这篇文档属于类型a，即报告了一项原始研究。以下是针对该研究的学术报告：

主要作者及研究机构

本研究的主要作者包括Jia-Rong He、Jia-Wen Wei、Shi-Yi Chen、Na Li、Xiu-Di Zhong和Yao-Qun Li，他们均来自厦门大学化学化工学院化学系，同时也是“光谱化学分析与仪器教育部重点实验室”的成员。该研究于2022年12月18日发表在期刊《Sensors》上。

学术背景

本研究的主要科学领域是食品安全监测中的农药残留检测，特别是针对红葡萄酒中两种苯并咪唑类农药（thiabendazole, TBZ和fuberidazole, FBZ）的快速同时定量检测。农药在农业生产中广泛使用，但其残留物不仅对环境造成影响，还可能对人类健康产生危害。红葡萄酒作为一种广受欢迎的饮品，虽然在预防心血管疾病等方面具有益处，但在葡萄种植过程中使用的苯并咪唑类农药可能通过酿酒过程进入葡萄酒中，对饮用者造成潜在危害。因此，开发一种快速、简单且低成本的检测方法具有重要意义。

传统检测苯并咪唑类农药的方法包括液相色谱-质谱联用（LC-MS）和高效液相色谱（HPLC），但这些方法通常成本高且耗时，限制了其广泛应用。本研究旨在结合同步荧光光谱技术和机器学习方法，开发一种新的检测技术，以实现对红葡萄酒中TBZ和FBZ的快速同时定量检测。

研究流程

本研究主要包括以下几个步骤：

1. 荧光光谱数据采集
   首先，使用实验室自建的多功能荧光分光光度仪采集TBZ和FBZ的荧光光谱数据。该仪器配备了150 W的氙灯光源、激发和发射单色器的5 nm狭缝带宽、-700 V的负高压以及用于光谱检测的1 cm × 1 cm石英比色皿。数据采集过程中，使用Turbo C 2.0编写的软件控制荧光仪。

2. 样品预处理
   研究评估了两种样品预处理方法：提取法和稀释法。提取法使用二氯甲烷对红葡萄酒样品进行超声提取，并通过旋转蒸发仪干燥后溶解于乙醇中。稀释法则将红葡萄酒直接稀释50倍，并加入标准品作为待测样品。

3. 校准集和测试集的构建
   研究构建了包含TBZ和FBZ混合样品的校准集和测试集。校准集由24个手动生成的样品组成，浓度范围从0到500 ng/ml不等。测试集用于验证模型的泛化性能。

4. 机器学习模型的建立与优化
   研究测试了多种机器学习模型，包括线性回归、高斯回归、支持向量回归、决策树和人工神经网络。通过贝叶斯搜索、随机搜索和网格搜索优化超参数，并使用十折交叉验证提高模型的泛化性能。最终，支持向量回归（SVR）模型表现最佳，被选为预测模型。

5. 模型验证与实际样品测试
   使用建立的SVR模型对实际红葡萄酒样品进行检测，结果显示TBZ和FBZ的回收率分别在101% ± 5%和101% ± 15%之间，表明该方法在实际应用中具有较高的准确性和可靠性。

主要结果

1. 荧光光谱分析
   研究发现在乙醇中，TBZ和FBZ的荧光强度显著高于水中的荧光强度，因此选择乙醇作为溶剂。此外，TBZ和FBZ的荧光光谱存在显著重叠，传统荧光光谱技术难以同时定量检测这两种物质。

2. 常数能量同步荧光光谱技术
   通过第二导数常数能量同步荧光光谱技术，研究成功简化了光谱并缩小了光谱带宽，减少了散射光的影响。然而，仅靠该技术无法完全分离TBZ和FBZ的光谱，因此引入了机器学习技术进行进一步处理。

3. 机器学习模型性能
   支持向量回归模型在校准集和测试集上均表现出色，TBZ和FBZ的均方根误差（RMSE）分别为45.19和4.86。在实际样品测试中，TBZ和FBZ的回收率均在85%~110%之间，满足实际检测要求。

结论

本研究开发了一种基于支持向量回归模型的第二导数常数能量同步荧光光谱技术，成功实现了对红葡萄酒中TBZ和FBZ的快速同时定量检测。该方法无需复杂的样品预处理步骤，具有简单、快速和低成本的优势，为复杂基质中多组分分析提供了一种新的解决方案。

研究亮点

1. 创新性方法
   本研究首次将机器学习技术与同步荧光光谱技术结合，解决了传统方法在复杂基质中检测多组分时的难题。

2. 高效性
   该方法能够在短时间内完成对TBZ和FBZ的同时检测，且回收率高，适用于实际样品的快速检测。

3. 广泛应用潜力
   该方法不仅适用于红葡萄酒中的农药残留检测，还可推广至其他食品和饮料中的多组分分析，具有广泛的应用前景。

其他有价值的内容

研究还详细探讨了不同常数能量差对光谱分离效果的影响，并优化了机器学习模型的超参数，为后续研究提供了重要参考。此外，研究还对比了提取法和稀释法在样品预处理中的效果，发现稀释法在简化操作的同时仍能保持较高的检测准确性。

通过本研究，科研人员可以更高效地检测红葡萄酒中的农药残留，为食品安全监测提供了新的技术手段。