山茶油中油酸和亚油酸近红外光谱分析模型 下载: 1179次
1 引言
山茶油是一种营养价值非常高且易被人体消化吸收的绿色食用油,含有丰富的油酸和亚油酸等脂肪酸。孕妇在怀孕期间食用山茶油既可以增加母乳,又有利于胎儿健康成长;老年人食用可以去火、养颜,并且可以降低心脑血管疾病的发病率[1-3]。
近红外光谱技术作为一种绿色、高效、无损的现代分析技术已被应用于众多领域,如:郑瑞娜等[4]利用近红外技术对海藻糖浆组分进行了检测;孔清清等[5]利用近红外技术对烟叶产地进行了识别;王丽杰等[6]利用近红外技术对牛奶中脂肪、蛋白质和乳糖的浓度进行了检测;Cascant等[7]利用近红外技术测定了鲑鱼油中脂肪酸的含量,测量结果的相对均方根预测误差(RRMSEP)不大于1.8%;Li等[8]利用近红外技术测定了沙棘籽油中脂肪酸的含量,其中油酸和亚油酸的相对误差分别为1.20%和1.02%;Yuan等[9]利用近红外技术测定了山茶油中的成分,其中油酸和亚油酸的预测相关系数(
2 实验材料与方法
2.1 样品的制备
山茶油(压榨和浸出两种制取方式)、棕榈油、菜籽油由江西省A市和B市两家茶油厂提供,其中山茶油为100%的纯山茶油(经江西省出入境检验检疫局测定)。以山茶油为基础油,分别向其中加入不同体积分数的棕榈油和菜籽油[10],样品的组成信息如
表 1. 样品配制信息
Table 1. Sample configuration information
|
2.2 脂肪酸含量的测定
安捷伦-6890气相色谱仪用于样品中油酸和亚油酸含量的测定。气相色谱仪的测定条件如
2.3 光谱采集及样品集划分
将步琦NIRFlex N-500近红外光谱仪用于样品光谱的采集,利用培养皿附件采集样品的近红外光谱,采集时保证油液厚度一致,波数范围为4000~10000 cm-1,分辨率为8 cm-1,扫描次数为32,温度为10~30 ℃,相对湿度为30%~70%。
采用浓度均匀分布的方式将样品集划分为建模集和测试集,保证建模集样品的浓度范围涵盖整个测试集样品的浓度范围,并且要求样品均匀分布。为了保证小样本模型的稳健性,一般要求建模集样品和测试集样品数量之比为2∶1。因此,将76个样品进行划分,其中的51个样品用于模型的建立,剩下的25个样品用于模型的测试。
表 2. 气相色谱检测条件
Table 2. Detection conditions of gas chromatograph
|
2.4 光谱数据的预处理方法
Norris-Williams(NW)求导是由Norris在1983提出的一种用于近红外光谱求导的算法,该算法是消除光谱基线漂移的常用方法。NW求导主要包括两个步骤,即首先对光谱进行平滑处理,然后根据给定的参数(窗口宽度和拟合次数)对平滑后的光谱求一阶导数或二阶导数[11]。
标准正态变量变换(SNV)主要用来消除表面散射和光程变化对近红外光谱的影响[12],对于光谱
式中:
多元散射校正(MSC)可以有效剔除一些物理因素(相对湿度、样品不均匀、装填密度等)导致的散射的影响,提高光谱的信噪比[12],具体算法如下。
1) 计算校正集样品的平均光谱
2) 进行一元线性回归,即
3) 计算MSC预处理后的光谱,即
式中:
2.5 变量优选方法
2.5.1 VCPA
VCPA是基于模型集群分析思想的一种新颖的变量选择方法,包括两个关键步骤。首先,利用达尔文自然进化理论中“适者生存”的简单有效的指数递减函数(EDF)来确定变量空间保持和连续收缩的变量数;其次,在每个EDF运行中,采用二进制矩阵采样(BMS)策略,给每个变量相同的机会去选择,并生成不同的变量组合,用于产生子集,以构造子模型的种群,第
其中,
式中:
2.5.2 MCUVE
UVE是基于PLSR系数向量
式中:mean(
2.6 模型的建立和评价
经过VCPA和MCUVE变量优选后,采用PLSR方法建立油酸和亚油酸含量的定量分析模型。采用模型的校正相关系数(
3 结果与分析
3.1 光谱预处理方法的选择
分别采用NWD1st、NWD2nd、MSC、SNV、NWD1st-MSC这5种预处理方法对原始光谱进行信息变换和提取,结果如
表 3. 不同光谱预处理方法的PLSR模型结果比较
Table 3. Comparison of PLSR modeling results with different spectral preprocessing methods
|
3.2 PLSR模型建模变量的优选
随着仪器科学的发展,光谱图中包含的信息越来越丰富,冗余信息的存在不仅会增加计算开销,还会影响待测对象的分析精度。变量优选能够剔除冗余信息,降低模型的复杂度,提高程序的运行速度。分别采用MCUVE和VCPA方法对光谱的建模变量进行优选。光谱经NWD1st-MSC预处理后的两种变量优选方法的PLSR模型分析结果如
表 4. 两种变量优选方法的PLSR模型结果比较
Table 4. Comparison of PLSR modeling results with two kinds of variable selection methods
|
图 3. 两种脂肪酸PLSR模型建模变量样本点分布图。(a)油酸PLSR模型;(b)亚油酸PLSR模型
Fig. 3. Sample point distributions of PLSR modelling variables for two kinds of fatty acids. (a) Oleic acid PLSR model; (b) linoleic acid PLSR model
3.3 PLSR模型的建立
采用PLSR建模方法从自变量和因变量矩阵中可以提取偏最小二乘的成分,可有效地实现降维,消除可能存在的自变量间的复共线性关系,从而显著提高数据结果的可靠性和准确性
图 4. 两种脂肪酸含量实测值与模型预测值的相关关系图。(a)油酸;(b)亚油酸
Fig. 4. Correlation relationships of measured and predicted values of models for two kinds of fatty acids. (a) Oleic acid samples; (b) linoleic acid samples
4 结论
将近红外光谱分析技术化学计量学方法用于山茶油混合油品中油酸和亚油酸含量的快速分析,将5种光谱预处理方法和两种变量优选的方法用于光谱信息的提取和模型优化。研究结果表明:近红外光谱分析技术结合NWD1st-MSC-VCPA-PLSR方法可以用于山茶油混合油品中油酸和亚油酸的快速准确分析;油酸预测样品集的
[2] 李雪, 谭运寿, 马贵刚, 等. 山茶籽油研究应用进展[J]. 中国粮油学报, 2017, 32(11): 191-196.
[3] 孙通, 吴宜青, 李晓珍, 等. 基于近红外光谱和子窗口重排分析的山茶油掺假检测[J]. 光学学报, 2015, 35(6): 0630005.
[4] 郑瑞娜, 谢定, 杨倩圆. 基于近红外光谱的海藻糖浆组分快速定量检测[J]. 食品与机械, 2017, 33(10): 60-63, 134.
[5] 孔清清, 丁香乾, 宫会丽. 改进的修剪随机森林算法在烟叶近红外光谱产地识别中的应用研究[J]. 激光与光电子学进展, 2018, 55(1): 013006.
[6] 王丽杰, 杨羽翼. 利用主成分权重重置实现牛奶成分浓度快速检测中近红外光谱的净化去噪[J]. 光学学报, 2017, 37(10): 1030003.
[10] Wang L. Lee F S C, Wang X R, et al. Feasibility study of quantifying and discriminating soybean oil adulteration in camellia oils by attenuated total reflectance MIR and fiber optic diffuse reflectance NIR[J]. Food Chemistry, 2006, 95(3): 529-536.
[11] Asachi M, Hassanpour A, Ghadiri M, et al. Assessment of near-infrared (NIR) spectroscopy for segregation measurement of low content level ingredients[J]. Powder Technology, 2017, 320: 143-154.
[12] 褚小立, 袁洪福, 陆婉珍. 近红外分析中光谱预处理及波长选择方法进展与应用[J]. 化学进展, 2004, 16(4): 528-542.
[15] Grabska J. Be c' K B, Ishigaki M, et al. Spectra-structure correlations of saturated and unsaturated medium-chain fatty acids. Near-infrared and anharmonic DFT study of hexanoic acid and sorbic acid [J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2017, 185: 35-44.
[16] Armenta S. Garrigues S, de la Guardia M. Determination of edible oil parameters by near infrared spectrometry[J]. Analytica Chimica Acta, 2007, 596(2): 330-337.
[17] 郝勇, 薛龙. 亚麻酸红外光谱定量分析模型构建方法研究[J]. 中国农机化学报, 2015, 36(3): 164-168.
Article Outline
郝勇, 吴文辉, 商庆园, 耿佩. 山茶油中油酸和亚油酸近红外光谱分析模型[J]. 光学学报, 2019, 39(9): 0930004. Yong Hao, Wenhui Wu, Qingyuan Shang, Pei Geng. Analysis Model of Oleic and Linoleic Acids in Camellia Oil via Near-Infrared Spectroscopy[J]. Acta Optica Sinica, 2019, 39(9): 0930004.