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

  以含有不同浓度AFB1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

  (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。图1.含有不同质量浓度AFB1的花生油待测样本的SERS与NIR光谱

  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。

  （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AFB1

  含量。PLSR建模过程中，最佳隐变量数(latentvariables，LVs)由5折交互验证产生的RMSECV值所确定。各方法的检测结果如表3所示。由表3可知，基于NIR光谱数据定量检测结果如下:LVs=10，RMSEC=0.2812，=0.9533，RMSEP=0.3447，=0.9211，RPD=3.5601，花生油中AFB

  ，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。图3.各方法所建PLSR模型评价指标变化趋势2.5真实样本检测分析结果

  ~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。3、结论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

  ，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

  2c=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

  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•体积小巧，重量轻，只有100×80×26mm和280g；

  •高灵敏度，500ms就可以实现常规化学品的拉曼光谱，最低可以检测0.3%的分析纯酒精；•

  ms积分时间）；•配置USB、串口多种通讯接口，配置24PIN交互接口，配置专有DAC和ADC，可实现配套光源的使能、强度控制和功率反馈。