黃曲霉毒素B₁（AFB₁）是由Aspergillus flavus和Aspergillus parasiticus產生的有毒次級代謝物，屬于IARC 1類人類致癌物，具有致癌、致突變和免疫抑制作用，即使在微量水平下也與肝癌有關（Stoev, 2024）。花生在生長、收獲或儲存過程中容易受到真菌污染，導致AFB₁積累。雖然精煉過程（脫膠、中和等）通常可以去除黃曲霉毒素（Lu et al., 2023），但受污染的原材料或不當的加工過程可能會使粗油中殘留AFB₁（Shephard, 2018）。最近的食品安全丑聞（例如，非食用油運輸罐車）增加了消費者對小型作坊或自制花生油的需求，從而提高了污染風險（Qi et al., 2019）。

存在多種AFB₁檢測技術。色譜方法，如高效液相色譜-熒光檢測（HPLC-FD）和液相色譜-串聯質譜（LC-MS/MS），靈敏度和特異性較高，但需要復雜的樣品制備。免疫測定法，如酶聯免疫吸附測定（ELISA）和膠體金免疫層析測定，簡單快捷，但可能存在特異性問題。新興技術如生物傳感器、表面增強拉曼光譜（SERS）和太赫茲光譜具有潛力，但在成本、穩定性和重復性方面面臨挑戰，阻礙了其快速無損在線應用。目前，最有望用于廣泛快速檢測花生油中AFB₁的技術主要是各種光譜技術，如近紅外光譜（NIRs）、高光譜成像（HSI）、電阻抗光譜（EIS, Feng et al., 2024）和毫米波（Xu et al., 2025），這些技術基于花生被霉菌感染后內部化學成分和物理結構的規律變化。這些是間接檢測方法，因此不適合檢測花生油，據我們所知，目前沒有相關報道。由于AFB₁在紫外光激發下會發出明顯的藍綠色熒光，激光誘導熒光光譜（LIFs）成為一種可以直接測量植物油中AFB₁的直接檢測方法。然而，花生油基質的復雜性會嚴重干擾熒光信號，限制了LIFs的可靠性。我們之前的研究表明，通過吸收和散射特性可以消除植物油復雜基質對AFB₁特征熒光的干擾（He et al., 2022, 2024; Wang et al., 2025）。

近年來，化學計量學已成為從食品安全分析中的復雜光譜數據中提取有用信息不可或缺的工具。通過結合多元統計分析、機器學習和深度學習算法，化學計量學方法能夠有效處理高維、共線和非線性的光譜數據集，從而提高定性區分和定量預測性能。在霉菌毒素和食用油的光譜檢測中，化學計量學已被廣泛用于噪聲減少、特征提取、變量選擇和模型校準，顯著提高了檢測的穩健性和準確性（Adade et al., 2025）。具體來說，線性方法如主成分分析（PCA）和偏最小二乘回歸/判別分析（PLSR/PLS-DA）常用于探索性分析和基線建模，而非線性算法，包括支持向量機（SVM）、極限學習機（ELM）、徑向基函數神經網絡（RBFNN）、極端梯度提升（XGBoost）和長短期記憶網絡（LSTM），在捕捉光譜響應與污染物濃度之間的復雜非線性關系方面表現出優越能力（Bian et al., 2016; Wang et al., 2022）。這些化學計量策略特別適合多源光譜數據融合，可以充分利用不同光學參數的互補信息（Hayes et al., 2023）。

然而，以往的研究僅關注添加了分析標準的植物油樣品中AFB₁的檢測，尚未有關于天然受污染植物油中AFB₁檢測的研究。本研究的具體目標是：（1）使用自主研發的光學平臺，測量不同品種天然受AFB₁污染的花生油的多源光學參數，包括熒光強度（F）、吸收系數（μ_a）和減散系數（μ’_{s）光譜，并分析這三種類型的光譜；（2）進行全面的物理化學分析，以確定不同AFB1污染水平下花生油光譜變化的機制；（3）開展數據融合研究，并基于機器學習和深度學習方法建立AFB1在花生油中的定性區分和定量預測模型。}