目录
随时了解最新动态 关于 neospectra
导言
早餐麦片（尤其是全谷物或高纤维）的高营养密度使其成为关键营养素的重要来源。食用早餐的人表现出更好的整体营养状况，认知功能得到改善，并且可能不太可能超重。早餐被广泛推荐作为健康饮食的一部分，早餐麦片由于其多样性和易用性而成为特别受儿童欢迎的早餐选择。但是，大多数早餐麦片也会增加糖的摄入量。荟萃分析表明，儿童较高的糖摄入量与更高的肥胖风险有关（Te Morenga等人，2012年）。
概述
某些商业产品的营养标签可能无法反映最准确的糖含量信息（Ventura等人，2011年；Walker等人，2014年）。Walker和Goran（2015年）报告称，早餐麦片的营养标签数据低估或高估了实际糖含量20％。鉴于有大量将添加糖的摄入量与疾病风险联系起来的数据，因此必须确定实际的糖含量，以使消费者能够对含有添加糖的加工食品做出明智的饮食决定（Walker and Goran，2015）。
蔗糖是早餐麦片中使用的主要涂层材料，与高果糖玉米糖浆相比，它具有甜味（Solis-Morales等人，2009年），粘性和吸湿性最小。高效液相色谱（HPLC）、酶促分析、电化学或光谱测量方法已用于蔗糖的定量和定性分析（Low-ell & Kuo，1989年；Kumar等人，2010年）。在这些方法中，高效液相色谱和酶分析是准确、灵敏和特异的，但是大量样本的成本却高得令人望而却步（Texeira等人，2012年；Gomez等人，2007年）。
NIR 的工作原理
NeoSpectra光谱传感器是分析谷物中糖含量的绝佳潜在替代方案，具有许多优点，可以被不同类型的用户广泛采用。由于小型化、低成本且能够大量生产，因此生产商、质量检查人员、健康观察家、营养师甚至消费者都可以使用它来验证营养标签数据的正确性。本应用说明显示，NeoSpectra光谱传感器可以估算早餐麦片中的蔗糖水平，其结果与HPLC方法相同。
测试方法
涂有蔗糖（n=60）的谷物是由俄亥俄州一家领先的零食制造商制造的，在混合近红外光测量以获得均匀的粒径之前。谷物样品被转移到玻璃培养皿中，放在旋转台上，对异质样品进行光谱平均化，以确保测量结果的可重复性（图 1）。应该注意的是，可以配置不同的光学设置/光学头，这样样品可能不需要混合和旋转。
采集了 20 秒的近红外光谱，定量算法是使用偏最小二乘回归生成的。使用配备折射率探测器的高效液相色谱（HPLC）（马里兰州岛津科学仪器有限公司，哥伦比亚市）分析蔗糖含量。这些糖在等度条件下，使用流速为0.6 mL/min的HPLC级水，在80°C的等度条件下在不锈钢柱上分离，Aminex® HPX-87C 碳水化合物柱上分离，持续30分钟。
谷物样本中的蔗糖含量从0到30 g/100g不等，涵盖的浓度范围很广，类似于商用早餐麦片，报告的平均值为22.5±12.6 g/100g（Pombo-Rodrigues等人，2017年）。
图 2 显示了使用 Neospectra 模块采集的近红外光谱。在 4390 厘米处确定了特征波段-1 与脂肪族 C-H 波段有关，4420 cm-1 由于碳水化合物带中的 CH 吸收，4880 cm-1 由于蛋白质中的酰胺吸收，5180 cm-1 与水带中的 OH 吸收有关，以及 5807 cm-1 由于脂肪族 C-H 波段。在约4800 cm-1处还有一个独特的波段，表明晶体蔗糖中存在OH基团 Kays等人（1998年）。
PLSR 回归图（图 3）显示 NIR 估算的蔗糖浓度与 HPLC 参考分析之间的极佳相关性。得出最小交叉验证标准误差（SECV）的最佳因子数为两个，蔗糖的SECV为1.2％，相关系数（r）为0.99。
使用NeoSpectra模块对蔗糖含量进行回归算法的性能优于先前报告的台式傅里叶变换近红外（SEP= 1.5％；Wang和Rodriguez-Saona，2012年）和另一台商用手持式分析仪（1.5％，Lin等人，2014年）。此外，与台式分散装置相比，NeoSpectra模块的性能要好得多，后者报告84种品牌谷物的SEP为2.8％（Baker and Norris，1985年）。
结论
NeoSpectra 光谱传感器为测定早餐麦片中的蔗糖水平提供了最佳性能。由于无需样本制备，快速得出结果（20 秒），使该行业能够监测商用产品中的糖含量以满足营养标签要求，并允许消费者做出明智的饮食决定，因为人们越来越担心过量食用糖会导致肥胖风险。
