基于傅里葉變換近紅外光譜結合化學計量學的食源性致病菌快速檢測.pdf

1、食源性致病菌是食品安全問題的罪魁禍首。傳統(tǒng)的病原微生物檢測步驟繁瑣，耗時耗力，遠遠不能滿足食品安全控制時效性的要求。近紅外光譜可快速高效無損檢測待測樣本，光譜中既包含樣品的物理信息，還承載其化學信息以及生物學信息，已被證明是研究包括細胞和組織在內的生物大分子和復雜的生物系統(tǒng)的一項可靠技術，而近紅外技術應用于微生物檢測方面也有了初步進展。
　　本課題采用近紅外光譜透射技術探究液態(tài)體系中幾種常見食源性致病菌的檢測方法。通過采集不同培養(yǎng)

2、時間的大腸桿菌、李斯特菌、金黃色葡萄球菌液培養(yǎng)物的近紅外光譜，建立基于近紅外光譜檢測技術結合化學計量學方法的食源性致病菌在革蘭氏陰性菌與陽性、菌種以及亞種水平的鑒別方法。
　　1.應用光電比濁法(OD600)得到了各種食源性致病菌菌株的生長曲線，并劃分出了幾種致病菌的生長階段。收集處于三個時間點0h、6h、12h的細菌懸濁液的近紅外光譜，建立了不同生長時間的食源性致病菌分類模型，偏最小二乘判別分析（PLS-DA）模型的預測集決定系

3、數為0.91，預測識別準確率為88％。
　　2.探討了所研究食源性致病菌近紅外光譜的差異，比較了不同的預處理方法對細菌分類效果的影響。以三種食源性致病菌分類為例進行預處理，得到的結果與未經預處理的原始光譜結果相當。此外，比較了不同培養(yǎng)時間對細菌分類的影響，其中，6h與12h模型的預測分類準確率均為93.75%，高于0h樣本建立的分類模型預測準確率（81.25%），可見不同培養(yǎng)時間對細菌分類具有較大影響，但考慮到模型的實用性，本研究

4、選擇對所有細菌（培養(yǎng)時間0h、6h、12h）進行建模。
　　3.建立并比較了PLS-DA、BP神經網絡、RBF神經網絡以及支持向量機SVM幾種機器學習算法所建立的食源性致病菌在不同水平（①革蘭氏陰性菌與陽性菌、②菌種水平以及③亞種水平）的分類模型性能。同時，使用了不同優(yōu)化算法（包括網格搜索算法GS和粒子群優(yōu)化法PSO）對SVM內部參數（懲罰因子c和核參數g）進行優(yōu)化。GS-SVM模型對革蘭氏陰性菌與陽性菌預測集的誤判數為1，預測識

5、別準確率為99.1%，低于RBF神經網絡模型預測準確率（100%），但GS-SVM方法對菌種水平、大腸桿菌亞種以及李斯特菌亞種的預測分類準確率均為100%，因此認為GS-SVM是最優(yōu)的細菌分類方法。
　　4.建立并優(yōu)化了食源性致病菌分類檢測簡化模型。比較了遺傳算法（GA）、連續(xù)投影算法（SPA）、競爭性自適應重加權（CARS）和隨機森林（RF）等方法在簡化食源性致病菌分類識別模型方面的性能。從模型精度、復雜性等角度綜合衡量，隨機森