视频号
抖音号
哔哩哔哩号
前沿资讯手机看
近红外分会秘书长、中石化石油化工科学研究院教授级高工，一直从事以近红外光谱为主要手段的过程分析成套技术的研发和推广工作。
分享到微信朋友圈
打开微信，点击底部的“发现”，
使用“扫一扫”即可将网页分享到朋友圈。
近三年光谱结合化学计量学分析技术综述文献的评述（二）
Commentary on the review articles of spectroscopy technology combined with chemometrics in the last three years
褚小立
（中石化石油化工科学研究院有限公司，北京，100083）
摘要：近些年，现代光谱分析技术得到了迅猛发展，该技术的一个关键特征是采用化学计量学方法对光谱数据进行处理，从而尽可能多地获得有用信息，并且，该技术可直接对不同形态的复杂混合物进行定性和定量分析，在检测速度、成本、效率、通用性、自动化和便携性等方面表现出优于多数传统方法的特殊优势，在农业、食品、制药、石油、化工、烟草、环保和医学等各个领域得到了广泛的应用。因此，现代光谱分析技术也日益得到关注和重视。本文对近三年（2020-2022年）发表的涉及光谱结合化学计量学为主题的综述论文进行评述，主要论述了这类技术的发展现状、存在的挑战以及未来的发展方向，引用文献351篇。
4 应用
4.1农业
4.1.1农作物
王冬等从种子质量评价、活力与老化检测、纯度与真伪鉴别、分类与溯源研究四方面对光谱及高光谱成像无损快速检测种子品质进行综述，提出光谱数据和形态学数据的融合是本领域的一个难点，采用何种融合方式以及融合数据的筛选是今后的研究重点[110]。Su综述了光谱、彩色成像和高光谱成像三种传感技术结合机器学习在作物和杂草识别中的应用，作者认为鉴于最近机器学习和传感器开发的蓬勃发展，预计多光谱成像将成为实时区分杂草和作物的主流方法[111]。Berger等论述了高光谱技术测定作物氮含量的进展，并归纳了与氮相关的近红外光谱区的特征谱带[112]。Li等从系统选择、数据处理和预测方法三个方面评述了光谱和机器视觉技术对作物氮素状况进行诊断的进展，由于光、土壤和树冠等因素的干扰，他们提出在未来的研究中可以考虑多信息融合实时处理和时间序列估计方法，以提高作物氮素状况的诊断准确性[113]。
Sanchez等综述光谱和成像技术在评估马铃薯和甘薯块茎不同质量指标方面的最新应用，讨论了单独应用还是与其他技术相结合的马铃薯和甘薯在线分级和分类的实际用途[114]。Su等综述了光谱成像和机器学习在马铃薯和甘薯块茎智能检测中的最新应用进展，包括物理特性（如质地、水结合能力和比重）、化学成分（如蛋白质、淀粉和总花青素）、品种和缺陷鉴定等方面[115]。Alamu等综述了近红外光谱在木薯和山药高通量表型分析中的应用，包括碳水化合物、蛋白质、维生素、矿物质、类胡萝卜素、水分、淀粉等化学成分分析，强调了近红外光谱在木薯和山药基因型高通量筛选和质量控制方面的潜力[116]。杨杰锴等从蔬菜内在品质检测、营养元素监测、病害诊断三个方面对高光谱成像在蔬菜性状无损检测上的研究成果进行了综述，并结合目前存在的问题，对未来的发展方向提出了展望[117]。
Pandiselvam等综述了振动光谱在粮食工业中的应用，包括品质鉴别、掺假与污染物测定、工艺优化和生产监控等，讨论了该技术的优势、面临的挑战、局限性和以及未来的发展趋势[118]。Zareef等综述了近红外（NIR）、红外（IR）、拉曼光谱和荧光光谱，以及比色传感器阵列（CSA）、成像技术和数据融合策略等无损检测技术在谷物质量、真实性和安全监测中的最新应用[119]。Liu等介绍了不同分析技术和化学计量方法对小麦产地、品种、掺假和有机小麦的研究进展。其中，稳定同位素 和矿质元素分析技术是识别小麦产地、品种和区分有机小麦和传统小麦的有前途的工具，图像分析、基因分析和组学分析可以为小麦品种识别、有机小麦识别和小麦掺假识别提供解决方案。此外，近红外(NIR)、中红外(MIR)、高光谱成像(HSI)等光谱技术与多变量数据分析方法相结合，在小麦真实性方面表现出巨大的潜力，并具有快速、无损、易用等优点[120]。
太赫兹光谱和成像技术已广泛用于农业和食品行业的无损检测、安全筛查、医学成像和质量控制等方面。Afsah-Hejri等介绍了太赫兹光谱的产生原理，讨论了当前太赫兹光谱和成像技术在农业领域的应用，包括太赫兹光谱与化学计量学方法、机器学习和搜索算法结合用于鉴别转基因种子、农药、有害化合物和有毒植物，以及利用太赫兹高分辨率图像区分叶片新鲜度，监测植物的水分状况，并估计作物产量等[121]。卢雪晶等综述了太赫兹技术在农产品检测方面的应用拓展和研究成果，总结了目前存在的应用局限，提出提高检测灵敏度和检测速度是农产品领域太赫兹技术产业化应用的研究重点[122]。
4.1.2病虫害
孙红等以植物识别与检测、病虫害诊断与识别、遥感区域分类与监测、果实在体检测与产品分级、动物识别与姿态检测5个研究方向，总结概括深度学习在农业信息成像感知中最新的应用研究成果，并指出将深度学习模型输出与控制环节相结合，为农业水肥药等管理决策、变量作业实施以及反馈评价等环节提供支持，是加速智能作业体系构建的方向[123]。Payne等评论了拉曼光谱在数字农业中的潜力，包括及时诊断生物和非生物胁迫，以及鉴定植物和评估植物对某些病原体（如线虫）的抗性，还讨论了基于拉曼光谱种子营养价值分析的数字育种的可能[124]。
真菌感染和真菌毒素污染是全世界谷物和油籽收获前后的严重问题。Jia等综述了利用红外光谱、拉曼光谱和高光谱成像技术检测谷物和油籽中真菌感染和霉菌毒素污染物的最新进展，重点介绍了中国的最新研究进展[125]。郭志明等综述了近红外光谱、拉曼光谱、荧光光谱和光谱成像等技术在粮食真菌毒素检测方面的研究现状及发展动态，讨论了各技术的优势与存在的不足，指出将不同模态的光谱信息进行融合，开发新的信息处理算法是进一步突破的研究方向[126]。Weng等论述了拉曼光谱和表面增强拉曼光谱在植物病害诊断中的应用进展，包括细菌病害和胁迫诱导病害、真菌病害、病毒病害、豆类害虫和真菌毒素等[127]。
Johnson等综述了在过去二十年中，近红外光谱在昆虫学领域的应用，包括昆虫物种分类、年龄和性别预测等，详细汇总了昆虫近红外光谱吸收的特征谱带，并指出近红外光谱用于储藏食品中昆虫的识别和昆虫表皮碳氢化合物的无损分析，是两个特别有希望的领域[128]。在另一篇综述中，Johnson综述了近红外光谱在谷物和豆类储藏物害虫检测中的发展史和现状，并对该技术的未来进行了展望[129]。Wang等概述了近红外光谱定性和定量分析在林业中的发展史及最新应用进展，包括树种、种子、木材和昆虫种类的鉴别，以及木材、植物组织、土壤、凋落物等的性质测定，讨论了近红外光谱应用在该领域的挑战和未来用途[130]。
4.1.3土壤
在过去的二十年里，光谱结合化学计量学方法用于土壤物理和化学性质的快速分析研究已发展成了独立的学科—土壤光谱学。Barra等综述了用于中红外光谱和近红外光谱分析技术的化学计量学和机器学习工具，尤其是用于分析土壤物理和化学性质光谱的预处理转换和变量选择策略的最新发展，并对土壤光谱学作为土壤科学有效分析手段所带来的机遇和挑战进行了详细概述[131]。Ahmadi等对可见-近红外光谱用于精细农业领域土壤性质的预测进行了系统综述和统计分析，表明该技术可以作为低成本、快速分析土壤性质标准方法的替代品，具有可接受的精度，而且随着土壤空间变异性评估需求的增加、仪器技术的进步、数据挖掘技术的发展、大型全球光谱数据库的建立，该技术将在精细农业中有着光明的应用前景[132]。Angelopoulou等综述了从实验室到近端传感应用的土壤反射光谱预测有机碳和土壤有机质含量的进展，讨论了实验室和现场应用中影响光谱测量准确性的因素，以便将模型从实验室转移到现场应用[133]。Nawa等综述了光谱法（可见-近红外、中红外（MIR）、激光诱导击穿和X射线荧光光谱）原位半定量和定量检测土壤中潜在有毒元素的最新进展，并将其与标准分析方法进行了严格的比较，讨论了影响土壤光谱和数据分析的因素，并就如何减少或消除它们的影响提出了建议[134]。
LIBS技术是一种原子发射光谱技术，被认为是化学分析和绿色分析技术领域未来的“超级明星”。Yu等综述了LIBS在土壤元素分析中的应用，包括主要元素、微量营养元素和重金属元素，还简要总结了LIBS在植物相关问题（营养素、农药残留和植物病害）分析中的应用[135]。Sharma等综述了土壤样品有机物质的傅里叶红外光谱（FTIR）、拉曼光谱、紫外-可见-近红外光谱（UV-Vis-NIR）和激光诱导击穿光谱（LIBS）的光谱特性，以及基于这些化学成分的光谱特性用于土壤表征和鉴别的应用进展[136]。Huang等综述了LIBS用于对土壤分类和元素分析的各种机器学习算法，重点介绍用于减少基质效应和自吸收、特征选择、定量分析、土壤分类的方法[137]。杨柳等综述了LIBS技术对土壤和植物中元素的定性分析研究，包括土壤快速溯源、土壤快速分类方法的建立和绘制植物组织中元素的空间分布图，以及土壤、植物中营养元素、重金属定量分析方面的进展和存在的问题[138]。
4.2食品
4.2.1概述
食品真实性、原产地和可追溯性是全球消费者、行业和监管机构关注的主要问题。仪器和化学计量学方法的发展导致出现了大量的可用于食品供应链各个控制点的商业化、便携式和手持设备，这些方法可以很容易地集成到食品供应链各个阶段的质量管理体系中。当前硬件和软件的发展使得光谱技术在整个食品供应链和价值链的质量评估和监测过程中的应用能力逐步提高。Aleixandre-Tudó等使用文献计量学方法评估了光谱应用于食品科学和技术的现状，结果显示光谱结合化学计量学方法是这类技术的关键属性，并推测出光谱技术将会逐步融入食品生产的全过程的未来[139]。Biancolillo等概述了在光谱的食品分析和认证领域最常用的化学计量学方法，包括数据探索、光谱预处理、分类、回归、模型验证以及数据融合等，并对最新的应用进展进行了归纳[140]。
图16近红外光谱仪的演变路径图
Overview of the evolution of near infrared spectrometers.
Aouadi等介绍了电子舌（E-tongle）、电子鼻（E-nose）和近红外光谱仪器的历史发展概况，以及它们在乳制品、甜味剂、饮料、水果和蔬菜以及肉类和鱼类行业中的应用进展，包括掺假识别、多种物理化学和感官参数预测等[141]。Wadood等综述了分析技术如光谱、色谱、同位素比和元素分析、DNA和传感器等在鉴定植物地理来源的可追溯性和真实性的应用现状，包括水果、谷物、豆类、茶、咖啡、香料、食用油、果汁和酒精饮料，讨论了这些技术在实验室和工业水平上的有效性及其优缺点[142]。Bwambok等综述了石英晶体微天平（QCM）、电分析和近红外（NIR）光谱在食品、原材料和配料质量评估和保证方面的突破和挑战，重点介绍了近红外光谱在食品分析和食品掺假检测中的应用[143]。Feng等综述了可见光、近红外和中红外光谱以及高光谱成像技术在食品品种和地理来源识别中的应用，包括谷物、饮料、水果、坚果、肉类、油脂等，还讨论了现有的挑战和未来的发展前景[144]。
McVey等概述了便携式光谱仪器的最新技术进展，归纳了商用光谱仪器在食品真实性方面的应用，探讨了将光谱快速分析技术集成到食品链数字追溯系统中的关键挑战和潜力[145]。Rodriguez-Saona等对商品化的小型振动光谱仪器进行了汇总，并介绍了振动光谱设备进一步小型化的技术及其在食品高通量分析和认证中的最新应用[146]。
Arendse等综述了振动光谱技术（近红外和中红外光谱、拉曼光谱和高光谱成像）在鉴别加工园艺产品真实性和掺假方面的最新应用，主要针对的产品是粉末状产品、食用油和果汁[147]。Sun等综述了拉曼光谱在食品安全和质量保证中的检测方法，重点介绍了拉曼技术在食品生产链中的应用和优势，包括植物生长、食品加工、运输、储存和营销，并对该技术的未来发展趋势做了展望[148]。Cozzolino等综述了近红外光谱在评价乳制品和谷物功能特性方面的应用、机遇和挑战[149]。Zeng等概述了将近红外光谱用于食品定性分析的模式识别方法，并讨论了卷积神经网络等深度学习方法的应用潜力[150]。Stefas等综述了LIBS结合化学计量学方法应用于食品分析的最新研究活动，重点是对橄榄油、蜂蜜和乳制品的分析[151]。
图16食品真实性类别和合适的拉曼光谱分析技术
近年来，由于成分置换、非法添加等问题导致的经济利益驱动型掺假（EMA）使食品真实性成为了一个全球性问题，如图16所示，拉曼光谱与化学计量学相结合，是一种快速、无损地验证食品性质或来源的方法。Xu等综述了拉曼光谱结合化学计量学方法的分析技术原理、工作流程、优点、挑战以及在食品真实性方面的应用，还讨论了该技术存在的问题以及未来的展望[152]。Mendes等概述了中红外光谱结合化学计量学方法用于五种最容易发生欺诈行为食品（咖啡、乳制品、蜂蜜、橄榄油和葡萄酒）的掺伪和真实性的最新应用研究，所引用文献时间的跨度为2010年至2020年[153]。Nobari-Moghaddam等综述了近红外光谱和高光谱成像在快速检测食品掺假方面的应用，包括食用油、乳制品、婴儿配方奶粉、蜂蜜、香料和果汁[154]。张仲雄等综述了太赫兹谱在食品掺假检测方面的研究进展，包括转基因食品鉴别、食品原产地鉴别、乳制品掺假和蜂蜜掺假检测等，讨论了目前存在的问题，如水分吸收、散射效应的影响等[155]。He等介绍了无损检测技术的原理及其在食品掺假检测中的应用，讨论了这些方法确定食品掺假最低检测检出限的困难性[156]。
4.2.2食用油
图17用于食用油质量分析的常规色谱工具和过程分析工具的比较示意图
确定食用油的品质对世界各地的食品监督机构和消费者来说都具有重要价值。Rifna等综述了多种光谱分析工具与化学计量学结合在鉴别食用油中掺杂物方面的应用（图17），包括鉴别掺假品、质量控制、原产地评估、工艺评估和产品分类等[157]。Tahir等综述了2013-2020年期间通过各种分析手段结合化学计量学用于确定食用油的地理来源的应用，并提出相关研究机构应开展合作建立全球范围的指纹（例如光谱、色谱、多元素）数据库，以满足常规分析的需要[158]。Li等的综述重点介绍了近红外光谱在检测油籽和食用油的物理化学性质和质量、特定营养成分、认证和地理来源追溯方面的应用，还讨论了近红外高光谱成像技术在油籽中的应用。他们认为，近红外光谱定量分析油籽和食用油中营养成分的能力将有助于质量控制过程，从而促进高质量食品工业的发展[159]。
Shi等讨论了鉴别山茶油的各种分析技术的特点，指出与传统的色谱分析方法相比，红外光谱、拉曼光谱、核磁共振和荧光光谱结合化学计量学是茶油质量控制过程的有效替代分析方法[160]。Mousa等综述了FT-IR光谱法与化学计量学相结合在食用油质量、真实性和掺假检测中的最新应用进展[161]。Rohman等对FTIR结合化学计量学方法对20余种油脂的鉴别分析进行了综述，强调了化学计量学方法在该应用中的重要性[162]。Bian等综述了用于分析调和食用油混合物中单组分油含量的研究进展，涉及实验设计方法、光谱仪器技术和化学计量学方法等[163]。Meenu等综述了振动光谱技术（FTIR、NIR和拉曼光谱）与化学计量学相结合在测定煎炸油脂热降解方面的应用进展[164]。
Sudhakar等综述了食用油掺假检测技术，包括化学方法、生物传感器、色谱、光谱、差示扫描量热、非热等离子体、介电谱等，详细介绍各种检测技术的优缺点[165]。Jamwal等对FTIR结合化学计量学方法鉴别食用油掺假进行综述，引用了50多篇文献[166]。Mohammed等综述了各种检测摩洛哥坚果油(Argan Oil)掺假方法的优缺点，对荧光光谱方法的未来应用前景给与了很大期望[167]。
Salah等综述了用于检测食用油（尤其是橄榄油）掺假的不同方法和技术，指出化学计量学与光谱等分析技术相结合，是食用油质量评估和掺假检测的有力工具[168]。Kakouri等综述了利用气相色谱、红外和拉曼光谱技术鉴定橄榄油的植物和地理来源及掺假的应用研究进展[169]。Calò等概述了核磁共振（NMR）和质谱（MS）与化学计量学相结合用于特级评估初榨橄榄油（EVOO）原产地的研究进展[170]。Maestrello等综述了核磁共振谱（NMR）在特级初榨橄榄油（EVOO）中的应用，认为这是一种可靠、快速的工具，可以使用靶向或非靶向方法来检测廉价油或不同植物来源的掺假，以及鉴定品种和地理可追溯性[171]。
4.2.3奶制品
Evangelista等综述了近红外光谱技术在奶牛场中的应用，包括原料、全混合日粮（TMR）、粪便和牛奶等的多参数分析，作者特别关注可直接在奶牛场使用的便携式仪器[172]。Pu等综述了近红外光谱在乳品工业中的应用进展，提出未来需要在近红外测量系统和控制系统之间进行连接和通信，以闭合“过程、监控和控制”的回路，从而通过实时和连续的过程自动化实现设计质量目标[173]。Riu等总结了微小型近红外光谱仪在乳制品或乳制品工业中的应用进展，强调了当前设备的一些优势和局限性[174]。Yakubu等综述了近红外光谱技术在乳品生产中的研究进展，包括饲料制备、挤奶、奶酪、黄油和酸奶加工过程中的应用[175]。
Pereira等综述了利用近红外、中红外光谱技术评估乳制品内在质量的一些最新研究，汇总了乳制品关键成分在近红外、中红外光谱区的特征吸收谱带[176]。Loudiyi等论述了用于监测加工和储存过程中牛奶和其他乳制品质量变化的光谱技术，讨论了各种光谱技术的优缺点，展望了这些方法的未来发展趋势[177]。Aït-Kaddour等总结了过去十年中发表的关于热处理对牛奶和乳制品的生化、理化和感官变化影响的研究，论述了光谱无损检测技术（荧光、红外、核磁共振）在监测这些食品的变化方面的进展[178]。
Windarsih等归纳了振动光谱与化学计量学相结合分析乳制品掺假的应用研究，由于掺假物种类繁多且有时含量较低，检测牛奶掺假非常具有挑战性，这篇综述为选择振动光谱法结合化学计量学技术鉴别乳制品掺假提供了较为全面的信息[179]。Liang等介绍了近红外、中红外、拉曼、荧光、太赫兹、高光谱成像技术等光谱技术在检测掺三聚氰胺奶粉中的应用，指出了这些技术的潜在优势和局限性以及发展方向[180]。
4.2.4果品
短波近红外光谱技术以部分或全透射几何结构和点光谱模式实施，越来越多地被用于评估果树上和包装线上完整水果的品质。Anderson等综述了用于果品近红外光谱分析的化学计量学方法在过去三十年中的演变，结论表明，从使用多元线性回归到使用偏最小二乘回归，计量学方法已经发生了转变，近年来，对跨季节和跨仪器的模型鲁棒性的关注促使人们逐渐转向机器学习方法，如人工神经网络和深度学习，这一转变得益于大量多样的训练和测试集的可用性[181]。Walsh等系统论述了可见-近红外光谱技术在水果行业广泛实施中的一些关键问题，归纳了几十年来的现场和在线近红外光谱仪器，从应用领域、仪器及测量方式（光学几何学）、化学计量学方法和验证程序方面，对2015年至2020年期间的研究工作进行了回顾评述[182]。Shah等综述了近年来利用不同近红外光谱仪对苹果、芒果、葡萄、桃子、梨和甜瓜等各种水果的成熟度评估所做的大量工作，他们认为现有的在田间评估水果成熟度的近红外光谱设备价格较贵，限制了其在发展中国家的广泛使用，应研制更经济的水果成熟度评估设备[183]。
马本学等综述了近红外光谱分析和高光谱成像在甜瓜内部品质（可溶性固形物含量 、坚实度 、总酸含量 、成熟度 、水分等）无损检测中的应用，指出利用深度学习进行光谱信息解析、建立多特征信息融合的综合评价模型、开发基于人工智能与移动终端深度融合的快速无损检测系统等将成为该领域新的研究方向[184]。张义志等综述了高光谱技术在水果、番茄、烟草等农产品成熟度检测中的研究现状和进展，指出了目前在应用方面存在的问题，并提出了改进措施[185]。张静等系统概述了近红外光谱技术在葡萄、葡萄酒、葡萄汁及葡萄副产物检测中的应用现状，认为使用结合视觉、味觉、嗅觉等的多源信息融合技术建立预测精确度更高、更稳健的模型去全面评价葡萄生产、果园管理、成熟期收获及产后加工全过程，实现对葡萄及其制品生产全过程质量控制和在线监测是今后的发展趋势[186]。
4.2.5饮品
Lin等综述了近红外（NIR）、中红外（MIR）、拉曼、太赫兹（THz）光谱和高光谱成像（HSI）等不同光谱技术与回归、分类模型在茶叶质量和安全性分析中的应用，回归模型主要应用于茶叶的定量分析，如酚类、黄酮类、色素、感官评价和农药残留，而分类模型主要用来区分地理来源、品种和发酵程度，此外，还总结了茶叶组分的光谱谱带归属[187]。Hastuti等综述了利用元素分析（电感耦合等离子体质谱、电感耦合等离子体发射光谱、原子吸收光谱、X射线荧光和/或激光诱导击穿光谱）结合多元数据分析对茶叶进行鉴定的研究进展，认为基于XRF和LIBS的元素指纹技术是根据地理起源、采收时间、品种和类型对茶叶进行分类的一个有前途的技术[188]。
Teye等归纳了近红外光谱在可可豆及其制品品质的检测方面的应用，包括分类鉴别（等级、品种、质量和产地）、化学成分和感官属性的预测，其结论表明这项技术的广泛应用将有利于依靠可可为生的农民，也有利于增加可可豆价值的加工商和享用可可豆相关产品的消费者[189]。Munyendo等综述了光谱方法（中红外、近红外、拉曼和荧光光谱）在咖啡产业链分析中的最新研究进展，具体涵盖了它们在烘焙监管、掺假和缺陷咖啡豆检测、特种咖啡品质和感官属性预测、基于品种、物种和地理来源的咖啡鉴别以及咖啡化学成分预测中的应用[190]。
表1 几种光谱结合化学计量学方法用于葡萄酒真实性鉴别的比较
Ferrer-Gallego等综述了振动光谱结合化学计量学方法在测定葡萄和葡萄酒酚类成分、质量及真实性方面的进展，论述了振动光谱技术在葡萄酒科学研究和工业中的重要性[191]。Ranaweer等综述了紫外-可见、红外、拉曼、荧光和核磁等结合化学计量学方法用于葡萄酒真实性鉴别的应用情况，包括葡萄酒的产地、品种或年份鉴定等，并比较了各种光谱分析技术的特点（表1）[192]。Solovyev等总结了1H核磁共振波谱在评估葡萄酒成分、质量和掺假等多个方面的可行性和局限性，并讨论了核磁共振波谱结合化学计量学的商业和开源解决方案示例，及其成为官方方法的机会[193]。Kersh等综述了用于葡萄汁饮料加工过程质量控制评估的不同分析技术和化学计量学方法，讨论了每种技术的优势和局限性[194]。Ríos-Reina等介绍了光谱技术在葡萄酒和醋的表征、鉴定和质量控制中的适用性和应用，讨论了与此问题相关的化学计量学的最新进展[195]。
Mădaş等综述了与植物和地理来源相关的蜂蜜质量评价方法，指出色谱、光谱与化学计量学方法组合是未来的发展趋势[196]。Sotiropoulou等综述了红外和拉曼光谱结合化学计量学用于评估蜂蜜的植物、地理来源以及蜂蜜掺假的研究进展[197]。
Power等综述了光谱（NIR、MIR和Raman）结合化学计量学方法用于区分威士忌品牌、产地，以及掺假鉴别的应用[198]。da Costa等综述了多种分析方法结合化学计量学对啤酒定性和定量检测的应用进展，包括基于品牌、风格和类型、质量、产地、陈酿等的啤酒分类，以及基于化学参数的啤酒质量属性预测[199]。
4.2.6肉制品
光谱技术与化学计量学相结合在肉类和肉制品领域的品质、真实性和安全性评估方面已引起人们的广泛关注。Pu等综述了高光谱成像技术评价肌肉食品（如猪肉、牛肉、羊肉、鸡肉、鱼和其他肉制品）安全指标的应用，包括生物、化学和物理属性以及其他相关危害物或毒物等[200]。Zhan等综述了拉曼光谱技术（色散、傅里叶变换、空间偏移、显微和共焦拉曼光谱）在检测和评价冷冻食品品质和结构（包括蛋白质、脂质、水和其他等成分）变化方面的研究进展，并提出了拉曼光谱在冷冻食品监测中的发展趋势[201]。Hassoun等论述了荧光光谱鉴别新鲜和冷冻解冻肌肉食品的潜力，作者认为为了增强光谱技术的分析能力，需要该领域不同参与者之间的密切合作，尤其是食品行业公司、数据分析师、光谱学家、机器人和传感器开发商以及监管机构等[202]。Candoğan等的综述涵盖了FTIR光谱与化学计量学技术的基础知识，以及这一方法在肉类科学和技术中的主要应用，包括掺假检测、监测生化和微生物腐败和保质期、测定蛋白质和脂类等化学组分的变化[203]。
图18拉曼光谱和SERS在鱼类质量评估和安全检测中应用的太极图
李鑫星等阐述了水产品品质检测中的几种常用光谱预处理算法和光谱数据建模方法的特点和应用现状，认为建立统一、标准、高效的光谱检测模型库，排除光谱采集过程中的环境干扰，实现水产品品质实时在线检测是未来的技术发展趋势[204]。He等全面概述了拉曼光谱和SERS在鱼类质量评估和安全检测中的应用（图18），特别强调了收获前（兽药残留和环境污染物）和收获后（新鲜度和非法行为）的有害物质和非法行为。论文认为若想将这些技术从实验室推广到实践，需要在开发高性能拉曼仪器、建立通用拉曼数据库、研制可重复的SERS基底以及与其他光谱技术结合等方面开展深入工作[205]。Power等综述了振动光谱（近红外、中红外和拉曼）与化学计量学方法相结合在分析海鲜和鱼类真实性、来源和可追溯性方面的最新应用，讨论了将这类技术应用于海鲜和鱼类整个价值链中存在的困难[206]。
刘建华等综述了目前最新的鱼体新鲜度检测方法，包括气味指纹技术、新鲜度指示型智能包装技术、蛋白组学分析技术、生物传感器技术和光谱技术，指出从宏观和分子水平上共同探究鱼体新鲜度变化，实现多种新型检测技术与传统技术相结合，得到多指标融合的检测结果是需要重点考虑的问题[207]。Hassoun等综述了不同的光谱技术（Vis/NIR、荧光、拉曼、HSI、NMR和阻抗光谱）区分新鲜和冷冻-解冻海鲜的研究进展，指出该技术在检测以冻融产品替代鲜鱼或其他海鲜产品的欺诈行为方面具有很大的潜力[208]。Hassoun等综述了光谱技术（如红外、核磁共振、拉曼和荧光光谱）与化学计量工具相结合在线监测海鲜热处理过程变化的研究进展，强调了荧光高光谱成像在这方面的应用前景[209]。
李鑫星等从鱼骨检测、掺伪分析、寄生虫检测与重金属检测四方面介绍光谱技术在水产品异物残留检测的研究进展，包括X射线技术、可见光成像、近红外成像、高光谱成像等，指出光谱技术与其他多种检测技术的有机融合是今后发展的必然趋势[210]。夏杨毅等综述了高光谱成像技术在肉类有毒有害物质检测、肉类掺假鉴别、肉类分选分级中的研究现状，讨论了其存在的不足及发展趋势[211]。Hassoun等综述了振动光谱、核磁共振和荧光光谱检测动物源性食品欺诈方面的最新研究进展，特别关注了化学计量学方法的重要性，讨论了这些技术在打击食品欺诈方面的潜力[212]。Rohman等总结了分子光谱结合化学计量学方法在鉴别清真食品和清真药品中的应用，可以识别出猪衍生物（猪油、猪肉和猪明胶）以及其他非清真肉类（鼠肉、野猪肉和狗肉）[213]。韩爱云等对拉曼光谱在肉类掺假检测方面的研究进展进行了综述，并讨论了其存在的问题及发展前景[214]。Edwards等综述了无损光谱和成像技术在检测加工肉类欺诈方面的研究和应用进展，强调小型便携式仪器对肉制品的在线检测是未来的发展趋势[215]。夏杨毅和姜洪喆等综述了高光谱成像技术在肉类有毒有害物质检测、肉类掺假检测、肉类分选分级中的研究现状，讨论了目前高光谱成像技术存在的不足及发展趋势[211, 216]。
4.2.7调味品与香料
Kaavya等对红外光谱结合化学计量学方法用于香料鉴别、质量评估和掺假检测方面进行了综述[217]。Pacholczyk-Sienicka等综述了核磁共振波谱结合化学计量学方法在香料质量和掺假检测中的应用研究[218]。Mei等论述了近红外（NIR）、中红外（MIR）、拉曼（Raman）、荧光、电感耦合等离子体（ICP）和高光谱成像等光谱技术结合化学计量学方法在调味品无损分析和评估中的最新应用，包括化学危害检测、微生物危害检测和真实性追溯[219]。Belmonte‐Sánchez等综述了高分辨率核磁共振结合化学计量学在香料和植物源调味品成分分析和质量控制中的应用，还介绍了检测储存期后降解、热处理后代谢变化、以及与病毒感染相关的标记物等的应用[220]。Cavdaroglu等综述了鉴别不同类型掺假醋的靶向和非靶向分析方法，指出了数据融合方法是检测产品掺假的发展方向[221]。
4.2.8有毒有害物质的检测
早期检测食品中有毒有害物质对于控制食品质量和提高医疗反应非常重要，建立快速准确的检测方法正成为健康安全、医疗诊断、环境安全和食品质量控制的迫切要求。Qi等综述了近红外光谱和傅里叶变换红外光谱在粮食、水果、蔬菜和饮料中有毒有害物质检测中的主要进展，讨论了这些检测技术的局限性和发展前景[222]。表面增强拉曼光谱（SERS）集成了拉曼光谱分子指纹和基于纳米技术的增强灵敏度，以满足灵敏度和选择性的要求。Hussain等概述了光谱技术在检测食源性病原体方面的进展和应用，特别是过去几年的新趋势，包括表面增强拉曼光谱、表面等离子体共振、荧光光谱、多角度激光散射和成像分析。此外，还讨论了人工智能、微流体、基于智能手机的技术以及与光谱学相关的先进材料在细菌病原体检测中的应用[223]。Martinez等重点介绍了用于真菌毒素定性和定量分析的SERS方法，讨论了当前的局限性以及对未来趋势的展望[224]。
Wang等概述了拉曼光谱、表面增强拉曼光谱和拉曼化学成像在农业食品安全和质量控制方面的应用进展，论述了纳米材料和化学计量学算法的不断发展对推动拉曼光谱技术从实验室走向工业的贡献[225]。Wu等介绍了SERS方法在谷物、水果、乳制品和葡萄酒等农产品样品中痕量真菌毒素检测方面的最新应用，讨论了发展SERS技术检测真菌毒素污染的局限性和未来前景，它们指出未来的研究应侧重于设计可靠的SERS基底，建立真菌毒素的SERS指纹库，以及开发合适的化学计量学方法等[226]。Petersen等论述了拉曼光谱、表面增强拉曼光谱（SERS）以及显微拉曼光谱和成像对食品中生物、化学和物理危害物检测的最新进展，讨论了拉曼光谱方法在食品安全监测中的局限性和未来前景，强调了拉曼光谱法作为一种有前景的食品安全检测技术的潜在应用机会[227]。邱梦情等主要从SERS增强基底制备、检测方式以及光谱数据智能分析三个方面综述了农残检测中SERS的研究进展及趋势[228]。
人体内积累的重金属通过干扰人体蛋白质和酶的运输而产生生理毒性，重金属检测对保证食品和农产品安全具有重要意义。Guo等综述了SERS的基本原理、优点和局限性及其检测食品和农产品中Hg2+、As3+、Cd2+、Pb2+、Cr6+的研究现状，并讨论了化学计量学方法与SERS结合的应用潜力[229]。Mishra等综述了无损光谱和光学成像技术检测谷物和坚果中霉菌感染和真菌毒素的研究进展，包括数字彩色成像、X射线成像、近红外光谱、荧光、多光谱和高光谱成像，还讨论了用于鉴定极低水平霉菌生长和霉菌毒素污染的化学计量学方法[230]。赵婕秀等综述了高光谱成像技术在动物源性食品微生物（菌落总数、腐败菌、致病菌）污染无损检测方面的研究进展，指出高光谱成像可以检测出食品中目标微生物的种类和数量，并讨论了进一步研究发展需要解决的几个问题[231]。
4.2.9其他
Manzoor等介绍了无损检测技术（荧光光谱、太赫兹光谱、近红外光谱、高光谱成像、拉曼光谱和表面增强拉曼光谱）在植物化学物质槲皮素（Quercetin，QUR）快速评估中的应用，并阐述了不同的方法的优缺点及需进一步解决的问题[232]。Manzoor等对基于化学计量学的非破坏性光谱技术（荧光、拉曼、核磁共振光谱、傅里叶变换红外光谱、近红外光谱、高光谱成像）用于评估农产品和食品中花青素的应用进行了评述，提出多数据融合技术将是这一应用领域的发展方向[233]。应用天然防腐剂引起的食品质量变化通常采用一系列传统方法进行评估，包括微生物学、感官和物理化学测量。一些光谱技术被认为是传统耗时和破坏性方法的有希望的替代方法，Hassoun等综述了这些方面的最近研究进展，并强调光谱技术在评估应用天然防腐剂后的食品质量变化方面的潜力[234]。
Ghnimi等综述了NIR、FT-MIR和荧光光谱在评价饼干组成、质地和特性等方面的应用，指出这些技术用作监控配方、烘焙过程和评估工业烘焙产品最终质量的工具的潜力[235]。Chen等综述了红外光谱和化学计量学的结合在食用菌的定性和定量分析方面取得了一些进展，包括掺假、产地和种类的鉴别分析，以及食用菌中的化学成分含量测定等[236]。Sohn等重点介绍了近红外光谱检测农业和食品系统中转基因生物的基本原理、检测方法和应用研究，并提出水光谱组学有望成为监测转基因食品的有效途径[237]。Loffredi等综述了2015-2020年期间的光谱方法（即VIS-NIR、NIR、拉曼、微波、高光谱成像、脉冲红外热成像）在鸡蛋品质和新鲜度无损评估中的应用，讨论了工业实施仍需面临的一些挑战，例如使用大量样本，考虑尽可能多的变异源（例如，母鸡品种、母鸡年龄、饲养系统、储存条件），将稳健的模型转移到简化的手持系统，以实现低成本和易用性等[238]。
Tirado-Kulieva等综述了紫外可见、近红外、中红外和拉曼光谱通过定性表征和定量分析评估维生素C的应用进展，论述了这些技术的一些局限性和潜在的解决方案，以及相关的未来趋势[239]。紫外-可见（UV-Vis）光谱可以在化学计量学工具的帮助下提供混合物中复杂共轭系统的光谱信息。Farag综述了紫外-可见光谱在食品和膳食补充剂质量控制中的应用进展，包括物种的化学分类、鉴定、指纹识别、定量测定等[240]。Rohman等综述了基于分子光谱、色谱和化学计量学的鱼油真实性鉴定方法，提出了多种分析手段与化学计量学相结合是鉴别鱼油的最有效的方法[241]。
4.3药品
4.3.1中草药
图19化学指纹图谱与化学计量学方法结合用于中药定性分析的框架图
与合成药物相比，天然产品具有化学多样性，这取决于药用植物的种植条件、地理来源及收获时间。生物活性化合物及其衍生物的含量，以及天然药物的质量参数需要根据多种条件进行控制。现代光谱结合化学计量学方法已被证明是药用植物定性和定量分析的有力工具，具有现场快速、高通量、高化学特异性和无需/最少样品制备等特点。Beć等综述了近红外光谱在天然药用植物中的最新应用进展，强调了在仪器小型化、理论计算活性成分的吸收带、以及预测它们与基质分子相互作用等方面的发展前景[242]。Kucharska-Ambrożej等综述了光谱法结合化学计量学技术在中药和香料掺假检测中的应用，包括分类学研究、草药开发、质量控制、过程监控、假冒产品检测和地理来源评估，所有这些都在制药和食品行业中很重要[243]。Li等综述了色谱法、振动光谱法、核磁共振波谱法和质谱法等不同分析技术生成化学指纹图谱的理论，阐明了化学指纹图谱与化学计量学方法结合用于中药质量评估的定性和定量应用研究现状（图19），包括定性鉴别中药的不同地理来源、植物种类、生长年份、收获时间、加工方法，以及定量分析质量控制标记物浓度等，该综述也为建立中药指纹图谱分析的标准提供了参考[244]。
图20近红外光谱技术在名贵中药材质量评价中的应用
黄志伟等综述了近红外光谱技术对名贵中药材的质量评价研究概况，包括中药材的真伪鉴别、种类鉴别、产地鉴别、质量评价等[245]。Noviana等综述了不同指纹技术结合化学计量学方法在草药标准化和质量控制方面的进展和应用，包括色谱、质谱、光谱和基于DNA的方法等[246]。刘南岑等从申请量趋势、专利技术构成、申请人类型、当前法律状态、转让情况等角度分析了近红外光谱技术在中药制造领域的发明专利申请情况，梳理了近红外光谱技术在在线检测和质量控制、中药鉴定中的研究与应用，以及近红外检测装置的申请状况，为国内创新主体的专利布局提供了借鉴[247]。
图21用于非靶向和靶向指纹图谱分析的化学计量学方法
Kharbach等综述了使用非目标和目标指纹技术结合多元数据分析对草药提取物和精油分析的最新进展（图21），涉及地理和种类真实性鉴别以及质量控制等方面[248]。Junaedi等综述了红外光谱技术在分析植物性药物和补充剂中的植物化学物质和掺假物含量方面的应用，重点介绍了光谱预处理和变量选择对红外光谱定量分析的影响[249]。Liu等综述了基于现代分析技术和化学计量学方法的中药欺诈检测，包括目标分析、非目标分析和非目标分析与目标分析相结合三种方式，涉及假冒伪劣产品、添加劣质材料掺假、使用西药掺假以及添加异物掺假等欺诈行为[250]。
4.3.2化学药
振动光谱单独使用或与其他分析方法联用,在研究不同晶型之间的转换、晶态和无定形之间的转换、水合物和无水晶型之间的转换,以及药物共晶/盐的形成方面发挥着重要作用。彭浡等综述了振动光谱在药物晶型表征中的应用研究进展，认为化学计量学方法和量子化学计算将成为研究药物晶型、辅料、成分与药效关系的强有力分析工具[251]。Bawuah等综述了太赫兹时域谱用于分析有机小分子晶体、非晶药物产品以及生物制药固体制剂的最新进展，重点强调了太赫兹谱在非破坏性监测片剂的孔隙率和多孔微结构的应用优势[252]。Patil等综述了太赫兹谱在药物分析中的应用，包括蛋白质分析、结晶度研究、评估片剂薄膜和涂层、药物老化变化、非法药物检测等[253]。
Gao等论述了拉曼光谱结合人工智能在促进药物制剂开发方面的潜力，提出应协同应用人工智能方法和拉曼技术，通过高质量地收集大量化学丰富的拉曼数据集，建立配方数据库，并将配方开发与临床试验联系起来，最终获得高质量的最终产品，以实现更高效的药物开发过程[254]。Song等总结了傅里叶变换红外（FTIR）光谱在药物制剂领域中应用的最新进展，认为衰减全反射FTIR成像、纳米FTIR与化学计量学的结合将在药物表征，药物质量控制和生物样品检测方面显示出巨大潜力[255]。Usman等综述了小型化和便携式近红外（NIR）、傅里叶变换红外（FT-IR）和拉曼光谱仪在过去和现在的药品检验和控制中的应用，比较了各种光谱技术的优缺点[256]。Diehl等讨论了非传统核磁共振波谱结合化学计量学方法在药物定性定量质量评估中的研究进展，强调了模型传递和自动建模的重要性[257]。
Bunaciu等综述了2015-2020年期间近红外光谱和中红外光谱结合化学计量学方法在掺假药物、化学药物和草药产品中的研究进展，并指出在一些情况下光谱结合一些化学分离方法是快速鉴别药物的有效手段[258]。Bakker等介绍了2015-2020年科研人员在检测假药方面的进展和挑战，指出光谱（如光学显微镜、X射线荧光、红外光谱和拉曼光谱）与多变量数据分析的结合在检测假冒药品方面具有良好的效果，并提出对人员进行技术培训和建立光谱数据库是实施这类技术的关键[259]。
4.3.3PAT
图 22制药领域PAT技术路线
Figure22 Technologyroadmap of PAT for pharmaceutical industries
PAT技术为制造过程提供连续监测与质量控制工具，是先进制药技术框架中的必要技术，能够在药品开发、商业化生产以及上市后产品管理的全生命周期中发挥出提升质量、提高效率、降低风险的作用。熊皓舒等提炼了PAT技术在中药产品全生命周期的持续应用并改进了方法学，对过程认知、过程检测、过程建模、过程控制、持续改进这5个关键步骤的技术手段和最新研究进展进行介绍（图22），为中药制药企业在先进制造、智能制造、连续制造框架中开发和应用PAT技术提供参考借鉴[260]。Casian等系统论述了在制药行业PAT中实施数据融合的挑战和机遇（图23），强调必须将高效的数据管理解决方案集成到生产线中，以实现快速决策所需的实时数据处理，并提出在医药4.0工业中，数据融合将占据高效实施的关键地位[261]。谢升谷等综述了制药行业中的PAT相关法规和指导原则发展进程以及常用的PAT工具和相关应用进展，认为将来随着药品监管系统与法规对QbD/PAT的逐渐认可，PAT将会成为药品生产过程智能化监测的必然方法[262]。
图23药品质量管理PAT指南时间发展图
邹文博等探讨了过程分析技术在实施连续制造工艺中的模型分类与风险考虑，先进控制策略、当今监管法规关注重点和可能面临的施行挑战，并介绍欧美制药企业基于连续制造的上市新药审批结果与PAT应用项目[263]。张大玮等介绍了用于流化床制粒的过程检测技术以及数据分析方法，并指出在实际应用中需要根据制粒过程所需检测及控制的理化参数，对照过程分析技术各自的优缺点，来选择合适的过程分析技术[264]。吴思俊等对衰减全反射傅里叶变换红外光谱技术、拉曼光谱技术、近红外光谱技术、聚光束反射测量技术等多种过程分析技术在结晶过程中的应用进行综述，涉及了结晶过程监测、多晶型研究、晶型转化方面的应用[265]。
Wasalathanthri等综述了在生物工艺开发中实施的PAT技术，包括振动光谱、多元数据分析、多属性色谱、质谱、传感器和自动取样技术，并提出了在利用数据自动化、数据可视化和数据智能等方面的见解，他们认为结合企业级可视化平台实施实时分析会促进下一代工业4.0制造计划的实现[266]。Mandenius的评述为生物加工过程监控系统的设计提出了一种概念性和面向用户的方法，讨论了为理解新兴生物过程之间的关键相互作用、其生物分子复杂性和对用户友好分析工具的需求而提出的具有挑战性的分析要求，并从用户的角度强调了复杂生物工业介质中的分析、敏感性和选择性问题[267]。Rathore等介绍了在开发和实施用于连续生物制药过程的鲁棒性和适应性自动化控制系统时所面临的挑战，并提出了包括实施PAT在内的潜在的解决方案[268]。Esmonde-White等系统论述了拉曼光谱作为PAT手段在生物制药从开发到制造整个生命周期中的应用进展[269]。Lin等概述了拉曼光谱在生物技术加工中的最新应用进展，论述了拉曼光谱作为PAT工具在生物分离和纯化过程中的价值，以及存在的技术局限性[270]。Rolinger等概述了光谱方法作为PAT工具在生物制药下游加工中的最新创新和应用，阐述了多种传感器组合在该领域的发展应用及其相关的数据融合建模策略[271]。
4.4生物医学
4.4.1概述
Beć等的两篇综述分门别类地介绍了近红外光谱、中红外光谱在生物样本分析中的应用，包括医学诊断、生物物理过程监测以及生物分子的物理化学性质和动力学研究等，系统比较了近红外光谱、中红外、拉曼光谱的特点，指出了相关技术的发展方向[272, 273]。Magalhães等介绍了FTIR光谱在生物医学（细胞、组织或生物流体）研究中的应用，论述了样品制备、光谱采集和化学计量学方法的重要性，并强调了建立生物样本红外光谱数据的重要性[274]。Mayerhöfer等讨论了量子级联激光器、超连续谱源、波导等红外光谱光学组件的研究进展，以及它们如何潜在地改变护理点应用，并通过所选的实例证明并展示了红外光谱正在成为即时检测（Point-of-Care）不可或缺的技术[275]。为提高人体血液等复杂溶液成分光谱定量分析的准确度，国内外学者提出了许多基于化学计量学方法的相关方法。韩广等从光谱预处理、变量优化和建模分析三方面，以传统的化学计量学方法出发，总结和分析了这些方法在人体血液等[276]近红外光谱定量分析中的应用和各自的特点，认为在未来针对人体血液等复杂溶液成分的研究中，降低背景干扰和样本差异带来的测量误差，增强有效信号的灵敏度和提高预测模型的准确性是需要解决的几个关键问题[276]。
曾琦等从常见生物液体样本检验中的应用，检测过程中样本常用的收集及预处理方法，和拉曼光谱数据的处理与分析方法等方面，对拉曼光谱技术在医学检验领域中的应用进行了较为系统的综述，探讨了临床转化需要克服的问题及发展前景[277]。DePaoli等论述了旨在构建适合神经外科环境的拉曼光谱系统的研究进展，指出拉曼光谱技术的临床转化需要医生、仪器工程师和数据科学家之间的密切合作[278]。Tanwar等综述了拉曼光谱在临床和生物医学的应用进展以及技术进步，讨论了拉曼光谱从光学工作台到临床环境的转换受到的相关限制，同时提出了解决上述限制有价值的一些见解[279]。Rangan等论述了细胞治疗产品从实验室转移到临床时的一些突出挑战，并提出了基于拉曼光谱应对这些挑战的解决方案[280]。
Markina等综述了表面增强拉曼光谱（SERS）应用于人体体液（血液、尿液和唾液）中药物和麻醉剂测定的能力和局限性[281]。Chakraborty等从细胞代谢物、外泌体、循环肿瘤细胞、细胞外液和癌细胞等方面，对基于SERS的癌症检测和分期的各种策略进行了概述，强调了SERS光谱数据库和高效分类算法的开发，以获得临床标准所需的再现性的重要性[282]。Tahir等综述了SERS在生物分析和诊断中的应用现状，强调了光谱数据的智能分析有助于提高该技术的速度和识别能力，以及建立常见和临床相关病原体SERS数据库的重要性[283]。Panikar等重点论述了用于诊断或个性化治疗时显示出可靠性的SERS底物的最新发展，并讨论了SERS在复杂临床样本中的应用前景[284]。
Gong等从氨基酸、多肽、DNA、蛋白质、癌症检测等五个方面综述了太赫兹与化学计量方法结合在生物医学领域的应用，讨论了太赫兹技术在生物医学应用中的缺陷，以及需要进一步研究的工作[285]。Park等总结了机器学习与太赫兹成像和时域光谱在临床和商业等领域的应用进展，提出通过数据增强获取大型训练数据集以及提高THz信号质量是未来需要进一步研究的工作[286]。陈小婉等对太赫兹技术在生物医学方面的应用进行了综述，涉及氨基酸和多肽、DNA、蛋白质、癌症的检测和龋齿诊断等5个方面的应用，讨论了THz技术的不足以及需要进一步研究的方向[287]。
张琨等综述了2015年以来LIBS技术在疾病诊断方面的相关研究，包括几种常见疾病（结石、脱发、眼病等）和恶性肿瘤，研究的样品涵盖块状组织、结石、组织切片、血清、血浆、全血等生物材料，指出LIBS成像与其他成像方式（例如拉曼光谱、激光诱导的荧光光谱、光学显微镜等）结合使用，有助于通过光谱学、解剖学和病理学相结合的多模式方法收集临床样本的诊断信息[288]。
4.4.2微生物检测
图24常用的拉曼光谱波段和化学计量学方法热度图
细菌病原体的快速鉴定和抗生素耐药性分析可以极大地促进传染病的精确治疗策略。Rumaling等综述了检测感染样本中病毒的光谱方法，包括紫外（UV）、红外（IR）、拉曼光谱和荧光光谱，并比较了各种光谱方法的优缺点[289]。Wang等总结了拉曼光谱无标记检测和无创鉴定细菌感染和抗生素耐药性的最新研究（图24），指出缺少完善的细菌病原体拉曼光谱的标准数据库以及样品制备的标准规程等是当前阻碍其实际应用的主要挑战[290]。Senger等综述了拉曼光谱和化学计量学用于表征生物样品的表型，包括微生物种类和组织鉴定、等基因细胞/组织表型变化和生物流体表征方面的应用，并对未来的实用性研究提出了观点[291]。Pezzotti等基于454篇文献系统阐述了拉曼光谱及其成像技术在细胞生物学和微生物学中的应用，论述了拉曼分析与机器学习方法结合在生物物理学研究中的重要作用[292]。
邱训等对SERS用于致病菌检测进行了总结和展望，认为未来的研究需要进一步完善基底的设计，建立标准的拉曼光谱分析库，以及提升化学计量学统计分析的准确度[293]。廖文龙等结合SERS和Raman技术在病原菌快检领域的研究现状，综述了两类方法各自的优势和局限性，并对其在病原菌快速检测领域的发展趋势进行了展望[294]
4.4.3疾病诊断
光谱技术越来越多地应用于医学诊断领域。免疫疾病是一种复杂的疾病，常常表现出跨多个分子途径的相互作用，导致诊断延迟。Callery等综述了振动光谱和多变量分析技术在临床免疫学中的潜在应用，讨论了这些新技术提供的潜在益处，包括增强分子过程的定义及其在疾病诊断、监测和治疗反应中的应用[295]。Naseer等从已发表的研究中收集了唾液、血液和尿液的红外光谱特征，并综述了ATR-FTIR光谱结合化学计量学方法用于疾病诊断的研究进展[296]。Ralbovsky等概述了利用多种拉曼光谱实验技术结合机器学习分析来改进多种疾病的筛查和诊断措施，包括癌症、病毒和细菌感染、神经变性和自身免疫性疾病等，作者指出尽管在将该方法引入临床环境之前仍有改进工作和障碍需要克服，但拉曼光谱与化学计量学相结合，成为一种通用的医学筛查和诊断方法，具有巨大的潜力和前景[297]。Wang等综述了LIBS在人体、动物软组织分类和鉴定中的应用，包括病理诊断和生理检测，重点介绍了样品制备和数据处理方法，并展望了在癌症诊断和激光手术中具有的潜在应用[298]。
代谢综合征（MetS）被定义为一组代谢紊乱症状，包括中心性肥胖、血脂异常、动脉高血压和高血糖。Donjuán-Loredo等讨论了拉曼光谱在代谢综合征中的潜在应用，包括早期诊断、监测疾病演变和治疗反应评估等，强调了光谱采集的标准化和多学科交叉合作的重要性[299]。Ralbovsky等综述了使用红外或拉曼光谱早期快速诊断糖尿病的方法，认为振动光谱有可能改善和彻底改变糖尿病的诊断方式，从而可以更快、更有效地治疗这种疾病[300]。
Yu等介绍了近红外（NIR）、红外（IR）和拉曼光谱在骨关节炎（OA）早期诊断中的应用和研究进展，讨论了这些技术的局限性和发展方向[301]。马丹英等综述了不同拉曼测量模式（即宏观拉曼、显微拉曼、光纤拉曼）在关节软骨和骨关节炎研究中的进展，提出光纤探针整体体积小、高度灵活，更加适用于生物在体拉曼检测，开发新的内窥光纤拉曼探针，对于推进关节软骨和骨关节炎的诊断研究有着重要意义[302]。
Rehman等介绍了振动光谱学与数据挖掘和机器学习相结合在癌症早期诊断和监测疾病进展中的应用，指出该技术在癌症诊断、分期和设计治疗方面具有巨大的潜力[303]。傅里叶变换红外光谱由于其能够阐明复杂生物系统中生物化学含量和分子水平结构变化的定性和定量信息，在癌症研究中受到越来越多的关注。Wang等综述了红外光谱技术在口腔癌研究和检测中的应用进展[304]。Lilo等概述了傅里叶变换红外和拉曼光谱在脑癌及其亚型诊断中的研究进展，归纳了与脑癌相关的红外和拉曼光谱特征谱带，以及用于脑癌诊断的机器学习方法[305]。Zajnulina等综述了人工智能和光谱方法在癌症诊断中的进展，指出基于光谱的组织成像和分析方法对支持医生的决策非常重要[306]。
Lazaro-Pacheco等综述了拉曼光谱在乳腺癌诊断和监测方面的研究进展，归纳了与正常和癌性乳腺组织相关的特征拉曼谱峰，强调了化学计量学方法在疾病诊断中的重要性[307]。Guerrini等讨论了SERS在外泌体分析中的各种应用现状，包括早期癌症诊断、预后和治疗监测[308]。光谱学方法允许低侵入性、快速、无标记（即不向患者施用化学试剂）的组织类型成像和分析，可以在术前、术中和术后进行。Shin等从SERS底物和信号分析策略方面总结了利用无标记表面增强拉曼光谱鉴定细胞外囊泡的研究，强调了机器学习方法发挥的重要作用[309]。
4.5环境
水资源与人类的生产力和生活密切相关。由于水资源环境的恶化，准确、快速地确定主要水质参数已成为当前的研究热点。Chen等综述了紫外可见光谱、荧光光谱、红外光谱和拉曼光谱等分子光谱技术用于表征、测量和监测天然有机质（NOM）的最新进展，探讨了目前这些光谱方法的局限性及其解决办法[310]。Shi等综述了在线紫外-可见光谱在饮用水水质监测和过程控制中的应用（图25），测量参数包括包括254 nm（UV254）的吸光度、颜色、溶解有机碳（DOC）、总有机碳（TOC）、浊度和硝酸盐，还讨论了异常检测和早期预警在饮用水水源或配水系统的水质监测中的应用[311]。Li等综述了荧光激发发射矩阵光谱表征饮用水处理（主要是混凝、吸附、膜过滤和消毒）中溶解有机物的新进展[312]。Rajendran等综述了多种分析手段结合化学计量学在多组分系统水污染物精确评估和污染物降解过程优化中的各种应用[313]。Guo等介绍了紫外-可见光谱结合化学计量学在水环境中污染物的定性和定量分析进展，包括化学需氧量、重金属离子、硝酸盐氮和溶解有机碳等[314]。
图25在线UV-Vis传感器在实时水质监测和过程控制中的应用
Applications of online UV-Vissensors for real-time water quality monitoring and process control.
吴海龙等综述了高阶仪器多维校正理论及其在环境分析化学中的应用研究进展，重点阐述高阶仪器数据的产生、高阶仪器数据的定量解析方法以及在复杂环境基质定量分析中的最新应用实例[315]。Zacharioudaki等综述了三维荧光光谱（EEM）和激光诱导荧光（LIF）的基本原理及其在环境质量评估中的进展[316]。Duarte等讨论了水溶性有机气溶胶的多维分析表征技术（激发发射荧光光谱、高分辨率质谱和二维核磁共振（NMR）光谱及其与色谱系统的结合）的挑战和新前景[317]。Escandar等则重点综述了用于定量分析影响环境样品中多环芳烃的多维校正方法及其优缺点[318]。Yu等综述了在膜生物反应器（MBR）废水处理研究中应用EEM表征溶解有机物（DOM）的最新进展，系统地介绍了从EEM中提取的信息，以及如何使用这些信息来解释化学成分、理化性质、生物活性、膜保留/污染行为、DOM的迁移/转换过程等[319]。王靖霖等综述了指纹图谱（三维荧光光谱）与人工智能结合而形成的水污染在线监测-预警-溯源技术体系的构建过程与其在水污染分析检测和溯源领域的研究应用进展，并对现有技术方法的优缺点进行比较和分析[320]。Sciscenko等则重点综述了EEM结合PARAFAC方法在水处理中的经典和新兴应用[321]。
Chapman等综述了化学计量学和各种传感器之间的融合及其在在环境检测中新应用，作者强调化学计量学增强了环境监测的能力，这将有助于提高政府和研究机构制定环境政策和分析程序的能力[322]。Chen等综述了FTIR光谱在微塑料鉴定和定量分析中的研究进展，指出结合机器学习光谱自动评估算法可提高微塑料识别和量化的效率及鲁棒性[323]。Zhang等综述了2010-2019年LIBS技术在环境监测领域的研究进展，主要包括基础研究（样品制备、信号增强和化学计量学方法）和应用进展（土壤、水和大气监测）[324]。Gonçalves等归纳了LIBS在分析相关固体、液体和气体环境系统及其污染物（包括土壤、岩石、沙子、沉积物、电子废物、水、垃圾填埋场浸出物、润滑油和气溶胶）方面的最新应用，重点讨论了LIBS作为环境科学中一种有前途的分析工具，在现场应用具有的潜力和多功能性[325]。
4.6刑侦与考古
Sauzier等综述了化学计量学在各种法医学科中的实用性的研究进展，讨论了该技术在法医应用中的挑战和发展新趋势[326]。赵玉霞等综述了化学计量学结合多种分析技术在法庭科学物证（毒物毒品、微量物证、生物物证、文件检验、痕迹物证）分析中的应用，多种分析技术与多元数据分析方法的相互融合显著提高了物证价值，同时化学计量学方法的引入有助于物证人员建立新的物证评价体系[327]。Amin等总结了近10年来振动光谱技术在法医指纹分析方面取得的进展，指出了当前技术的局限性，并讨论了克服这些局限性的方法，以满足现代法医学的要求[328]。
血迹老化产生多种与犯罪相关的重要信息，在犯罪现场重建中极为有效。Das等详尽地综述了用于血迹年龄估计的振动光谱技术及其局限性和未来前景，汇总了与血迹老化相关的红外和拉曼光谱特征峰，强调了化学计量学在整个血迹年龄估计过程中发挥着至关重要的作用[329]。孙威等综述了高光谱成像技术作为血迹检测手段在潜在血迹显现、血迹组分分析、血迹分类识别和血迹陈旧度预测中的应用现状，指出高光谱图像解混方法的深入研究以及构建完备的高光谱数据库，是支撑对各种生物物证的检验鉴定的关键[330]。Yadav等综述了红外和拉曼光谱在纵火残留物法医学（火灾碎片和助燃剂）研究中的进展，归纳了常见聚合物的光谱特征归属峰，论述了振动光谱在法医学纵火调查的局限性和未来前景[331]。Gorziza等综述了多种分析手段结合化学计量学方法在鉴别可疑文件中的研究进展，包括钢笔墨水、印刷文档、纸张和钞票等[332]。
Jehlička等系统概述了便携式拉曼光谱仪的发展现状，主要介绍了其在地球科学、行星研究（外生物学）和文化遗产三大领域的巨大应用潜力[333]。阎春生等全面论述了古代纸质文物包括纸张原料、墨、印泥和颜料等所涉及的各种现代科技检测技术与方法，主要分为成像法和波谱法两大类，强调了只有各种技术综合应用、各取所长、相互印证才能对所研究的文物全面了解和准确鉴定[334]。杨海亮等结合无损检测技术在纺织品文物的科学认知、修复保护、无损分析和本体安全无损检测中的应用特点，系统探讨了现阶段无损检测技术在纺织品文物保护方面的优势与不足[335]。陈冬梅等综述了红外光谱，拉曼光谱，紫外-可见和荧光光谱、核磁共振等光谱技术在文物绘画用胶结材料分析中的应用，总结了目前胶结材料分析的难点，指出光谱技术和化学计量学结合，可更好地对胶结材料进行研究[336]。
4.7能源、矿石与冶金
Moro等对1H和13C NMR、NIR和MIR结合化学计量学方法在原油性质表征中的应用进行了概述[337]。Iplik等给出了红外、近红外、紫外和拉曼光谱方法用于表征加氢裂化工艺的进料或产物流的沸点曲线、API、SARA、硫、氮和金属含量的实例，提出了模型、软传感器、优化、控制和诊断之间所需的链接，以实现自动化目标，从而实现装置的可持续运营[338]。章学仕等重点介绍了近红外光谱法、拉曼光谱法、紫外光谱法、荧光光谱法和太赫兹时域光谱法等5种典型易燃液体光谱检测技术的发展历程和应用现状，归纳了各种技术的优缺点，并指出了需要进一步研究的技术问题[339]。Joel等综述了鉴别石油燃料和生物柴油掺假的光谱和色谱方法，论述了各种分析技术的优缺点[340]。
塑料的大量消费和不当处理对环境和人类构成了巨大威胁，可通过塑料废物的再利用来解决这一问题。在塑料循环经济中，回收过程的塑料分拣是关键技术之一。基于无损光谱结合化学计量学方法的自动化在线分析系统显示出巨大实际应用潜力，它能通过改进分拣过程来帮助提高废塑料的回收率和利用率。Neo等综述了NIR、MIR、Raman、Libs等无损光谱在塑料分拣中的研究和应用进展，他们认为采用多光谱融合方法有利于进一步调高识别准确率，此外，还需要开发开源的塑料废物光谱标准化数据库，这将有助于该技术的广泛应用[341]。Zeng等则介绍了使用LIBS进行塑料研究的发展和前景，归纳了常见塑料种类的物化特性，强调了LIBS在塑料回收方面的固有优势。此外，还讨论了LIBS硬件组件和化学计量学方法的选择[342]。Adarsh等综述了红外光谱、激光诱导击穿光谱、激光诱导荧光光谱和拉曼光谱用于塑料分选的应用现状，并讨论了它们在塑料工业分选、后处理和质量控制应用中的相对优势和劣势[343]。
微藻是燃料和其他化学品的潜在来源，为了有效地操作微藻养殖，通过基于过程变量监测的过程控制，实现微藻生命信息的实时在线检测是光谱技术应用于微藻产业的新挑战。Liu等回顾光谱（包括可见和近红外光谱、拉曼光谱、傅里叶变换红外光谱和荧光光谱）结合化学计量学方法在藻类研究中的最新应用，特别是在测定微藻生命信息（如脂质含量、色素含量、蛋白质含量和生物量含量）以及藻类物种鉴定方面的应用，讨论了这些技术的优缺点，并对这些技术未来发展趋势做了归纳[344]。Havlik等综述了适合在线和现场实施的监测微藻养殖过程中生物参数的技术，这些参数包括细胞浓度、叶绿素含量、辐照度、脂质和色素浓度等[345]。Sá等重点总结了荧光光谱监测微藻生产多个参数（细胞浓度、色素和脂质）的现状，讨论了该技术进行工业应用所需的改进[346]。
图26光谱结合化学计量学方法用于在线检测核燃料废物示意图
Tse等讨论了光谱（UV-Vis、MIR和Raman）结合化学计量学方法在线监测用过的核燃料（UNF）后处理溶液和汉福德遗留核废物（LNW）的特性（图26），该技术可以实时准确地量化稀土、锕系元素、酸和多氧阴离子的浓度，以及准确跟踪锕系元素的形态[347]。
激光诱导击穿光谱技术（LIBS）具有高速、制备量小或无需制备、破坏性小等独特优势，是一种很有前途的现场和在线分析技术。近年来，LIBS已被用于实时分析工业中的煤炭，包括煤炭开采、发电厂、钢铁、煤化工加工等。Liu等综述了LIBS煤光谱采集仪器、煤样预处理方法、煤数据预处理以及煤的具体分析应用，对其存在的局限性和潜在的发展趋势也进行了评述[348]。
Fabre综述了LIBS在地质领域的应用进展，包括岩石/矿物来源和识别、资源应用、稀土元素和轻元素定量分析等，指出LIBS成像将是地球科学未来重大进步的技术源泉[349]。矿物高光谱解混对矿产勘查、矿物含量定量反演和野外地质填图等提供了可行的鉴定方法，朱玲等总结了各算法的解混效果和适用性，并针对各解混算法的特点和研究现状，指出未来矿物高光谱解混的研究方向，他们认为对于基于数据驱动的解混方法，建立大量优质的标签数据库、深入地挖掘神经网络内部的物理含义、在端元数目未知情况下训练深度神经网络等是未来应用深度学习进行矿物解混的重要研究方向[350]。
刘艳丽对激光诱导击穿光谱用于钢渣分析的国内外研究现状、系统参数优化、光谱数据预处理、定量分析方法、钢渣的分类和识别等5个方面进行了综述，指出“在线－实时－数字化”是LIBS技术在钢铁行业的发展方向[351]。
5 结束语
通过对近三年（2020-2022）光谱结合化学计量学为主题的综述论文进行归纳和研析，可以总结出如下研究现状和前沿研究热点：
（1）对于光谱分析中的化学计量学研究和应用方面，深度学习是当之无愧的热点和焦点。与传统机器学习方法相比，深度学习方法可以提取蕴藏在光谱数据中的微观特征和宏观特征，在一定程度上可以降低建模前对光谱的预处理和变量选取工作，减少建模的工作量，尤其适用于大数据集的定性和定量分析。深度学习中的迁移学习、强化学习和多任务学习等还有望为模型建立和模型传递提供新策略和新方法，在一定程度上解决定量和定性模型适用性和通用性的问题。
（2）在光谱仪硬件方面，微型光谱仪的研制是重要的发展方向，具有广阔的应用前景。随着光源、检测器、芯片集成和计算机科学的发展，高性能、低成本的微型光谱仪应用将成为趋势。结合消费品的光谱数据库，出现在智能手机、智能手环、智能眼镜等电子设备上的消费级微型光谱仪将成为万物互联传感器网络中的重要一环；芯片式高光谱相机的出现将为智慧农业、地质勘探、肿瘤诊断等领域带来新变革。
（3）在众多的现代光谱分析中，目前研究和应用最广泛的仍旧是近红外光谱，主要原因是对各种状态的物质测试方便，仪器更坚固皮实，也更适合环境复杂的工业在线分析。LIBS是发展最快速的光谱技术，在复杂混合物（如土壤、矿石、煤、生物组织等）的元素分析方面具有独特优势。太赫兹光谱及其成像技术在农业和医学中的应用研究的热度在逐年升高，三维荧光光谱结合多维校正算法在环境检测中的关注度也依旧活跃。
（4）在光谱实验技术方面，表面增强拉曼光谱（SERS）与化学计量学的结合是最受关注的，一方面随着材料学的发展，研制灵敏度高、重复性好、性能稳定、成本低的SERS基底的速度越来越快，另一方面随着人们对食品安全和医疗诊断的日益关切，作为一种对化学物质具有指纹特征的无损和灵敏的检测工具，SERS的应用面也将越来越广。
（5）多光谱融合技术是另一个显著的研究热点，不仅体现在光谱仪硬件的组合集成上，也体现在多数据融合算法和策略的研究上，LIBS原子光谱、拉曼或近红外分子光谱、以及物理图像之间的融合，可获取更多、更丰富、更全面的物质信息，与先进的多数据融合方法相结合，能进一步提高定性和定量分析结果的稳定性和准确性。
（6）随着现代光谱技术的深入应用，光谱采集的实验规程和模型建立流程的规范等相关的标准、通则和指南也越来越受到重视，这是推动该项技术广泛应用的关键环节，对以法律和监管为目的的应用尤为重要，如环境、刑侦等领域。而且，实验规程的标准化和光谱数据库的共享有助于不同实验室研究结果的比较，这将在很大程度上有助于这项技术的进步，尤其是对各类化学计量学算法的可比性提供了基础。
（7）在应用领域，农业、食品、药品和临床医学依旧是研究热点，而且已逐渐聚焦到更细分的应用对象，在食品品质检测和掺假鉴定等方面的应用研究尤其突出。在环境和临床诊断的应用研究热度也从未停止过，但在这些领域实现较大规模的实际应用尚需时日。另外，需要特别指出的是，在制药领域，随着智能制造、连续制造应用的日益广泛，PAT的研究和应用也愈发受到关注，各国监管机构也都鼓励制药企业在生产过程中采用PAT。
尽管现代光谱分析技术已广泛应用于农业、食品、药品和石油化工等领域，且发展前景也很广阔，但仍有一些技术壁垒和难题需要攻克。基于已发表的300多篇综述论文，凝练出以下几个主要方面：
（1）深度学习算法致力于解决复杂建模任务，自然受到了分析化学学科的关注，但该算法在光谱分析中的应用研究刚刚开始，还有诸如网络规模、超参数的优化选择、过拟合、模型的可解释性等问题仍值得进一步研究。此外，随着光谱数据库中有效样本数的指数式增加，在现有机器学习和深度学习算法的基础上，对定量和定性建模策略的研究和应用也将会变得越来越重要。
（2）针对特定应用对象的化学计量学建模规范需要进一步完善，与之配套的用户友好界面（例如交互式数据可视化）的商品化软件也需要开发和升级，目前基于Matlab、Python和R语言的化学计量学工具箱远远不能满足普通用户的需要。
（3）微型光谱仪和光谱成像仪的性能指标尚待进步提高，包括波长范围、分辨率、信噪比和仪器的稳定性、一致性等。此外，芯片式仪器的成本也相对较高，限制了该技术的广泛应用，尤其是用于消费电子品市场的需要二次开发的专用光谱仪。而且，小型化的多光谱融合光谱仪器硬件以及与多块数据算法的组合也应一并考虑。
（4）目前在很多领域的应用研究不够深入，尤其是消费品的模型开发主要处于实验室理想条件下的探索阶段，很多研究零零散散，缺乏一致性和可比性，例如食用油掺假、肉制品掺假等识别模型。为满足应用于商品市场和消费市场，建议由行业协会等组织机能统一协调，制订更全面、更深入的研究方案和工作计划，系统考察各种变化因素对识别和定量准确性的影响。
（5）在商品化、标准通用化的光谱数据库开发方面，应集中行业科研院所、大型应用企业和仪器制造商等多方面的力量，根据不同应用行业的特点，以市场需求为导向，开发技术细节严格的、商业化、权威性的谱学数据库，并纳入官方的法规，例如用于疾病的快速诊断与监控、环境监测尤其是污染源判别与治理过程控制、中药现代化生产、食品安全与品质的快速检验，石化及其他工业流程等。同时形成谱学数据库定期升级维护的工作机制，保证数据库的持续更新，不断提高模型数据库的适用范围和利用效率。
（6）在企业界和工业界实施现代光谱分析技术，需要多领域专家更密切的配合，例如只有工艺工程师、分析化验师、光谱学家、化学计量学家或统计学家、控制工程师等相关人员密切配合，才能将过程分析与过程控制相结合，以闭合“过程、监控和控制”回路，从而通过实时和连续的过程自动化实现设计质量目标。此外，校正模型的开发、评估和维护需要专业技术人员，需要加大专业培训力度，而且有必要将教育前移到研究生和大学生的培养上，即光谱结合化学计量学的分析模式应进入大学和研究生的教材，这也是未来在更多实验室、学术和工业中接受并发展该技术的关键点之一。
纵观近几年现代光谱分析技术的前沿研究和应用热点，不难看出，其发展趋势总体是变得“更快、更高、更强”。“更快”的内涵包括测量速度和分析速度更快、同时获取多种光谱信息更便捷更快、新技术新产品推陈出新更快等等，“更高”的内涵包括分析更高效、光谱仪器的性能指标更高、可以获取样本更高更深层的光谱信息、整体的分析解决方案更高湛等等，“更强”的内涵包括仪器越来越小，但功能越来越强、实用性更强、灵活性更强、适应性更强，诸如此类。现代过程分析技术也将会越来越与数字地球、智慧农业、智能工厂、精准医疗、深空探测、碧水蓝天、炫彩生活等时代主题相融合，在与众多学科交叉交融中得到快速发展。
致谢：感谢北京工商大学吴静珠教授、山东大学李连副教授、海南大学云永欢副教授在这篇论文写作过程中给予的帮助。
参考文献
[1] Beć K B, Grabska J, Huck C W. Current and future research directions in computer-aided near-infrared spectroscopy: A perspective[J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2021,254:119625.
[2] Beć K B, Grabska J, Huck C W. In silico NIR spectroscopy–A review. Molecular fingerprint, interpretation of calibration models, understanding of matrix effects and instrumental difference[J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2022,279:121438.
[3] 孙岩, 蔡文生, 邵学广. 水光谱探针及其在结构分析中的应用[J]. 分析测试学报, 2020,39(10):1204-1208.
[4] 陈定芳, 吴月峰, 桂卉, 等. 水光谱组学研究现状及对中药归经理论的特殊影响[J]. 湖南中医药大学学报, 2021,41(12):1986-1992.
[5] 褚小立, 陈瀑, 李敬岩, 等. 近红外光谱分析技术的最新进展与展望[J]. 分析测试学报, 2020,39(10):1181-1188.
[6] 王家俊, 杨家红, 邵学广. 烟草近红外光谱分析网络化及其应用进展[J]. 分析测试学报, 2020,39(10):1218-1224.
[7] Fakayode S O, Baker G A, Bwambok D K, et al. Molecular (Raman, NIR, and FTIR) spectroscopy and multivariate analysis in consumable products analysis1[J]. Applied Spectroscopy Reviews, 2020,55(8):647-723.
[8] 霍学松, 陈瀑, 戴嘉伟, 等. 微小型近红外光谱仪的应用进展与展望[J]. 分析测试学报, 2022,41(09):1301-1313.
[9] Zhu C, Fu X, Zhang J, et al. Review of portable near infrared spectrometers: Current status and new techniques[J]. Journal of Near Infrared Spectroscopy, 2022,30(2):51-66.
[10] Zhou H, Li D, Hui X, et al. Infrared metamaterial for surface-enhanced infrared absorption spectroscopy: pushing the frontier of ultrasensitive on-chip sensing[J]. International Journal of Optomechatronics, 2021,15(1):97-119.
[11] Pan L, Zhang P, Daengngam C, et al. A review of artificial intelligence methods combined with Raman spectroscopy to identify the composition of substances[J]. Journal of Raman Spectroscopy, 2021,53(1):6-19.
[12] Orlando A, Franceschini F, Muscas C, et al. A Comprehensive Review on Raman Spectroscopy Applications[J]. Chemosensors, 2021,9(9):262.
[13] Löbenberg R, Bou-Chacra N A, Jesus J I S D. Raman Spectroscopy for Quantitative Analysis in the Pharmaceutical Industry.[J]. Journal of pharmacy & pharmaceutical sciences, 2020,23(1):24-46.
[14] Heng H P S, Shu C, Zheng W, et al. Advances in real‐time fiber‐optic Raman spectroscopy for early cancer diagnosis: Pushing the frontier into clinical endoscopic applications[J]. Translational Biophotonics, 2020,3(1):e202000018.
[15] Barik A K, M S P, Lukose J, et al. In vivo spectroscopy: optical fiber probes for clinical applications.[J]. Expert review of medical devices, 2022,19(9):657-675.
[16] Han X X, Rodriguez R S, Haynes C L, et al. Surface-enhanced Raman spectroscopy[J]. Nature Reviews Methods Primers, 2022,1(1):1-17.
[17] Liu C, Xu D, Dong X, et al. A review: Research progress of SERS-based sensors for agricultural applications[J]. Trends in Food Science & Technology, 2022,128.
[18] Arroyo-Cerezo A, Jimenez-Carvelo A M, González-Casado A, et al. Deep (offset) non-invasive Raman spectroscopy for the evaluation of food and beverages – A review[J]. LWT, 2021,149:111822.
[19] Bērziņš K, Fraser M S J, Gordon K C. Recent advances in low-frequency Raman spectroscopy for pharmaceutical applications[J]. International Journal of Pharmaceutics, 2020,592:120034.
[20] Feng C, Otani C. Terahertz spectroscopy technology as an innovative technique for food: Current state-of-the-Art research advances.[J]. Critical reviews in food science and nutrition, 2020,61(15):2523-2543.
[21] Rawson A, Khushbu S, Yashini M, et al. Recent Advances in Terahertz Time-Domain Spectroscopy and Imaging Techniques for Automation in Agriculture and Food Sector[J]. Food Analytical Methods, 2021:1-29.
[22] Fernandes A D, Pereira F E R, Amarasiriwardena D. Current trends in laser-induced breakdown spectroscopy: a tutorial review[J]. Applied Spectroscopy Reviews, 2021,56(2):98-114.
[23] 李祥友, 刘可, 周冉, 等. 激光诱导击穿光谱技术及应用综述[J]. 中国激光, 2022,49(12):152-183.
[24] Harmon R S, Senesi G S. Laser-Induced Breakdown Spectroscopy – A geochemical tool for the 21st century[J]. Applied Geochemistry, 2021,128:104929.
[25] Wang Z, Afgan M S, Gu W, et al. Recent advances in laser-induced breakdown spectroscopy quantification: From fundamental understanding to data processing[J]. TrAC Trends in Analytical Chemistry, 2021,143:116385.
[26] Chen T, Zhang T, Li H. Applications of laser-induced breakdown spectroscopy (LIBS) combined with machine learning in geochemical and environmental resources exploration[J]. Trends in Analytical Chemistry, 2020,133:116113.
[27] Velásquez F A, Babos D V, Marina M C, et al. Rapidly growing trends in laser-induced breakdown spectroscopy for food analysis[J]. Applied Spectroscopy Reviews, 2021,56(6):492-512.
[28] S. L, B. C, F. P, et al. Industrial applications of laser-induced breakdown spectroscopy: a review[J]. Analytical Methods, 2020,12(8):1014-1029.
[29] 曾庆栋, 袁梦甜, 朱志恒, 等. 便携式激光诱导击穿光谱最新研究进展[J]. 中国光学, 2021,14(03):470-486.
[30] Limbeck A, Brunnbauer L, Lohninger H, et al. Methodology and applications of elemental mapping by laser induced breakdown spectroscopy[J]. Analytica Chimica Acta, 2020,1147:72-98.
[31] Yang Z, AlbrowOwen T, Cai W, et al. Miniaturization of optical spectrometers.[J]. Science (New York, N.Y.), 2021,371(6528):e722.
[32] Biswas P C, Rani S, Hossain M A, et al. Recent Developments in Smartphone Spectrometer Sample Analysis[J]. IEEE journal of selected topics in quantum electronics, 2021,27(6):1-12.
[33] Zhi H, Luo J, Liu R. The Application Progress and Prospect of Miniature Spectrometer in Precision Agriculture[J]. CONVERTER, 2021,3:658-668.
[34] Shin Y, Gutierrez-Wing M T, Choi J. Recent progress in portable fluorescence sensors[J]. Journal of The Electrochemical Society, 2021,1(168):17502.
[35] Zhang L, Chen J, Ma C, et al. Research Progress on On-Chip Fourier Transform Spectrometer[J]. Laser & Photonics Reviews, 2021,9(15):2100016.
[36] Ravindran A, Nirmal D, Prajoon P, et al. Optical Grating Techniques for MEMS-Based Spectrometer-A Review[J]. IEEE sensors journal, 2021,21(5):5645-5655.
[37] 王飞, 余晓畅, 罗青伶, 等. 片上光谱成像系统研究进展及应用综述[J]. 激光与光电子学进展, 2021,58(20):23-34.
[38] Wang H, Chen P, Dai J, et al. Recent advances of chemometric calibration methods in modern spectroscopy: Algorithms, strategy, and related issues[J]. Trends in Analytical Chemistry, 2022,153:116648.
[39] Houhou R, Bocklitz T. Trends in artificial intelligence, machine learning, and chemometrics applied to chemical data[J]. Analytical Science Advances, 2021,2(3-4):128-141.
[40] Zhang D, Zhang H, Zhao Y, et al. A brief review of new data analysis methods of laser-induced breakdown spectroscopy: machine learning[J]. Applied Spectroscopy Reviews, 2022,57(2):89-111.
[41] Costa V, Babos D, Castro J, et al. Calibration Strategies Applied to Laser-Induced Breakdown Spectroscopy: A Critical Review of Advances and Challenges[J]. Journal of the Brazilian Chemical Society, 2020,31:2439-2451.
[42] Peris D M D, Krężel A. A guide to good practice in chemometric methods for vibrational spectroscopy, electrochemistry, and hyphenated mass spectrometry[J]. TrAC Trends in Analytical Chemistry, 2020,135:116157.
[43] Meza R C A, Greenop M, Ashton L, et al. Applications of machine learning in spectroscopy[J]. Applied Spectroscopy Reviews, 2021,56(8-10):733-763.
[44] Oliveira L G, Araújo K C, Barreto M C, et al. Applications of chemometrics in oil spill studies[J]. Microchemical Journal, 2021,166:106216.
[45] Aleixandre T J L, Castello C L, Aleixandre J L, et al. Chemometrics in food science and technology: A bibliometric study[J]. Chemometrics and Intelligent Laboratory Systems, 2022,222:104514.
[46] Werickson F D C R, Charles B D P, Niksa B, et al. Comparison of Chemometric Problems in Food Analysis using Non-Linear Methods[J]. Molecules, 2020,25(13):3025.
[47] Buvé C, Saeys W, Rasmussen M A, et al. Application of multivariate data analysis for food quality investigations: An example-based review[J]. Food Research International, 2022,151:110878.
[48] Ma P, Zhang Z, Jia X, et al. Neural network in food analytics.[J]. Critical reviews in food science and nutrition, 2022:1-19.
[49] 王海朋, 褚小立, 陈瀑, 等. 光谱基线校正算法研究与应用进展[J]. 分析化学, 2021,49(08):1270-1281.
[50] Puneet M, Alessandra B, Jean M R, et al. New data preprocessing trends based on ensemble of multiple preprocessing techniques[J]. Trends in Analytical Chemistry, 2020,132:116045.
[51] Fu J, Yu H, Chen Z, et al. A review on hybrid strategy-based wavelength selection methods in analysis of near-infrared spectral data[J]. Infrared Physics and Technology, 2022,125:104231.
[52] de Araújo G A, Azcarate S M, Diniz P H G D, et al. Variable selection in the chemometric treatment of food data: A tutorial review[J]. Food Chemistry, 2022,370:131072.
[53] Hai-Long W, Wan-Jun L, Tong W, et al. Recent applications of multiway calibration methods in environmental analytical chemistry: A review[J]. Microchemical Journal, 2020,159:105575.
[54] Hai-Long W, Tong W, Ru-Qin Y. Recent advances in chemical multi-way calibration with second-order or higher-order advantages: Multilinear models, algorithms, related issues and applications[J]. Trends in Analytical Chemistry, 2020,130:115954.
[55] 吴海龙, 王童, 俞汝勤. 化学多维校正理论及其绿色分析应用的新进展[J]. 中国科学:化学, 2022,52(09):1557-1579.
[56] Weike S, Richard D B. Opportunities in tensorial data analytics for chemical and biological manufacturing processes[J]. Computers and Chemical Engineering, 2020,143:107099.
[57] Silvana E V, Rubén M M, Alejandro C O. Why should the pharmaceutical industry claim for the implementation of second-order chemometric models—A critical review[J]. Journal of Pharmaceutical and Biomedical Analysis, 2020,179:112965.
[58] Yu H, Guo L, Kharbach M, et al. Multi-Way Analysis Coupled with Near-Infrared Spectroscopy in Food Industry: Models and Applications[J]. Foods, 2021,10(4):802.
[59] Mazivila S J, Soares J X, Santos J L M. A tutorial on multi-way data processing of excitation-emission fluorescence matrices acquired from semiconductor quantum dots sensing platforms[J]. Analytica Chimica Acta, 2022,1211:339216.
[60] de Juan A, Tauler R. Multivariate Curve Resolution: 50 years addressing the mixture analysis problem – A review[J]. Analytica Chimica Acta, 2020, 1145:59-78.
[61] Mazivila S J, Santos J L M. A review on multivariate curve resolution applied to spectroscopic and chromatographic data acquired during the real-time monitoring of evolving multi-component processes: From process analytical chemistry (PAC) to process analytical technology (PAT)[J]. Trends in Analytical Chemistry, 2022,157:116698.
[62] Park Y, Jin S, Noda I, et al. Emerging developments in two-dimensional correlation spectroscopy (2D-COS)[J]. Journal of Molecular Structure, 2020,1217:128405.
[63] Yang R, Liu C, Yang Y, et al. Two-trace two-dimensional(2T2D) correlation spectroscopy application in food safety: A review[J]. Journal of Molecular Structure, 2020,1214:128219.
[64] Liu L, Yang R, Zhang J, et al. Recent progress in two-dimensional correlation spectroscopy for the environmental detection and analysis[J]. Journal of Molecular Structure, 2020,1214:128263.
[65] Rutherford S H, Nordon A, Hunt N T, et al. Biofluid Analysis and Classification using IR and 2D-IR Spectroscopy[J]. Chemometrics and Intelligent Laboratory Systems, 2021,217:104408.
[66] 戴嘉伟, 王海朋, 陈瀑, 等. 多光谱数据融合分析技术的研究和应用进展[J]. 分析化学, 2022,50(06):839-849.
[67] Calvini R, Pigani L. Toward the Development of Combined Artificial Sensing Systems for Food Quality Evaluation: A Review on the Application of Data Fusion of Electronic Noses, Electronic Tongues and Electronic Eyes[J]. Sensors, 2022,22(2):577.
[68] Azcarate S M, Ríos R R, Amigo J M, et al. Data Handling in Data Fusion: Methodologies and Applications[J]. TrAC Trends in Analytical Chemistry, 2021,143:116355.
[69] Mishra P, Roger J M, Jouan R B D, et al. Recent trends in multi-block data analysis in chemometrics for multi-source data integration[J]. TrAC Trends in Analytical Chemistry, 2021,137:116206.
[70] Debus B, Parastar H, Harrington P, et al. Deep learning in analytical chemistry[J]. Trends in Analytical Chemistry, 2021,145:116459.
[71] 刘煦阳, 段潮舒, 蔡文生, 等. 可解释深度学习在光谱和医学影像分析中的应用[J]. 化学进展, 2022:220512.
[72] Passos D, Mishra P. A tutorial on automatic hyperparameter tuning of deep spectral modelling for regression and classification tasks[J]. Chemometrics and Intelligent Laboratory Systems, 2022,223:104520.
[73] Mishra P, Passos D, Marini F, et al. Deep learning for near-infrared spectral data modelling: Hypes and benefits[J]. Trends in Analytical Chemistry, 2022(157):116804.
[74] NikzadLangerodi R, Andries E. A chemometrician's guide to transfer learning[J]. Journal of Chemometrics, 2021,35(11):e3373.
[75] Luo R, Popp J, Bocklitz T. Deep Learning for Raman Spectroscopy: A Review[J]. Analytica, 2022,3(3):287-301.
[76] Mozaffari M H, Tay L. A Review of 1D Convolutional Neural Networks toward Unknown Substance Identification in Portable Raman Spectrometer[J]. arXiv - CS - Machine Learning, 2020:10575.
[77] Lussier F, Thibault V, Charron B, et al. Deep learning and artificial intelligence methods for Raman and surface-enhanced Raman scattering[J]. Trends in Analytical Chemistry, 2020,124:115796.
[78] Cobas C. NMR signal processing, prediction, and structure verification with machine learning techniques.[J]. Magnetic resonance in chemistry : MRC, 2020,58(6):512-519.
[79] Chen D, Wang Z, Guo P D, et al. Frontispiece: Review and Prospect: Deep Learning in Nuclear Magnetic Resonance Spectroscopy[J]. Chemistry – A European Journal, 2020,26(46):10391-10401.
[80] Li L N, Liu X F, Yang F, et al. A review of artificial neural network based chemometrics applied in laser-induced breakdown spectroscopy analysis[J]. Spectrochimica Acta Part B: Atomic Spectroscopy, 2021,180:106183.
[81] 赵文雅, 闵红, 刘曙, 等. 人工神经网络在激光诱导击穿光谱数据分析中的应用进展[J]. 光谱学与光谱分析, 2021,41(07):1998-2004.
[82] Cui F, Yue Y, Zhang Y, et al. Advancing Biosensors with Machine Learning.[J]. ACS sensors, 2020,5(11):3346-3364.
[83] Pradhan P, Guo S, Ryabchykov O, et al. Deep learning a boon for biophotonics?[J]. Journal of biophotonics, 2020,13(6):e201960186.
[84] Janmenjoy N, Kanithi V, Paidi D, et al. Intelligent food processing: Journey from artificial neural network to deep learning[J]. Computer Science Review, 2020,38:100297.
[85] Liang N, Sun S, Zhang C, et al. Advances in infrared spectroscopy combined with artificial neural network for the authentication and traceability of food.[J]. Critical reviews in food science and nutrition, 2020,62(11):2963-2984.
[86] Zhang X, Yang J, Lin T, et al. Food and agro-product quality evaluation based on spectroscopy and deep learning: A review[J]. Trends in Food Science & Technology, 2021,112:431-441.
[87] Mishra P, Passos D. Deep calibration transfer: Transferring deep learning models between infrared spectroscopy instruments[J]. Infrared Physics & Technology, 2021,117:103863.
[88] Ozdemir A, Polat K. Deep learning applications for hyperspectral imaging: a systematic review[J]. Journal of the Institute of Electronics and Computer, 2020,1(2):39-56.
[89] Kassem M A, Hosny K M, Damaševičius R, et al. Machine Learning and Deep Learning Methods for Skin Lesion Classification and Diagnosis: A Systematic Review[J]. Diagnostics, 2021,11(8):1390.
[90] Zhu L, Spachos P, Pensini E, et al. Deep learning and machine vision for food processing: A survey[J]. Current Research in Food Science, 2021,4:233-249.
[91] Jaiswal G, Sharma A, Yadav S K. Critical insights into modern hyperspectral image applications through deep learning[J]. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 2021,11(6):e1426.
[92] Chunying W, Baohua L, Lipeng L, et al. A review of deep learning used in the hyperspectral image analysis for agriculture[J]. Artificial Intelligence Review, 2021,54 (7):5205-5253.
[93] Odebiri O, Odindi J, Mutanga O. Basic and deep learning models in remote sensing of soil organic carbon estimation: A brief review[J]. International Journal of Applied Earth Observations and Geoinformation, 2021,102:102389.
[94] Yang B, Xu Y. Applications of deep-learning approaches in horticultural research: a review[J]. Horticulture Research, 2021,8(1):123.
[95] Guo S, Popp J, Bocklitz T. Chemometric analysis in Raman spectroscopy from experimental design to machine learning–based modeling[J]. Nature Protocols, 2021,12(16):5426-5459.
[96] Barton B, Thomson J, Lozano D E, et al. Chemometrics for Raman Spectroscopy Harmonization.[J]. Applied spectroscopy, 2022,76(9):1021-1041.
[97] Ntziouni A, Thomson J M, Xiarchos I, et al. Review of Existing Standards, Guides, and Practices for Raman Spectroscopy.[J]. Applied spectroscopy, 2022,76(7):747-772.
[98] Morais C L M, Lima K M G, Singh M, et al. Tutorial: multivariate classification for vibrational spectroscopy in biological samples.[J]. Nature protocols, 2020,15(7):2143-2162.
[99] Afara I O, Shaikh R, Nippolainen E, et al. Characterization of connective tissues using near-infrared spectroscopy and imaging[J]. Nature Protocols, 2021,16(2):1297-1329.
[100] Yang Z, Cai L, Han L, et al. Review of standards for near infrared spectroscopy methods[J]. Journal of Near Infrared Spectroscopy, 2021,29(6):313-320.
[101] Muhammad Z, Quansheng C, Md M H, et al. An Overview on the Applications of Typical Non-linear Algorithms Coupled With NIR Spectroscopy in Food Analysis[J]. Food Engineering Reviews, 2020,12(2):173-190.
[102] 李明, 韩东海, 鲁丁强, 等. 近红外光谱通用模型在农产品及食品检测中的研究进展[J]. 光谱学与光谱分析, 2022,42(11):3355-3360.
[103] Dorantes M J, Fuentes B A, Miller D M. Calibration set optimization and library transfer for soil carbon estimation using soil spectroscopy—A review[J]. Soil Science Society of America Journal, 2022,86(4):879-903.
[104] Mishra P, Nikzad L R, Marini F, et al. Are standard sample measurements still needed to transfer multivariate calibration models between near-infrared spectrometers? The answer is not always[J]. TrAC Trends in Analytical Chemistry, 2021,143:116331.
[105] 唐逸芸, 刘芮, 王潞, 等. 单类分类方法结合光谱分析在食品真实性鉴别中的应用[J]. 光谱学与光谱分析, 2022,42(11):3336-3344.
[106] Barry L, Jose A, Cyril M, et al. Criteria for comparing infrared spectra – A review of the forensic and analytical chemistry literature[J]. Forensic Chemistry, 2020,18:100224.
[107] Ferguson D, Henderson A, McInnes E F, et al. Infrared micro-spectroscopy coupled with multivariate and machine learning techniques for cancer classification in tissue: a comparison of classification method, performance, and pre-processing technique.[J]. The Analyst, 2022,147:3709-3722.
[108] Yulia B Monakhova, Douglas N Rutledge. Independent components analysis (ICA) at the “cocktail-party” in analytical chemistry[J]. Talanta, 2020,208:120451.
[109] 杨斌, 王斌. 光谱解混技术及其应用研究进展[J]. 激光与光电子学进展, 2021,58(16):76-103.
[110] 王冬, 王坤, 吴静珠, 等. 基于光谱及成像技术的种子品质无损速测研究进展[J]. 光谱学与光谱分析, 2021,41(01):52-59.
[111] Su W. Advanced Machine Learning in Point Spectroscopy, RGB- and Hyperspectral-Imaging for Automatic Discriminations of Crops and Weeds: A Review[J]. Smart Cities, 2020,3(3):767-792.
[112] Berger K, Verrelst J, Féret J, et al. Crop nitrogen monitoring: Recent progress and principal developments in the context of imaging spectroscopy missions[J]. Remote Sensing of Environment, 2020,242:111758.
[113] Li D, Zhang P, Chen T, et al. Recent Development and Challenges in Spectroscopy and Machine Vision Technologies for Crop Nitrogen Diagnosis: A Review[J]. Remote Sensing, 2020,12(16):2578.
[114] Sanchez P D C, Hashim N, Shamsudin R, et al. Applications of imaging and spectroscopy techniques for non-destructive quality evaluation of potatoes and sweet potatoes: A review[J]. Trends in Food Science & Technology, 2020,96:208-221.
[115] Su W, Xue H. Imaging Spectroscopy and Machine Learning for Intelligent Determination of Potato and Sweet Potato Quality[J]. Foods, 2021,10(9):2146.
[116] Alamu E O, Nuwamanya E, Cornet D, et al. Near‐infrared spectroscopy applications for high‐throughput phenotyping for cassava and yam: A review[J]. International Journal of Food Science & Technology, 2020,56(3):1491-1501.
[117] 杨杰锴, 郭志强, 黄远. 高光谱成像在蔬菜性状无损检测中的研究进展[J]. 激光与光电子学进展, 2022,59(10):23-34.
[118] Pandiselvam R, Sruthi N U, Kumar A, et al. Recent Applications of Vibrational Spectroscopic Techniques in the Grain Industry[J]. Food reviews international, 2021:1-31.
[119] Zareef M, Arslan M, Hassan M M, et al. Recent advances in assessing qualitative and quantitative aspects of cereals using nondestructive techniques: A review[J]. Trends in Food Science & Technology, 2021,116:815-828.
[120] Liu H, Wadood S A, Xia Y, et al. Wheat authentication：An overview on different techniques and chemometric methods.[J]. Critical reviews in food science and nutrition, 2021:1-24.
[121] Afsah-Hejri L, Akbari E, Toudeshki A, et al. Terahertz spectroscopy and imaging: A review on agricultural applications[J]. Computers and Electronics in Agriculture, 2020,177:105628.
[122] 卢雪晶, 葛宏义, 蒋玉英, 等. 太赫兹技术在农产品检测中的应用研究进展[J]. 光谱学与光谱分析, 2022,42(11):3330-3335.
[123] 孙红, 李松, 李民赞, 等. 农业信息成像感知与深度学习应用研究进展[J]. 农业机械学报, 2020,51(05):1-17.
[124] Payne W Z, Kurouski D. Raman spectroscopy enables phenotyping and assessment of nutrition values of plants: a review.[J]. Plant methods, 2021,17(1):1-20.
[125] Jia B, Wang W, Ni X Z, et al. Detection of mycotoxins and toxigenic fungi in cereal grains using vibrational spectroscopic techniques: a review[J]. World Mycotoxin Journal, 2020,13(2):163-178.
[126] 郭志明, 尹丽梅, 石吉勇, 等. 粮食真菌毒素的光谱检测技术研究进展[J]. 光谱学与光谱分析, 2020,40(06):1751-1757.
[127] Weng S, Hu X, Wang J, et al. Advanced Application of Raman Spectroscopy and Surface-Enhanced Raman Spectroscopy in Plant Disease Diagnostics: A Review.[J]. Journal of agricultural and food chemistry, 2021,69(10):2950-2964.
[128] Johnson J B, Naiker M. Seeing red: A review of the use of near-infrared spectroscopy (NIRS) in entomology[J]. Applied Spectroscopy Reviews, 2020,55(9-10):810-839.
[129] Joel J B. An overview of near-infrared spectroscopy (NIRS) for the detection of insect pests in stored grains[J]. Journal of Stored Products Research, 2020,86:101558.
[130] Wang Y, Xiang J, Tang Y, et al. A review of the application of near-infrared spectroscopy (NIRS) in forestry[J]. Applied Spectroscopy Reviews, 2022,57(4):300-317.
[131] Barra I, Haefele S M, Sakrabani R, et al. Soil spectroscopy with the use of chemometrics, machine learning and pre-processing techniques in soil diagnosis: Recent advanceseA review[J]. TrAC Trends in Analytical Chemistry, 2021,135:116166.
[132] Ahmadi A, Emami M, Daccache A, et al. Soil Properties Prediction for Precision Agriculture Using Visible and Near-Infrared Spectroscopy: A Systematic Review and Meta-Analysis[J]. Agronomy, 2021,11(3):433.
[133] Angelopoulou T, Balafoutis A, Zalidis G, et al. From Laboratory to Proximal Sensing Spectroscopy for Soil Organic Carbon Estimation—A Review[J]. Sustainability, 2020,12(2):443.
[134] Nawar S, Cipullo S, Douglas R K, et al. The applicability of spectroscopy methods for estimating potentially toxic elements in soils: state-of-the-art and future trends[J]. Applied Spectroscopy Reviews, 2020,55(7).
[135] Yu K, Ren J, Zhao Y. Principles, developments and applications of laser-induced breakdown spectroscopy in agriculture: A review[J]. Artificial Intelligence in Agriculture, 2020,4:127-139.
[136] Sharma V, Chauhan R, Kumar R. Spectral characteristics of organic soil matter: A comprehensive review[J]. Microchemical Journal, 2021,171:106836.
[137] Huang Y, Harilal S S, Bais A, et al. Progress towards machine learning methodologies for laser-induced breakdown spectroscopy with an emphasis on soil analysis[J]. arXiv - EE - Signal Processing, 2022.
[138] 杨柳, 杨海波, 张加康, 等. 激光诱导击穿光谱技术测定土壤和植物中养分及重金属的研究进展[J]. 激光与光电子学进展, 2020,57(23):66-75.
[139] Aleixandre-Tudó J L, Castelló C L, Aleixandre J L, et al. Bibliometric insights into the spectroscopy research field: A food science and technology case study[J]. Applied Spectroscopy Reviews, 2020,55(9-10):873-906.
[140] Biancolillo A, Marini F, Ruckebusch C, et al. Chemometric Strategies for Spectroscopy-Based Food Authentication[J]. APPLIED SCIENCES-BASEL, 2020,10(18):6544.
[141] Aouadi B, Zaukuu J Z, Vitalis F, et al. Historical Evolution and Food Control Achievements of Near Infrared Spectroscopy, Electronic Nose, and Electronic Tongue-Critical Overview[J]. Sensors (Basel), 2020,20(19):5479.
[142] Wadood S A, Boli G, Zhang X, et al. Recent development in the application of analytical techniques for the traceability and authenticity of food of plant origin[J]. Microchemical Journal, 2020,152:104295.
[143] Bwambok D K, Siraj N, Macchi S, et al. QCM Sensor Arrays, Electroanalytical Techniques and NIR Spectroscopy Coupled to Multivariate Analysis for Quality Assessment of Food Products, Raw Materials, Ingredients and Foodborne Pathogen Detection: Challenges and Breakthroughs.[J]. Sensors (Basel, Switzerland), 2020,20(23):6982.
[144] Feng L, Wu B, Zhu S, et al. Application of Visible/Infrared Spectroscopy and Hyperspectral Imaging With Machine Learning Techniques for Identifying Food Varieties and Geographical Origins[J]. Frontiers in Nutrition, 2021,8:680357.
[145] McVey C, Elliott C T, Cannavan A, et al. Portable spectroscopy for high throughput food authenticity screening: Advancements in technology and integration into digital traceability systems[J]. Trends in Food Science & Technology, 2021,118:777-790.
[146] Rodriguez-Saona L, Aykas D P, Borba K R, et al. Miniaturization of optical sensors and their potential for high-throughput screening of foods[J]. Current Opinion in Food Science, 2020,31:136-150.
[147] Arendse E, Nieuwoudt H, Magwaza L S, et al. Recent Advancements on Vibrational Spectroscopic Techniques for the Detection of Authenticity and Adulteration in Horticultural Products with a Specific Focus on Oils, Juices and Powders[J]. Food and Bioprocess Technology, 2020,14(1):1-22.
[148] Sun Y, Tang H, Zou X, et al. Raman spectroscopy for food quality assurance and safety monitoring: a review[J]. Current Opinion in Food Science, 2022,47:100910.
[149] Cozzolino D. The Ability of Near Infrared (NIR) Spectroscopy to Predict Functional Properties in Foods: Challenges and Opportunities.[J]. Molecules (Basel, Switzerland), 2021,26(22):6981.
[150] Zeng J, Guo Y, Han Y, et al. A Review of the Discriminant Analysis Methods for Food Quality Based on Near-Infrared Spectroscopy and Pattern Recognition[J]. Molecules, 2021,26(3):749.
[151] Stefas D, Gyftokostas N, Nanou E, et al. Laser-Induced Breakdown Spectroscopy: An Efficient Tool for Food Science and Technology (from the Analysis of Martian Rocks to the Analysis of Olive Oil, Honey, Milk, and Other Natural Earth Products)[J]. Molecules, 2021,26(16):4981.
[152] Xu Y, Zhong P, Jiang A, et al. Raman spectroscopy coupled with chemometrics for food authentication: A review[J]. Trends in Analytical Chemistry, 2020,131:116017.
[153] Mendes E, Duarte N. Mid-Infrared Spectroscopy as a Valuable Tool to Tackle Food Analysis: A Literature Review on Coffee, Dairies, Honey, Olive Oil and Wine[J]. Foods, 2021,10(2):477.
[154] Nobari-Moghaddam H, Tamiji Z, Akbari L M, et al. Multivariate analysis of food fraud: A review of NIR based instruments in tandem with chemometrics[J]. Journal of Food Composition and Analysis, 2022,107:104343.
[155] 张仲雄, 张东莉, 田世杰, 等. 太赫兹波谱技术在食品掺假检测中的研究进展[J]. 光谱学与光谱分析, 2021,41(05):1379-1386.
[156] He Y, Bai X, Xiao Q, et al. Detection of adulteration in food based on nondestructive analysis techniques: a review.[J]. Critical reviews in food science and nutrition, 2020,61(14):2351-2371.
[157] Rifna E J, Pandiselvam R, Kothakota A, et al. Advanced process analytical tools for identification of adulterants in edible oils – A review[J]. Food Chemistry, 2022,369:130898.
[158] Tahir H E, Arslan M, Komla M G, et al. The use of analytical techniques coupled with chemometrics for tracing the geographical origin of oils: A systematic review (2013-2020).[J]. Food chemistry, 2021,366:130633.
[159] Li X, Zhang L, Zhang Y, et al. Review of NIR spectroscopy methods for nondestructive quality analysis of oilseeds and edible oils[J]. Trends in Food Science & Technology, 2020,101:172-181.
[160] Shi T, Wu G, Jin Q, et al. Camellia oil authentication: A comparative analysis and recent analytical techniques developed for its assessment. A review[J]. Trends in Food Science & Technology, 2020,97:88-99.
[161] Mousa M A A, Wang Y, Antora S A, et al. An overview of recent advances and applications of FT-IR spectroscopy for quality, authenticity, and adulteration detection in edible oils.[J]. Critical reviews in food science and nutrition, 2021,62(29):1-19.
[162] Rohman A, Ghazali M A B, Windarsih A, et al. Comprehensive Review on Application of FTIR Spectroscopy Coupled with Chemometrics for Authentication Analysis of Fats and Oils in the Food Products.[J]. Molecules (Basel, Switzerland), 2020,25(22):5485.
[163] Bian X, Wang Y, Wang S, et al. A Review of Advanced Methods for the Quantitative Analysis of Single Component Oil in Edible Oil Blends[J]. Foods, 2022,11(16):2436.
[164] Meenu M, Decker E A, Xu B. Application of vibrational spectroscopic techniques for determination of thermal degradation of frying oils and fats: a review.[J]. Critical reviews in food science and nutrition, 2021,62(21):5744-5765.
[165] Sudhakar A, Chakraborty S K, Mahanti N K, et al. Advanced techniques in edible oil authentication: A systematic review and critical analysis.[J]. Critical reviews in food science and nutrition, 2021:1-29.
[166] Jamwal R, Amit, Kumari S, et al. Recent trends in the use of FTIR spectroscopy integrated with chemometrics for the detection of edible oil adulteration[J]. Vibrational Spectroscopy, 2021,113:103222.
[167] Mohammed F, Guillaume D, Warland J, et al. Analytical methods to detect adulteration of argan oil: A critical review[J]. Microchemical Journal, 2021,168:106501.
[168] Salah W A, Nofal M. Review of Some Adulteration Detection Techniques of Edible Oils.[J]. Journal of the science of food and agriculture, 2020,101(3):811-819.
[169] Kakouri E, Revelou P, Kanakis C, et al. Authentication of the Botanical and Geographical Origin and Detection of Adulteration of Olive Oil Using Gas Chromatography, Infrared and Raman Spectroscopy Techniques: A Review[J]. Foods, 2021,10(7):1565.
[170] Calò F, Girelli C R, Wang S C, et al. Geographical Origin Assessment of Extra Virgin Olive Oil via NMR and MS Combined with Chemometrics as Analytical Approaches[J]. Foods, 2022,11(1):113.
[171] Maestrello V, Solovyev P, Bontempo L, et al. Nuclear magnetic resonance spectroscopy in extra virgin olive oil authentication.[J]. Comprehensive reviews in food science and food safety, 2022,21(5).
[172] Evangelista C, Basiricò L, Bernabucci U. An Overview on the Use of Near Infrared Spectroscopy (NIRS) on Farms for the Management of Dairy Cows[J]. Agriculture, 2021,11(4):296.
[173] Pu Y, O'Donnell C, Tobin J T, et al. Review of near-infrared spectroscopy as a process analytical technology for real-time product monitoring in dairy processing[J]. International Dairy Journal, 2020,103:104623.
[174] Riu J, Gorla G, Giussani B. Miniaturized near-infrared instruments in dairy products or dairy industry: First steps in a long-distance race?[J]. NIR News, 2021,32(1-2):17-19.
[175] Yakubu H G, Kovacs Z, Toth T, et al. The recent advances of near-infrared spectroscopy in dairy production-a review[J]. Critical reviews in food science and nutrition, 2022,62(3):810-831.
[176] Pereira C G, Luiz L D C, Bell M J V, et al. Near and mid infrared spectroscopy to assess milk products quality: a review of recent applications[J]. Journal of Dairy Research & Technology, 2020,3(1):1-10.
[177] Loudiyi M, Temiz H T, Sahar A, et al. Spectroscopic techniques for monitoring changes in the quality of milk and other dairy products during processing and storage.[J]. Critical reviews in food science and nutrition, 2020,62(11):3063-3087.
[178] Aït-Kaddour A, Hassoun A, Bord C, et al. Application of Spectroscopic Techniques to Evaluate Heat Treatments in Milk and Dairy Products: an Overview of the Last Decade[J]. Food and Bioprocess Technology, 2021,14(5):781-803.
[179] Windarsih A, Rohman A, Irnawati S. The Combination of Vibrational Spectroscopy and Chemometrics for Analysis of Milk Products Adulteration[J]. International Journal of Food Science, 2021,2021:8853358.
[180] Liang W, Wei Y, Gao M, et al. Detection of Melamine Adulteration in Milk Powder by Using Optical Spectroscopy Technologies in the Last Decade—a Review[J]. Food Analytical Methods, 2020,13(11):2059-2069.
[181] Anderson N T, Walsh K B. Review: The evolution of chemometrics coupled with near infrared spectroscopy for fruit quality evaluation[J]. Journal of Near Infrared Spectroscopy, 2022,30(1):3-17.
[182] Walsh K B, Blasco J, Zude-Sasse M, et al. Visible-NIR ‘point’ spectroscopy in postharvest fruit and vegetable assessment: The science behind three decades of commercial use[J]. Postharvest Biology and Technology, 2020,168:111246.
[183] Shah S S A, Zeb A, Shahid W, et al. Towards Fruit Maturity Estimation Using NIR Spectroscopy[J]. Infrared Physics & Technology, 2020,111:103479.
[184] 马本学, 喻国威, 王文霞, 等. 光谱分析在西甜瓜内部品质无损检测中的研究进展[J]. 光谱学与光谱分析, 2020,40(07):2035-2041.
[185] 张义志, 王瑞, 张伟峰, 等. 高光谱技术检测农产品成熟度研究进展[J]. 湖北农业科学, 2020,59(12):5-8.
[186] 张静, 徐阳, 姜彦武, 等. 近红外光谱技术在葡萄及其制品品质检测中的应用研究进展[J]. 光谱学与光谱分析, 2021,41(12):3653-3659.
[187] Lin X, Sun D. Recent developments in vibrational spectroscopic techniques for tea quality and safety analyses[J]. Trends in Food Science & Technology, 2020,104:163-176.
[188] Hastuti A A M B, Rohman A. Application of elemental fingerprinting for the authentication of tea: A review[J]. Journal of Applied Pharmaceutical Science, 2022,12(3):45-54.
[189] Teye E, Anyidoho E, Agbemafle R, et al. Cocoa bean and cocoa bean products quality evaluation by NIR spectroscopy and chemometrics: A review[J]. Infrared Physics and Technology, 2020,104:103127.
[190] Munyendo L, Njoroge D, Hitzmann B. The Potential of Spectroscopic Techniques in Coffee Analysis—A Review[J]. Processes, 2021,10(1):71.
[191] Ferrer-Gallego R, Rodríguez-Pulido F J, Toci A T, et al. Phenolic Composition, Quality and Authenticity of Grapes and Wines by Vibrational Spectroscopy[J]. Food Reviews International, 2020,38(5):884-912.
[192] Ranaweera R K R, Capone D L, Bastian S E P, et al. A Review of Wine Authentication Using Spectroscopic Approaches in Combination with Chemometrics[J]. Molecules, 2021,26(14):4334.
[193] Solovyev P A, FauhlHassek C, Riedl J, et al. NMR spectroscopy in wine authentication: An official control perspective[J]. Comprehensive Reviews in Food Science and Food Safety, 2021,20(2):2040-2062.
[194] Kersh D M E, Hammad G, Donia M S, et al. A Comprehensive Review on Grape Juice Beverage in Context to Its Processing and Composition with Future Perspectives to Maximize Its Value[J]. Food and Bioprocess Technology, 2022:1-23.
[195] Ríos-Reina R, Camiña J M, Callejón R M, et al. Spectralprint techniques for wine and vinegar characterization, authentication and quality control: Advances and projections[J]. TrAC Trends in Analytical Chemistry, 2020,134:116121.
[196] Mădaş M N, Mărghitaş L A, Dezmirean D S, et al. Labeling Regulations and Quality Control of Honey Origin: A Review[J]. Food Reviews International, 2020,36(3):215-240.
[197] Sotiropoulou N S, Xagoraris M, Revelou P K, et al. The Use of SPME-GC-MS IR and Raman Techniques for Botanical and Geographical Authentication and Detection of Adulteration of Honey[J]. Foods, 2021,10(7):1671.
[198] Power A C, Néill C N, Geoghegan S, et al. A Brief History of Whiskey Adulteration and the Role of Spectroscopy Combined with Chemometrics in the Detection of Modern Whiskey Fraud[J]. Beverages, 2020,6(3):49.
[199] Da Costa N L, Da Costa M S, Barbosa R. A Review on the Application of Chemometrics and Machine Learning Algorithms to Evaluate Beer Authentication[J]. Food Analytical Methods, 2020,14(1):136-155.
[200] Pu H, Wei Q, Sun D. Recent advances in muscle food safety evaluation: Hyperspectral imaging analyses and applications.[J]. Critical reviews in food science and nutrition, 2022:1-17.
[201] Zhang W, Ma J, Sun D W. Raman spectroscopic techniques for detecting structure and quality of frozen foods: principles and applications.[J]. Critical reviews in food science and nutrition, 2020,61(16):2623-2639.
[202] Hassoun A. Exploring the Potential of Fluorescence Spectroscopy for the Discrimination between Fresh and Frozen-Thawed Muscle Foods[J]. Photochem, 2021,1(2):247-263.
[203] Kezban C, Gunes A E, Naşit İ. Authentication and Quality Assessment of Meat Products by Fourier-Transform Infrared (FTIR) Spectroscopy[J]. Food Engineering Reviews, 2020,13(1):66-91.
[204] 李鑫星, 郭渭, 白雪冰, 等. 光谱技术在水产品品质检测中的应用研究进展[J]. 光谱学与光谱分析, 2021,41(05):1343-1349.
[205] He Y, Xu W, Qu M, et al. Recent advances in the application of Raman spectroscopy for fish quality and safety analysis.[J]. Comprehensive reviews in food science and food safety, 2022,21(4):3647-3672.
[206] Power A, Cozzolino D. How Fishy Is Your Fish? Authentication, Provenance and Traceability in Fish and Seafood by Means of Vibrational Spectroscopy[J]. Applied Sciences, 2020,10(12):4150.
[207] 刘建华, 曾倩华, 徐霞, 等. 鱼体新鲜度新型检测方法的研究进展[J]. 食品与发酵工业, 2022,48(06):281-289.
[208] Hassoun A, Shumilina E, Di Donato F, et al. Emerging Techniques for Differentiation of Fresh and Frozen-Thawed Seafoods: Highlighting the Potential of Spectroscopic Techniques[J]. Molecules, 2020,25(19):4472.
[209] Hassoun A, Heia K, Lindberg S, et al. Spectroscopic Techniques for Monitoring Thermal Treatments in Fish and Other Seafood: A Review of Recent Developments and Applications[J]. Foods, 2020,9(6):767.
[210] 李鑫星, 马殿坤, 谢天铧, 等. 光谱技术在水产品异物残留检测中的研究进展[J]. 光谱学与光谱分析, 2022,42(06):1661-1665.
[211] 夏杨毅, 赵鸾. 高光谱成像技术在肉类安全无损检测的应用研究进展[J]. 食品与生物技术学报, 2020,39(12):6-13.
[212] Hassoun A, Måge I, Schmidt W F, et al. Fraud in Animal Origin Food Products: Advances in Emerging Spectroscopic Detection Methods over the Past Five Years[J]. Foods, 2020,9(8):1069.
[213] Rohman A, Windarsih A. The Application of Molecular Spectroscopy in Combination with Chemometrics for Halal Authentication Analysis: A Review[J]. International Journal of Molecular Sciences, 2020,21(14):5155.
[214] 韩爱云, 张振冉, 解立斌, 等. 拉曼光谱技术在肉类掺假检测方面的应用研究进展[J]. 肉类研究, 2021,35(07):50-54.
[215] Edwards K, Manley M, Hoffman L C, et al. Non-Destructive Spectroscopic and Imaging Techniques for the Detection of Processed Meat Fraud[J]. Foods, 2021,10(2):448.
[216] 姜洪喆, 蒋雪松, 杨一, 等. 肉类掺杂掺假的高光谱成像检测研究进展[J]. 食品与发酵工业, 2021,47(06):300-305.
[217] Kaavya R, Pandiselvam R, Mohammed M, et al. Application of infrared spectroscopy techniques for the assessment of quality and safety in spices: a review[J]. Applied Spectroscopy Reviews, 2020,55(7):593-611.
[218] Pacholczyk-Sienicka B, Ciepielowski G, Albrecht Ł. The Application of NMR Spectroscopy and Chemometrics in Authentication of Spices[J]. Molecules, 2021,26(2):382.
[219] Mei J, Zhao F, Xu R, et al. A review on the application of spectroscopy to the condiments detection: from safety to authenticity[J]. Critical Reviews in Food Science and Nutrition, 2022,62(23):6374-6389.
[220] Belmonte-Sanchez E, Romero-Gonzalez R, Garrido F A. Applicability of high-resolution NMR in combination with chemometrics for the compositional analysis and quality control of spices and plant-derived condiments[J]. J Sci Food Agric, 2021,101(9):3541-3550.
[221] Cavdaroglu C, Ozen B. Authentication of Vinegars with Targeted and Nontargeted Methods[J]. Food Reviews International, 2021:1-18.
[222] Qi W, Tian Y, Lu D, et al. Research Progress of Applying Infrared Spectroscopy Technology for Detection of Toxic and Harmful Substances in Food[J]. Foods, 2022,11(7):930.
[223] Hussain M, Zou J, Zhang H, et al. Recent Progress in Spectroscopic Methods for the Detection of Foodborne Pathogenic Bacteria[J]. Biosensors, 2022,12(10):869.
[224] Martinez L, He L. Detection of Mycotoxins in Food Using Surface-Enhanced Raman Spectroscopy: A Review[J]. ACS APPLIED BIO MATERIALS, 2021,4(1):295-310.
[225] Wang K, Li Z, Li J, et al. Raman spectroscopic techniques for nondestructive analysis of agri-foods: A state-of-the-art review[J]. Trends in Food Science & Technology, 2021,118:490-504.
[226] Wu Z, Pu H, Sun D. Fingerprinting and tagging detection of mycotoxins in agri-food products by surface-enhanced Raman spectroscopy: Principles and recent applications[J]. Trends in Food Science & Technology, 2021,110:393-404.
[227] Petersen M, Yu Z, Lu X. Application of Raman Spectroscopic Methods in Food Safety: A Review[J]. Biosensors, 2021,11(6):187.
[228] 邱梦情, 徐青山, 郑守国, 等. 农药残留检测中表面增强拉曼光谱的研究进展[J]. 光谱学与光谱分析, 2021,41(11):3339-3346.
[229] Guo Z, Chen P, Yosri N, et al. Detection of Heavy Metals in Food and Agricultural Products by Surface-enhanced Raman Spectroscopy[J]. Food reviews international, 2021:1-22.
[230] Mishra G, Panda B K, Ramirez W A, et al. Research advancements in optical imaging and spectroscopic techniques for nondestructive detection of mold infection and mycotoxins in cereal grains and nuts.[J]. Comprehensive reviews in food science and food safety, 2021,20(5):4612-4651.
[231] 赵婕秀, 董庆利, 陈培琴, 等. 高光谱成像技术在动物源性食品微生物污染快速检测中的应用进展[J]. 食品工业科技, 2022,43(07):467-473.
[232] Manzoor M F, Hussain A, Naumovski N, et al. A Narrative Review of Recent Advances in Rapid Assessment of Anthocyanins in Agricultural and Food Products[J]. Frontiers in Nutrition, 2022,9:901342.
[233] Manzoor M F, Hussain A, Sameen A, et al. Novel extraction, rapid assessment and bioavailability improvement of quercetin: A review[J]. Ultrasonics Sonochemistry, 2021,78:105686.
[234] Hassoun A, Carpena M, Prieto M A, et al. Use of Spectroscopic Techniques to Monitor Changes in Food Quality during Application of Natural Preservatives: A Review.[J]. Antioxidants (Basel, Switzerland), 2020,9(9):882.
[235] Ghnimi H, Ennouri M, Chèné C, et al. A review combining emerging techniques with classical ones for the determination of biscuit quality: advantages and drawbacks.[J]. Critical reviews in food science and nutrition, 2021:1-24.
[236] Chen X, Li J, Li T, et al. Application of infrared spectroscopy combined with chemometrics in mushroom[J]. Applied Spectroscopy Reviews, 2021:1-28.
[237] Sohn S, Pandian S, Oh Y, et al. An Overview of Near Infrared Spectroscopy and Its Applications in the Detection of Genetically Modified Organisms[J]. International Journal of Molecular Sciences, 2021,22(18):9940.
[238] Loffredi E, Grassi S, Alamprese C. Spectroscopic approaches for non-destructive shell egg quality and freshness evaluation: Opportunities and challenges[J]. Food Control, 2021,129:108255.
[239] Tirado-Kulieva V A, Hernández-Martínez E, Suomela J. Non-destructive assessment of vitamin C in foods: a review of the main findings and limitations of vibrational spectroscopic techniques[J]. European Food Research and Technology, 2022,248:2185-2195.
[240] Farag M A, Sheashea M, Zhao C, et al. UV Fingerprinting Approaches for Quality Control Analyses of Food and Functional Food Coupled to Chemometrics: A Comprehensive Analysis of Novel Trends and Applications[J]. Foods, 2022,124:107864.
[241] Rohman A, Putri A R, Irnawati, et al. The employment of analytical techniques and chemometrics for authentication of fish oils: a review[J]. Food Control, 2021,124:107864.
[242] Beć K B, Grabska J, Huck C W. NIR spectroscopy of natural medicines supported by novel instrumentation and methods for data analysis and interpretation[J]. Journal of Pharmaceutical and Biomedical Analysis, 2021,193:113686.
[243] Kucharska-Ambrożej K, Karpinska J. The application of spectroscopic techniques in combination with chemometrics for detection adulteration of some herbs and spices[J]. Microchemical Journal, 2020,153:104278.
[244] Li Y, Shen Y, Yao C, et al. Quality assessment of herbal medicines based on chemical fingerprints combined with chemometrics approach: A review[J]. Journal of Pharmaceutical and Biomedical Analysis, 2020,185:113215.
[245] 黄志伟, 郭拓, 黄文静, 等. 近红外光谱技术在名贵中药材质量评价中的研究进展[J]. 中草药, 2022,53(20):6328-6336.
[246] Noviana E, Indrayanto G, Rohman A. Advances in Fingerprint Analysis for Standardization and Quality Control of Herbal Medicines[J]. Frontiers in Pharmacology, 2022,13.
[247] 刘南岑, 耿立冬, 马丽娟, 等. 中药制造领域近红外光谱技术的专利技术进展和趋势[J]. 中草药, 2021,52(21):6768-6774.
[248] Kharbach M, Marmouzi I, El J M, et al. Recent advances in untargeted and targeted approaches applied in herbal-extracts and essential-oils fingerprinting - A review[J]. J Pharm Biomed Anal, 2020,177:112849.
[249] Junaedi E, Lestari K, Muchtaridi M. Infrared spectroscopy technique for quantification of compounds in plant-based medicine and supplement[J]. Journal of Advanced Pharmaceutical Technology & Research, 2021,12(1):1-7.
[250] Liu Z, Yang M Q, Zuo Y, et al. Fraud Detection of Herbal Medicines Based on Modern Analytical Technologies Combine with Chemometrics Approach: A Review.[J]. Critical reviews in analytical chemistry, 2021,52(7):1606-1623.
[251] 彭浡, 王建荣. 振动光谱在药物晶型表征中的应用研究进展[J]. 药学学报, 2021,56(01):102-112.
[252] Bawuah P, Zeitler J A. Advances in terahertz time-domain spectroscopy of pharmaceutical solids: A review[J]. Trends in Analytical Chemistry, 2021,139:116272.
[253] Patil M R, Ganorkar S B, Patil A S, et al. Terahertz Spectroscopy: Encoding the Discovery, Instrumentation, and Applications toward Pharmaceutical Prospectives.[J]. Critical reviews in analytical chemistry, 2020,52(2):343-355.
[254] Gao M, Liu S, Chen J, et al. Potential of Raman spectroscopy in facilitating pharmaceutical formulations development – An AI perspective[J]. International Journal of Pharmaceutics, 2021,597:120334.
[255] Song Y, Cong Y, Wang B, et al. Applications of Fourier transform infrared spectroscopy to pharmaceutical preparations.[J]. Expert opinion on drug delivery, 2020,17(4):551-571.
[256] Usman A G, Ghali U M, Isik S. Applications of miniaturized and portable near infrared (NIR), Fourier transform infrared (FT-IR) and Raman spectrometers for the inspection and control of pharmaceutical products[J]. Journal of Faculty of Pharmacy of Ankara University, 2020,44(1):188-203.
[257] Diehl B, Holzgrabe U, Monakhova Y, et al. Quo Vadis qNMR?[J]. Journal of Pharmaceutical and Biomedical Analysis, 2020,177:112847.
[258] Bunaciu A A, Aboul E H Y. Adulterated drug analysis using FTIR spectroscopy[J]. Applied Spectroscopy Reviews, 2021,56(5):423-437.
[259] Bakker T H I M, Ohana D, Venhuis B J. Current challenges in the detection and analysis of falsified medicines[J]. Journal of Pharmaceutical and Biomedical Analysis, 2021,197:113948.
[260] 熊皓舒, 张嫱, 章顺楠, 等. 中药制药过程分析技术方法学研究与应用进展[J]. 中国中药杂志, 2022:1-9.
[261] Casian T, Nagy B, Kovács B, et al. Challenges and Opportunities of Implementing Data Fusion in Process Analytical Technology—A Review[J]. Molecules, 2022,27(15):4846.
[262] 谢升谷, 黄艳, 孙逍, 等. 过程分析技术的相关法规与工具在制药行业中的应用进展[J]. 中国药学杂志, 2022,57(19):1589-1595.
[263] 邹文博, 周桂勤, 罗苏秦, 等. 过程分析技术在制药连续制造的质量控制策略[J]. 中国新药杂志, 2021,30(10):937-946.
[264] 张大玮, 田埂, 熊皓舒, 等. 过程分析技术在流化床制粒过程中的应用进展[J]. 中国医药工业杂志, 2022,53(06):811-818.
[265] 吴思俊, 龙之祥, 彭祖仁, 等. 过程分析技术在结晶过程中的应用研究进展[J]. 分析测试学报, 2020,39(10):1209-1217.
[266] Wasalathanthri D P, Rehmann M S, Song Y, et al. Technology outlook for real-time quality attribute and process parameter monitoring in biopharmaceutical development-A review[J]. Biotechnol Bioeng, 2020,117(10):3182-3198.
[267] Mandenius C. Realization of user‐friendly bioanalytical tools to quantify and monitor critical components in bio‐industrial processes through conceptual design[J]. Engineering in Life Sciences, 2021,22(3-4):217-228.
[268] Rathore A S, Nikita S, Thakur G, et al. Challenges in process control for continuous processing for production of monoclonal antibody products[J]. Current Opinion in Chemical Engineering, 2021,31:100671.
[269] EsmondeWhite K A, Cuellar M, Lewis I R. The role of Raman spectroscopy in biopharmaceuticals from development to manufacturing.[J]. Analytical and bioanalytical chemistry, 2021,414(2):1-23.
[270] Lin Y K, Leong H Y, Ling T C, et al. Raman spectroscopy as process analytical tool in downstream processing of biotechnology[J]. Chinese Journal of Chemical Engineering, 2021,30(02):204-211.
[271] Rolinger L, Rüdt M, Hubbuch J. A critical review of recent trends, and a future perspective of optical spectroscopy as PAT in biopharmaceutical downstream processing.[J]. Analytical and bioanalytical chemistry, 2020,412(9):2047-2064.
[272] Beć K B, Grabska J, Huck C W, et al. Near-Infrared Spectroscopy in Bio-Applications[J]. Molecules, 2020,25(12):2948.
[273] Beć K B, Grabska J, Huck C W. Biomolecular and bioanalytical applications of infrared spectroscopy – A review[J]. Analytica Chimica Acta, 2020,1133:150-177.
[274] Magalhães S, Goodfellow B J, Nunes A. FTIR spectroscopy in biomedical research: how to get the most out of its potential[J]. Applied Spectroscopy Reviews, 2021,56(8-10):869-907.
[275] Mayerhöfer T G, Pahlow S, Popp J. Recent technological and scientific developments concerning the use of infrared spectroscopy for point-of-care applications[J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2020,251:119411.
[276] 韩广, 王小燕, 陈思琪, 等. 提高近红外光谱法检测人体血液等复杂溶液成分准确度的研究进展[J]. 光谱学与光谱分析, 2021,41(07):1993-1997.
[277] 曾琦, 刘瑞, 王楠, 等. 拉曼光谱技术在医学检验领域中的研究进展（特邀）[J]. 光子学报, 2021,50(10):300-311.
[278] DePaoli D, Lemoine É, Ember K, et al. Rise of Raman spectroscopy in neurosurgery: a review.[J]. Journal of biomedical optics, 2020,25(5):50901.
[279] Tanwar S, Paidi S K, Prasad R, et al. Advancing Raman spectroscopy from research to clinic: Translational potential and challenges.[J]. Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy, 2021,260:119957.
[280] Rangan S, Schulze H G, Vardaki M Z, et al. Applications of Raman spectroscopy in the development of cell therapies: state of the art and future perspectives.[J]. The Analyst, 2020,145(6):2070-2105.
[281] Markina N E, Goryacheva I Y, Markin A V. Surface-Enhanced Raman Spectroscopy for the Determination of Medical and Narcotic Drugs in Human Biofluids[J]. Journal of Analytical Chemistry, 2022,77(8):930-947.
[282] Chakraborty A, Ghosh A, Barui A. Advances in surface‐enhanced Raman spectroscopy for cancer diagnosis and staging[J]. Journal of Raman Spectroscopy, 2020,51(1):7-36.
[283] Tahir M A, Dina N E, Cheng H, et al. Surface-enhanced Raman spectroscopy for bioanalysis and diagnosis.[J]. Nanoscale, 2021,13(27):11593-11634.
[284] Panikar S S, Cialla M D, De la Rosa E, et al. Towards translation of surface-enhanced Raman spectroscopy (SERS) to clinical practice: Progress and trends[J]. TrAC Trends in Analytical Chemistry, 2020,134:116122.
[285] Gong A, Qiu Y, Chen X, et al. Biomedical applications of terahertz technology[J]. Applied Spectroscopy Reviews, 2020,55(5):418-438.
[286] Park H, Son J. Machine Learning Techniques for THz Imaging and Time-Domain Spectroscopy[J]. Sensors, 2021,21(4):1186.
[287] 陈小婉, 蒋林华. 太赫兹技术在生物医学中的应用[J]. 激光生物学报, 2020,29(02):97-105.
[288] 张琨, 徐宗伟, 陈传松, 等. 激光诱导击穿光谱在疾病诊断中的应用前景[J]. 光谱学与光谱分析, 2021,41(06):1961-1965.
[289] Rumaling M I, Chee F P, Bade A, et al. Methods of optical spectroscopy in detection of virus in infected samples: A review[J]. Heliyon, 2022,8(9):e10472.
[290] Wang L, Liu W, Tang J W, et al. Applications of Raman Spectroscopy in Bacterial Infections: Principles, Advantages, and Shortcomings [J]. Frontiers in Microbiology, 2021,12.
[291] Senger R S, Scherr D. Resolving complex phenotypes with Raman spectroscopy and chemometrics[J]. Current Opinion in Biotechnology, 2020,66:277-282.
[292] Pezzotti G. Raman spectroscopy in cell biology and microbiology[J]. Journal of Raman Spectroscopy, 2021,52(12):2348-2443.
[293] 邱训, 伏秋月, 王鹏, 等. 基于表面增强拉曼光谱的致病菌检测方法研究进展[J]. 激光与光电子学进展, 2022,59(18):35-42.
[294] 廖文龙, 刘坤平, 胡建平, 等. 指纹光谱病原菌快速检测研究进展与趋势[J]. 光谱学与光谱分析, 2021,41(08):2372-2377.
[295] Callery E L, Rowbottom A W. Vibrational spectroscopy and multivariate analysis techniques in the clinical immunology laboratory: a review of current applications and requirements for diagnostic use[J]. Applied Spectroscopy Reviews, 2022,57(5):411-440.
[296] Naseer K, Ali S, Qazi J. ATR-FTIR spectroscopy as the future of diagnostics: a systematic review of the approach using bio-fluids[J]. Applied Spectroscopy Reviews, 2021,56(2):85-97.
[297] Ralbovsky N M, Lednev I K. Towards development of a novel universal medical diagnostic method: Raman spectroscopy and machine learning.[J]. Chemical Society reviews, 2020,49(20):7428-7453.
[298] Wang Q, Xiangli W, Teng G, et al. A brief review of laser-induced breakdown spectroscopy for human and animal soft tissues: pathological diagnosis and physiological detection[J]. Applied Spectroscopy Reviews, 2021,56(3):221-241.
[299] Donjuán-Loredo G, Espinosa-Tanguma R, Ramírez-Elías M G. Raman spectroscopy in the diagnosis of metabolic syndrome[J]. Applied Spectroscopy Reviews, 2021:1-21.
[300] Ralbovsky N M, Lednev I K. EXPRESS: Vibrational Spectroscopy for Detection of Diabetes: A Review.[J]. Applied spectroscopy, 2021,75(8):929-946.
[301] Yu C, Zhao B, Li Y, et al. Vibrational Spectroscopy in Assessment of Early Osteoarthritis—A Narrative Review[J]. International Journal of Molecular Sciences, 2021,22(10):5235.
[302] 马丹英, 赵远, 尚林伟, 等. 拉曼光谱用于关节软骨和骨关节炎的研究进展[J]. 光谱学与光谱分析, 2020,40(07):2029-2034.
[303] Rehman I U, Khan R S, Rehman S. Role of artificial intelligence and vibrational spectroscopy in cancer diagnostics.[J]. Expert review of molecular diagnostics, 2020,20(8):749-755.
[304] Wang R, Wang Y. Fourier Transform Infrared Spectroscopy in Oral Cancer Diagnosis[J]. International Journal of Molecular Sciences, 2021,22(3):1206.
[305] Lilo T, Morais C L M, Shenton C, et al. Revising Fourier-transform infrared (FT-IR) and Raman spectroscopy towards brain cancer detection[J]. Photodiagnosis and Photodynamic Therapy, 2022,38:102785.
[306] Zajnulina M. Advances of Artificial Intelligence in Classical and Novel Spectroscopy-Based Approaches for Cancer Diagnostics. A Review[J]. arXiv - STAT - Machine Learning, 2022.
[307] Lazaro P D, Shaaban A M, Rehman S, et al. Raman spectroscopy of breast cancer[J]. Applied Spectroscopy Reviews, 2020,55(6):439-475.
[308] Guerrini L, GarciaRico E, O L A, et al. Surface-Enhanced Raman Scattering (SERS) Spectroscopy for Sensing and Characterization of Exosomes in Cancer Diagnosis[J]. Cancers, 2021,13(9):2179.
[309] Shin H, Seo D, Choi Y. Extracellular Vesicle Identification Using Label-Free Surface-Enhanced Raman Spectroscopy: Detection and Signal Analysis Strategies.[J]. Molecules (Basel, Switzerland), 2020,25(21):5209.
[310] Chen W, Yu H Q. Advances in the characterization and monitoring of natural organic matter using spectroscopic approaches[J]. Water Res, 2021,190:116759.
[311] Shi Z, Chow C W K, Fabris R, et al. Applications of Online UV-Vis Spectrophotometer for Drinking Water Quality Monitoring and Process Control: A Review[J]. Sensors, 2022,22(8):2987.
[312] Li L, Wang Y, Zhang W, et al. New advances in fluorescence excitation-emission matrix spectroscopy for the characterization of dissolved organic matter in drinking water treatment: A review[J]. Chemical Engineering Journal, 2020,381:122676.
[313] Rajendran H K, Fakrudeen M A D, Chandrasekar R, et al. A comprehensive review on analytical and equation derived multivariate chemometrics for the accurate interpretation of the degradation of aqueous contaminants[J]. Environmental Technology & Innovation, 2022,28:102827.
[314] Guo Y, Liu C, Ye R, et al. Advances on Water Quality Detection by UV-Vis Spectroscopy[J]. Applied Sciences, 2020,10(19):6874.
[315] 吴海龙, 龙婉君, 谷惠文, 等. 高阶仪器多维校正理论及其在环境分析化学中的应用研究进展[J]. 长江大学学报(自然科学版), 2021,18(03):74-86.
[316] Zacharioudaki D, Fitilis I, Kotti M. Review of Fluorescence Spectroscopy in Environmental Quality Applications[J]. Molecules, 2022,27(15):4801.
[317] Duarte R M B O, Matos J T V, Duarte A C. Multidimensional Analytical Characterization of Water-Soluble Organic Aerosols: Challenges and New Perspectives[J]. Applied Sciences, 2021,11(6):2539.
[318] Escandar G M, Muñoz D L P A. Multi-way calibration for the quantification of polycyclic aromatic hydrocarbons in samples of environmental impact[J]. Microchemical Journal, 2021,164:106016.
[319] Yu J, Xiao K, Xue W, et al. Excitation-emission matrix (EEM) fluorescence spectroscopy for characterization of organic matter in membrane bioreactors: Principles, methods and applications[J]. Frontiers of environmental science & engineering, 2020,14(2):1-19.
[320] 王靖霖, 王东升, 苑宏英, 等. 指纹图谱技术与人工智能在污染物溯源解析中的应用研究[J]. 环境保护科学, 2022:1-9.
[321] Sciscenko I, Arques A, Micó P, et al. Emerging applications of EEM-PARAFAC for water treatment: a concise review[J]. Chemical Engineering Journal Advances, 2022:100286.
[322] Chapman J, Truong V K, Elbourne A, et al. Combining Chemometrics and Sensors: Toward New Applications in Monitoring and Environmental Analysis[J]. Chem Rev, 2020,120(13):6048-6069.
[323] Yiyang C, Dishi W, Jianchuan P, et al. Identification and quantification of microplastics using Fourier-transform infrared spectroscopy: Current status and future prospects[J]. Current Opinion in Environmental Science & Health, 2020,18:14-19.
[324] Zhang Y, Zhang T, Li H. Application of laser-induced breakdown spectroscopy (LIBS) in environmental monitoring[J]. Spectrochimica Acta Part B: Atomic Spectroscopy, 2021,181:106218.
[325] Gonçalves D A, Senesi G S, Nicolodelli G. Laser-Induced Breakdown Spectroscopy applied to environmental systems and their potential contaminants. An overview of advances achieved in the last few years[J]. Trends in Environmental Analytical Chemistry, 2021,30:e121.
[326] Sauzier G, van Bronswijk W, Lewis S W. Chemometrics in forensic science: approaches and applications.[J]. The Analyst, 2021,146(8):2415-2448.
[327] 赵玉霞, 张显强. 化学计量学在物证检测数据分析中的应用研究进展[J]. 化学分析计量, 2022,31(08):90-96.
[328] Amin M O, Al H E, Lednev I K. Trends in Vibrational Spectroscopy of Fingermarks for Forensic Purposes[J]. TrAC Trends in Analytical Chemistry, 2021,143:116341.
[329] Das T, Harshey A, Nigam K, et al. Analytical approaches for bloodstain aging by vibrational spectroscopy: Current trends and future perspectives[J]. Microchemical Journal, 2020,158:105278.
[330] 孙威, 陈蕊丽, 骆建新. 应用于血迹检测的高光谱成像技术研究综述[J]. 激光与光电子学进展, 2021,58(06):84-93.
[331] Yadav V K, Nigam K, Srivastava A. Forensic investigation of arson residue by infrared and Raman spectroscopy: From conventional to non-destructive techniques[J]. Medicine, Science and the Law, 2020,60(3):206-215.
[332] Gorziza R, González M, de Carvalho C, et al. Chemometric approaches in questioned documents[J]. Brazilian Journal of Analytical Chemistry, 2022,9(34):35-51.
[333] Jehlicka J, Culka A. Critical evaluation of portable Raman spectrometers: From rock outcrops and planetary analogs to cultural heritage - A review[J]. Anal Chim Acta, 2022,1209:339027.
[334] 阎春生, 黄晨, 韩松涛, 等. 古代纸质文物科学检测技术综述[J]. 中国光学, 2020,13(05):936-964.
[335] 杨海亮, 郑海玲, 周旸, 等. 无损检测技术在纺织品文物保护中的应用[J]. 无损检测, 2021,43(03):10-16.
[336] 陈冬梅, 司长代, 龙世佳. 光谱技术在文物绘画用胶结材料中的研究进展[J]. 光谱学与光谱分析, 2020,40(03):961-966.
[337] Moro M K, Dos S F D, Folli G S, et al. A review of chemometrics models to predict crude oil properties from nuclear magnetic resonance and infrared spectroscopy[J]. Fuel, 2021,303:121283.
[338] Iplik E, Aslanidou I, Kyprianidis K. Hydrocracking: A Perspective towards Digitalization[J]. Sustainability, 2020,12(17):7058.
[339] 章学仕, 刘丽娴, 张乐, 等. 易燃液体无损光谱检测技术综述[J]. 激光与光电子学进展, 2021,58(02):23-36.
[340] Joel G, Okoro L N. Spectroscopic And Chromatographic Methods For Detection Of Adulteration In Liquid Petroleum And Biomass Fuels: A Review[J]. Chem Sci Rev Lett, 2020,9(33):1-5.
[341] Neo E R K, Yeo Z, Low J S C, et al. A review on chemometric techniques with infrared, Raman and laser-induced breakdown spectroscopy for sorting plastic waste in the recycling industry[J]. Resources, Conservation & Recycling, 2022,180:106217.
[342] Zeng Q, Sirven J B, Gabriel J C P, et al. Laser induced breakdown spectroscopy for plastic analysis[J]. TrAC Trends in Analytical Chemistry, 2021,140:116280.
[343] Adarsh U K, Kartha V B, Santhosh C, et al. Spectroscopy: A Promising Tool for Plastic Waste Management[J]. TrAC Trends in Analytical Chemistry, 2022:116534.
[344] Liu J Y, Zeng L H, Ren Z H. Recent application of spectroscopy for the detection of microalgae life information: A review[J]. Applied Spectroscopy Reviews, 2020,55(1):26-59.
[345] Havlik I, Beutel S, Scheper T, et al. On-Line Monitoring of Biological Parameters in Microalgal Bioprocesses Using Optical Methods[J]. Energies, 2022,15(3):875.
[346] Sá M, FerrerLedo N, Gao F, et al. Perspectives of fluorescence spectroscopy for online monitoring in microalgae industry.[J]. Microbial biotechnology, 2022,15(6):1824-1838.
[347] Tse P, Bryan S A, Bessen N P, et al. Review of on-line and near real-time spectroscopic monitoring of processes relevant to nuclear material management[J]. Analytica Chimica Acta, 2020,1107(prepublish):1-13.
[348] Liu K, He C, Zhu C, et al. A review of laser-induced breakdown spectroscopy for coal analysis[J]. TrAC Trends in Analytical Chemistry, 2021,143:116357.
[349] Fabre C. Advances in Laser-Induced Breakdown Spectroscopy analysis for geology: A critical review[J]. Spectrochimica Acta Part B: Atomic Spectroscopy, 2020,166:105799.
[350] 朱玲, 李明, 秦凯, 等. 矿物高光谱解混进展研究综述[J]. 遥感信息, 2020,35(03):15-23.
[351] 刘艳丽. 激光诱导击穿光谱技术在钢渣分析的研究进展[J]. 理化检验(化学分册), 2020,56(09):1035-1044.
[来源：仪器信息网] 未经授权不得转载
2022.11.14
湖北锐意推出碳通量气体检测、发动机排放检测及燃气热值分析等高端气体分析仪器
2022.11.14
2022.11.14
落户欧波同|北京理化分析测试技术学会电镜分会等三家秘书处揭牌！
2024.07.30
2024.07.30
2024.07.30
品牌合作伙伴
版权与免责声明：
① 凡本网注明"来源：仪器信息网"的所有作品，版权均属于仪器信息网，未经本网授权不得转载、摘编或利用其它方式使用。已获本网授权的作品，应在授权范围内使用，并注明"来源：仪器信息网"。违者本网将追究相关法律责任。
② 本网凡注明"来源：xxx（非本网）"的作品，均转载自其它媒体，转载目的在于传递更多信息，并不代表本网赞同其观点和对其真实性负责，且不承担此类作品侵权行为的直接责任及连带责任。如其他媒体、网站或个人从本网下载使用，必须保留本网注明的"稿件来源"，并自负版权等法律责任。
③ 如涉及作品内容、版权等问题，请在作品发表之日起两周内与本网联系，否则视为默认仪器信息网有权转载。
谢谢您的赞赏，您的鼓励是我前进的动力~
打赏失败了~
评论成功+4积分
评论成功，积分获取达到限制
收藏成功
取消收藏成功
点赞成功
取消点赞成功
投票成功~
投票失败了~
