这篇文档属于类型a，即报告了一项原创研究。以下是针对该研究的学术报告：
本研究的主要作者包括Guanghui Shen、Xiaocun Kang、Jianshuo Su、Jianbo Qiu、Xin Liu、Jianhong Xu、Jianrong Shi和Sherif Ramzy Mohamed。研究机构包括江苏省农业科学院食品安全与营养研究所、江苏大学食品与生物工程学院以及埃及国家研究中心的食品毒理学与污染物部门。该研究发表于2022年2月16日的《Food Chemistry》期刊，文章编号为132487。
本研究的主要科学领域为食品安全与检测技术，特别是针对玉米中真菌毒素的快速检测。玉米是全球重要的粮食作物，但常受到真菌污染，尤其是由镰刀菌属（Fusarium）产生的伏马毒素（fumonisins，FBs）。伏马毒素B1（FB1）和B2（FB2）是最常见的毒素形式，对人类和动物健康构成严重威胁，可能导致癌症、神经管缺陷等疾病。传统的检测方法如高效液相色谱（HPLC）和液相色谱-质谱联用（LC-MS/MS）虽然精确，但耗时长、成本高，且不适用于现场快速检测。因此，开发一种快速、便携的检测方法具有重要意义。本研究的目的是评估一种基于智能手机控制的便携式近红外光谱仪（NIR）结合化学计量学方法，用于快速检测玉米中的FB1和FB2污染。
研究流程主要包括样品收集与制备、光谱数据采集、HPLC-MS/MS分析、化学计量学建模及结果分析。
研究从中国山东、吉林、贵州、河南和江苏等地的实验田采集了173份玉米样品。每份样品经过实验室研磨机高速粉碎2分钟，分为两部分，分别用于光谱数据采集和HPLC-MS/MS分析。
光谱数据通过一款基于数字微镜器件（DMD）的便携式近红外光谱仪（NIR-M-R2，Innospectra Corporation）采集。该光谱仪通过蓝牙与小米手机（Xiaomi 8）连接，并由手机上的应用程序控制。光谱范围覆盖900至1700 nm，每个样品扫描三次，取平均值作为最终光谱数据。
样品中的FB1和FB2含量通过HPLC-MS/MS进行定量分析。样品提取采用改进的QuEChERS方法，提取液经过氮气吹干后重新溶解，最终通过0.22 μm尼龙滤膜过滤后进行HPLC-MS/MS分析。
光谱数据经过预处理（如标准正态变量变换SNV、去趋势Detrend、Savitzky-Golay平滑等）后，采用三种回归算法建立定量模型：偏最小二乘法（PLS）、支持向量机（SVM）和基于全局PLS得分的局部PLS（LPLS-S）。此外，还使用偏最小二乘判别分析（PLS-DA）和支持向量机判别分析（SVM-DA）对玉米样品进行分类。
定量模型的性能通过预测决定系数（Rp²）、预测均方根误差（RMSEP）和预测偏差比（RPD）进行评估。分类模型的性能通过灵敏度、特异性和判别准确率进行评估。
173份玉米样品中，FB1和FB2的含量范围为未检出（<10 μg/kg）至217.45 mg/kg，中位数为7.50 mg/kg，平均值为25.19 mg/kg。其中96份样品的FB含量超过最大残留限量（MRL），77份样品未超标。
玉米样品的光谱在900至1650 nm范围内表现出相似的曲线趋势，主要吸收峰位于990 nm、1200 nm和1465 nm附近。随着FB污染水平的增加，光谱吸收强度总体呈下降趋势，但FB水平超过8.0 mg/kg时，下降趋势不再明显。
在三种定量模型中，LPLS-S算法表现最佳，其RMSEP为12.08 mg/kg，RPD为3.44，表明其具有优异的定量分析能力。SVM算法的性能优于PLS，但略低于LPLS-S。
PLS-DA和SVM-DA算法对玉米样品的分类准确率均超过86.0%，表明这两种算法可用于快速分析玉米中的FB污染水平。
本研究首次提出并验证了一种基于智能手机控制的便携式近红外光谱仪结合化学计量学方法，用于快速检测玉米中的FB污染。研究结果表明，非线性建模算法（SVM和LPLS-S）的性能优于线性建模算法（PLS），其中LPLS-S算法表现出最高的预测精度。该方法具有快速、便携的特点，适用于玉米采购、储存和运输等环节的现场检测。
研究还指出，随着技术的发展，智能手机结合云计算可进一步提高便携式光谱仪的计算效率，降低成本，并提升检测效率。未来，便携式近红外光谱仪在农产品质量与安全的现场快速检测中将具有巨大的应用潜力。
通过本研究，研究人员为食品安全领域提供了一种高效、低成本的检测方法，具有重要的科学意义和应用前景。