性率。
综上所述,采用本发明的基于检出概率模型的拉曼快检性能综合评价方法,可以用于快速筛查目标物(如:农药残留、兽药残留、非法添加物等物质)并判断其是否超过限定水平,并将检出概率模型应用于拉曼快检定性、半定量方法的综合评价中,能够可视化表征灵敏度、特异性、假阴性率和假阳性率、与参比方法一致性等快检方法评价指标,满足《食品快检方法评价技术规范》要求,为拉曼光谱快检技术的评价体系提供参考。因此,本发明的方法,可以快速检测食品中的目标物的是否符合法规限量的要求,同时,可以表征灵敏度、特异性、假阴性率和假阳性率等指标。这对于食品快检技术具有重大意义。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。
Claims (8)
1.一种基于检出概率模型的拉曼快检性能综合评价方法,其特征在于,包括建立基于定性和半定量二元决策模型的拉曼光谱快速检测结果表征方法,包括如下步骤:
A、建立拉曼定性检测的二元定性模型
根据目标物的特征峰,对待测样品拉曼光谱进行寻峰和特征峰匹配,用于判别样品中是否含有目标物;
B、建立拉曼半定量检测的二元半定量模型
检测大量特定添加水平的加标样品,拟合该添加水平下各个拉曼特征峰下信号强度的高斯分布曲线,计算半定量阈值,选择最优特征峰作为半定量模型,用于判别样品中目标物含量是否超过标准限量;
C、建立拉曼定性半定量快检的结果表征方法
当定性检测结果为阳性时,如果目标物特征峰信号强度值超过半定量阈值,则判定该目标物浓度不低于该标准限量,如果目标物特征峰信号强度值低于半定量阈值,则判定该目标物浓度低于该标准限量;其中,
步骤B的拟合该添加水平下各个拉曼特征峰下信号强度的高斯分布曲线的方法为:以该添加水平下的实际样品的拉曼光谱数据为样本,根据样本在各个特征峰位置拉曼响应的平均值和标准差,拟合满足该平均值和标准差的高斯分布曲线作为目标物特征峰信号强度值的理论分布情况;
步骤B的确定半定量阈值的方法为:根据每个拉曼特征峰下拟合的高斯分布曲线,确定置信水平,绘制该高斯分布右侧在既定置信水平下的置信区间,以置信区间下限作为半定量阈值。
3.如权利要求1或2所述的基于检出概率模型的拉曼快检性能综合评价方法,其特征在于,还包括建立基于检出概率模型的拉曼快检验证评价方法,所述的基于检出概率模型的拉曼快检验证评价方法的评价指标包括拉曼快检方法的特异性、灵敏度、检出限、方法一致性和设备一致性。
4.如权利要求3所述的基于检出概率模型的拉曼快检性能综合评价方法,其特征在于,所述的基于检出概率模型的拉曼快检验证评价方法,包括如下步骤:
A、建立检出概率模型,利用检出概率曲线评价所述的基于定性和半定量二元决策模型的拉曼光谱快速检测结果表征方法的灵敏度、特异性、检出限;
B、建立检出概率差曲线,利用检出概率差这一参数进行方法间和设备间的一致性分析。
5.如权利要求4所述的基于检出概率模型的拉曼快检性能综合评价方法,其特征在于,建立检出概率曲线的步骤包括:
A、按照所述的二元定性模型对检测结果进行定性,检测是否含目标物;按照所述的二元半定量模型,检测目标物是否超过特定浓度或标准限量,统计每个浓度梯度下的试验次数、阳性率和阴性率;
B、根据记录的试验次数、阳性率和阴性率,绘制定性、半定量方法检出概率随添加水平变化的方法评价曲线,建立检出概率模型。
6.如权利要求4所述的基于检出概率模型的拉曼快检性能综合评价方法,其特征在于,检出概率曲线在x轴>0的区间表示灵敏度和假阴性率;检出概率曲线在x轴=0处表示特异性和假阳性率;以灵敏度满足实际需求的最低浓度作为检出限;以检出概率差曲线可视化表示方法一致性和设备一致性,检出概率差的置信区间覆盖0代表方法/设备在该浓度范围内具有一致性。
7.一种如权利要求1-6任一项所述的基于检出概率模型的拉曼快检性能综合评价方法在快检产品评价中的应用。
8.如权利要求7所述的应用,其特征在于所述快检产品包括但不限于基于表面增强技术的拉曼快检方法检测的产品,快检产品的检测目标物包括但不限于食品中的农药残留、兽药残留、非法添加物、食品添加剂。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911005222.1A CN110609030B (zh) | 2019-10-22 | 2019-10-22 | 一种基于检出概率模型的拉曼快检性能综合评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911005222.1A CN110609030B (zh) | 2019-10-22 | 2019-10-22 | 一种基于检出概率模型的拉曼快检性能综合评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110609030A CN110609030A (zh) | 2019-12-24 |
CN110609030B true CN110609030B (zh) | 2022-02-25 |
Family
ID=68893278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911005222.1A Active CN110609030B (zh) | 2019-10-22 | 2019-10-22 | 一种基于检出概率模型的拉曼快检性能综合评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110609030B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113218932B (zh) * | 2021-04-30 | 2023-06-02 | 赵艳茹 | 一种基于拉曼光谱检测柿霜中钛白粉含量的判别方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101975818A (zh) * | 2010-04-29 | 2011-02-16 | 中国计量科学研究院 | 特征物质的检测系统及方法 |
CN102128908A (zh) * | 2010-01-19 | 2011-07-20 | 华东理工大学 | 水中有机污染物现场快速检测方法 |
CN104132922A (zh) * | 2014-07-28 | 2014-11-05 | 浙江大学 | 一种重金属浓碱液体中桔铬黄浓度的检测方法 |
CN104749159A (zh) * | 2013-12-30 | 2015-07-01 | 同方威视技术股份有限公司 | 农药残留检测方法 |
CN104914089A (zh) * | 2015-06-18 | 2015-09-16 | 清华大学 | 用表面增强拉曼光谱对痕量混合物进行半定量分析的方法 |
CN105223185A (zh) * | 2015-11-10 | 2016-01-06 | 福建省计量科学研究院 | 一种拉曼光谱快速检测仪的评价方法 |
CN106896223A (zh) * | 2015-12-17 | 2017-06-27 | 中国水产科学研究院 | 水产品中药物残留免疫胶体金类快速检测产品评价方法 |
CN108037109A (zh) * | 2017-12-18 | 2018-05-15 | 江西省检验检疫科学技术研究院 | 一种饮料中专利蓝v的ser快速检测方法 |
CN108169211A (zh) * | 2018-02-12 | 2018-06-15 | 上海出入境检验检疫局动植物与食品检验检疫技术中心 | 一种拉曼光谱增强测量系统 |
CN108918427A (zh) * | 2018-06-06 | 2018-11-30 | 北京云端光科技术有限公司 | 物质检测的方法、装置、存储介质及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2580186B (en) * | 2018-12-24 | 2021-09-15 | Cell Therapy Catapult Ltd | Monitoring viral titre using Raman Spectroscopy |
-
2019
- 2019-10-22 CN CN201911005222.1A patent/CN110609030B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102128908A (zh) * | 2010-01-19 | 2011-07-20 | 华东理工大学 | 水中有机污染物现场快速检测方法 |
CN101975818A (zh) * | 2010-04-29 | 2011-02-16 | 中国计量科学研究院 | 特征物质的检测系统及方法 |
CN104749159A (zh) * | 2013-12-30 | 2015-07-01 | 同方威视技术股份有限公司 | 农药残留检测方法 |
CN104132922A (zh) * | 2014-07-28 | 2014-11-05 | 浙江大学 | 一种重金属浓碱液体中桔铬黄浓度的检测方法 |
CN104914089A (zh) * | 2015-06-18 | 2015-09-16 | 清华大学 | 用表面增强拉曼光谱对痕量混合物进行半定量分析的方法 |
CN105223185A (zh) * | 2015-11-10 | 2016-01-06 | 福建省计量科学研究院 | 一种拉曼光谱快速检测仪的评价方法 |
CN106896223A (zh) * | 2015-12-17 | 2017-06-27 | 中国水产科学研究院 | 水产品中药物残留免疫胶体金类快速检测产品评价方法 |
CN108037109A (zh) * | 2017-12-18 | 2018-05-15 | 江西省检验检疫科学技术研究院 | 一种饮料中专利蓝v的ser快速检测方法 |
CN108169211A (zh) * | 2018-02-12 | 2018-06-15 | 上海出入境检验检疫局动植物与食品检验检疫技术中心 | 一种拉曼光谱增强测量系统 |
CN108918427A (zh) * | 2018-06-06 | 2018-11-30 | 北京云端光科技术有限公司 | 物质检测的方法、装置、存储介质及电子设备 |
Non-Patent Citations (5)
Title |
---|
Development of a Nano-Gold Capillary Immunochromatographic Assay for Rapid and Semi-Quantitative Detection of Clenbuterol Residues;Xueli Qu 等;《Food Analytical Methods》;20160222;第9卷;第2531-2540页 * |
X射线荧光测井谱漂校正技术研究;张庆贤 等;《光谱学与光谱分析》;20170331;第37卷(第3期);第924-928页 * |
基于拉曼光谱技术的茶树叶片中类胡萝卜素含量的无损快速检测;李晓丽 等;《光谱学与光谱分析》;20171130;第37卷(第11期);第3465-3470页 * |
基于表面增强拉曼散射效应的痕量物质半定量与定量分析;侯孟婧;《中国优秀优秀博硕学位论文全文数据库(博士)工程科技Ⅰ辑》;20171215(第12期);第B014-86页 * |
表面增强拉曼光谱法快速检测牛奶中的三聚氰胺;赵宇翔 等;《乳业科学与技术》;20110525;第34卷(第1期);第27-29页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110609030A (zh) | 2019-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sharma et al. | Trends of chemometrics in bloodstain investigations | |
US10001462B2 (en) | Method and system for detecting pesticide residue in agricultural products using mass spectrometry imaging analysis | |
CN109799195B (zh) | 一种激光诱导击穿光谱的高精度定量分析方法 | |
CN106918567B (zh) | 一种测量痕量金属离子浓度的方法和装置 | |
CN108398416A (zh) | 一种基于激光拉曼光谱的混合物成分测定方法 | |
US11561182B2 (en) | Method for detecting quality of cell culture fluid based on Raman spectral measurement | |
JP2006267111A (ja) | スペクトル、特にnmrスペクトルのセットをプロセッシングする方法 | |
CN110609030B (zh) | 一种基于检出概率模型的拉曼快检性能综合评价方法 | |
CN101620178B (zh) | 基于近红外光谱技术快速检测中成药、保健食品或食品中添加化学成分的方法 | |
CN105758843A (zh) | 一种基于激光诱导击穿光谱的油料作物种子含油量检测方法 | |
CN108663334B (zh) | 基于多分类器融合寻找土壤养分光谱特征波长的方法 | |
CN105223140A (zh) | 同源物质的快速识别方法 | |
CN111521577B (zh) | 一种以二氧化碳峰面积为参比的红外光谱定量分析方法 | |
CN106226263A (zh) | 基于红外光谱技术的浓香型白酒基酒等级快速判别方法 | |
Ma et al. | Establishment of reference interval and aging model of homocysteine using real-world data | |
CN109709060B (zh) | 一种沥青软化点、针入度和质量损失的测定方法 | |
CN101140225B (zh) | 一种利用声光可调滤光器近红外光谱仪检测香料中铅的方法 | |
Jiménez-Carvelo et al. | The occurrence: A meaningful parameter to be considered in the validation of multivariate classification-based screening methods–Application for authenticating virgin olive oil | |
CN104297205A (zh) | 一种快速、无损的食用油鉴别方法 | |
JP6565801B2 (ja) | 質量分析データ処理装置、質量分析装置、質量分析データ処理方法、及び質量分析データ処理用プログラム | |
CN110715985B (zh) | 气相指纹图谱结合偏最小二乘方法判别煎炸油质量的方法 | |
CN111257265A (zh) | 一种钢桥面铺装用沥青针入度指标的快速检测方法 | |
CN117929347B (zh) | 一种中药红花的农残快速检测方法及系统 | |
CN118293803A (zh) | 一种铝锌镁镀层厚度的测量方法 | |
CN113791049B (zh) | 一种融合nirs和cv对冷鲜鸭肉新鲜度进行快速检测的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |