吳靜珠，石瑞杰，陳 巖，劉翠玲，徐 云

（1.北京工商大學(xué)計(jì)算機(jī)與信息工程學(xué)院，北京100048；2.中國(guó)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院，北京100083）

基于PLS-LDA和拉曼光譜快速定性識(shí)別食用植物油

吳靜珠1，石瑞杰1，陳 巖1，劉翠玲1，徐 云2

（1.北京工商大學(xué)計(jì)算機(jī)與信息工程學(xué)院，北京100048；2.中國(guó)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院，北京100083）

以6種食用油共計(jì)23個(gè)樣本為分析對(duì)象，采用偏最小二乘線性判別分析法（PLS-LDA）和拉曼光譜進(jìn)行單一種類（橄欖油、花生油和玉米油）食用油快速定性檢測(cè)，通過自適應(yīng)迭代懲罰最小二乘法（airPLS）對(duì)拉曼信號(hào)進(jìn)行背景扣除，以及蒙特卡洛無信息變量消除法篩選波長(zhǎng)變量，不但有效減少了波長(zhǎng)點(diǎn)數(shù)，降低了建模運(yùn)算量，而且提高了單一種類食用油的識(shí)別率，使得總體識(shí)別率均高于90%，并在此基礎(chǔ)上進(jìn)一步提出了采用PLS-LDA進(jìn)行多種類食用油識(shí)別的檢測(cè)流程。實(shí)驗(yàn)結(jié)果表明PLS-LDA在食用油定性識(shí)別檢測(cè)中具有較好的應(yīng)用前景和可行性，該方法也可為定性檢測(cè)食品及農(nóng)產(chǎn)品品質(zhì)提供借鑒。

偏最小二乘線性判別分析法，拉曼光譜，食用植物油，蒙特卡洛無信息變量消除法

食用植物油是人們膳食結(jié)構(gòu)中不可缺少的組成部分，其質(zhì)量?jī)?yōu)劣對(duì)人體健康有著重要的影響。一些不法商家為追求利潤(rùn)，用廉價(jià)的植物油與正常油品摻雜，以次充好，以假亂真，從中牟取暴利，尤其是橄欖油、花生油等價(jià)格較為昂貴的植物油是重點(diǎn)被摻雜和假冒的對(duì)象。因此，為保護(hù)合法生產(chǎn)經(jīng)營(yíng)者和消費(fèi)者的利益，對(duì)食用植物油品種進(jìn)行準(zhǔn)確快速鑒別是非常必要的。

傳統(tǒng)的食用油品種鑒別方法為感官評(píng)定，該方法的檢測(cè)結(jié)果受主觀因素影響較大，不適用于大批量樣本的檢測(cè)。拉曼光譜（Raman）是近年蓬勃發(fā)展起來的一種極具前景的快速檢測(cè)手段，具有無污染、無需前處理、無接觸、樣品量少等優(yōu)點(diǎn)，在食品、石油化工、珠寶考古等領(lǐng)域得到初步的應(yīng)用和探索[1-3]。食用油的拉曼光譜信息非常豐富，油脂結(jié)構(gòu)中的“C=C”對(duì)拉曼光譜中的分子振動(dòng)有較大的貢獻(xiàn)，不同種類植物油中的脂肪酸主要差異表現(xiàn)為其數(shù)量變化。Zhang等采用主成分分析（PCA）方法和拉曼光譜對(duì)橄欖油摻假進(jìn)行識(shí)別，對(duì)摻假量5%以上的樣品取得了較好的識(shí)別結(jié)果[4]。PIETER SAMYN等采用中紅外和拉曼光譜，結(jié)合PCA和偏最小二乘法（PLS）回歸模型，對(duì)巴西植物油進(jìn)行質(zhì)量評(píng)估和統(tǒng)計(jì)分類[5]。Stewart FrancisGraham等采用近紅外和拉曼技術(shù)結(jié)合PCA檢測(cè)飼料行業(yè)用油是否摻入礦物油的研究[6]。周秀軍等選取食用油不飽和度特征的兩處拉曼峰值結(jié)合多重光譜預(yù)處理方法對(duì)食用植物油品種進(jìn)行快速分類，各類別樣本聚集效果比PCA好[7]。目前國(guó)內(nèi)食用油市場(chǎng)亟需快檢手段監(jiān)管食用油生產(chǎn)和銷售的整個(gè)環(huán)節(jié)?；诮t外的食用油品質(zhì)檢測(cè)技術(shù)具有快速、簡(jiǎn)便的特點(diǎn)被大量研究和應(yīng)用，但是近紅外光譜存在譜峰重疊嚴(yán)重，檢測(cè)所需樣品量大等問題，不利于量少樣品及微量物質(zhì)的檢測(cè)。拉曼的譜峰清晰尖銳，其特征峰位置、強(qiáng)度和線寬提供分子振動(dòng)、轉(zhuǎn)動(dòng)方面的信息，據(jù)此可以反映出分子中不同的化學(xué)鍵或官能團(tuán)。拉曼光譜技術(shù)具有操作簡(jiǎn)便，測(cè)定時(shí)間短，靈敏度高且所需樣品量少等優(yōu)點(diǎn)，適合于定量研究、數(shù)據(jù)庫搜索以及運(yùn)用差異分析進(jìn)行定性研究。目前國(guó)內(nèi)基于拉曼光譜的食用油品質(zhì)檢測(cè)的報(bào)道較少，研究尚處于起步階段。

本工作擬采用拉曼光譜結(jié)合偏最小二乘-線性判別分析（PLS-LDA）方法，以食用油中橄欖油，花生油和玉米油三個(gè)品種為例，建立單一種類的食用油的識(shí)別模型，通過MCUVE挑選特征波長(zhǎng)變量?jī)?yōu)化該定性模型，提升其預(yù)測(cè)能力。并在此基礎(chǔ)上，探索基于PLS-LDA的多種類食用油識(shí)別的可行性。

1 材料與方法

1.1 材料與儀器

23個(gè)食用植物油樣品 購于北京物美超市，其中橄欖油樣本6個(gè)、花生油樣本5個(gè)、玉米油樣本4個(gè)、葵花籽油樣本4個(gè)、稻米油樣本2個(gè)、亞麻籽油樣本2個(gè)；石油醚 分析純。

拉曼光譜儀 Thermofisher公司的DXR激光顯微拉曼光譜儀（光譜儀參數(shù)如下：780nm激光光源；奧林巴斯BX51研究級(jí)顯微鏡，10×目鏡聚焦；拉曼位移范圍50～3300cm-1）。

1.2 拉曼光譜采集

采用DXR激光顯微拉曼光譜儀采集食用油的拉曼光譜。由于待測(cè)對(duì)象是液體樣品，因此采用金屬制容器裝樣，以避免干擾待測(cè)對(duì)象的拉曼信號(hào)。全部樣品未經(jīng)任何化學(xué)處理，采用移液槍逐一裝樣掃描樣品。每次測(cè)量前均用石油醚清洗金屬質(zhì)容器，避免樣品間交叉污染。食用油樣品的拉曼譜圖如圖1所示。

圖1 食用油拉曼譜圖Fig.1 Raman spectra of edible oil

1.3 airPLS方法

airPLS可以用來對(duì)拉曼信號(hào)進(jìn)行背景扣除，且無需用戶的任何介入和初始信息（如峰值檢測(cè)等）。該方法主要包括兩個(gè)方面：懲罰最小二乘算法對(duì)信號(hào)的平滑和自適應(yīng)迭代將懲罰過程轉(zhuǎn)變成一個(gè)基線估計(jì)的懲罰最小二乘算法[8]。其中參數(shù)λ可以用來調(diào)節(jié)擬合基線的平滑度和精確度之間的平衡[9-10]。本實(shí)驗(yàn)采用airPLS對(duì)食用油拉曼光譜進(jìn)行基線校正。

1.4 PLS-LDA方法

本文采用PLS-LDA方法建立判別模型。PLSLDA的基本思路：首先利用PLS算法將矩陣X和y進(jìn)行主成分分解，得到X矩陣的主成分T，然后利用T和各樣本的y值做線性判別分析，最終導(dǎo)出判別函數(shù)[1]。本實(shí)驗(yàn)中采用PLS算法進(jìn)行主成分分解結(jié)合Fisher線性判別法進(jìn)行分析[11]。在windows 7操作系統(tǒng)和MATLAB 7.6.0的軟件平臺(tái)下，調(diào)用軟件包CARS_PLSLDA V3.5實(shí)現(xiàn)上述算法（下載地址：http：//code.google.com/p/ cars2009/downloads）。

1.5 模型評(píng)價(jià)指標(biāo)

根據(jù)文獻(xiàn)[12]，蒙特卡洛交叉校驗(yàn)得到的模型指標(biāo)與K折交叉校驗(yàn)和留一法交叉校驗(yàn)相比，更接近于實(shí)際預(yù)測(cè)能力。采用蒙特卡洛交叉校驗(yàn)的模型指標(biāo)來評(píng)價(jià)模型預(yù)測(cè)能力更有意義實(shí)際。因此本實(shí)驗(yàn)采用蒙特卡洛法進(jìn)行抽樣建模。

通常采用真實(shí)樣本識(shí)別率，假冒樣本識(shí)別率及總體識(shí)別率對(duì)模型識(shí)別的性能進(jìn)行評(píng)價(jià)。設(shè)真實(shí)樣本個(gè)數(shù)n1，假冒樣本個(gè)數(shù)n2，樣本總體個(gè)數(shù)則為n1+n2；設(shè)被正確識(shí)別的真實(shí)樣本個(gè)數(shù)m1，被正確識(shí)別的假冒樣本個(gè)數(shù)m2，則真實(shí)樣本識(shí)別率（%）=m1/n1，假冒樣本識(shí)別率（%）=m2/n2，總體識(shí)別率（%）=（m1+m2）/（n1+n2）。

2 結(jié)果與分析

2.1 譜圖預(yù)處理

食用植物油的拉曼光譜中位于1650cm-1處特征峰的峰值直接反映了不飽和烯烴鍵（C=C）的含量，而位于1260cm-1處的特征峰則反映了不飽和烯烴鍵所在碳原子碳?xì)滏I（=C-H）的含量，這兩個(gè)特征峰均體現(xiàn)了食用油的不飽和程度[7]。另外，從上圖1中可以看到位于兩端的光譜信號(hào)毛刺較多，噪聲較大。因此本實(shí)驗(yàn)選取包含上述特征峰，且避開兩端的光譜區(qū)域（1109～1784cm-1）作為區(qū)別食用植物油品種的理論依據(jù)。

拉曼信號(hào)在采集過程中，易受到儀器自身和樣本擺放位置等因素的干擾影響，因此對(duì)拉曼光譜進(jìn)行預(yù)處理是很有必要的。本實(shí)驗(yàn)采用airPLS對(duì)選中的譜區(qū)進(jìn)行基線校正，當(dāng)選取λ=105，如圖2所示。

2.2 基于PLS-LDA的單一種類食用油的識(shí)別

考慮到本實(shí)驗(yàn)食用油樣本集中一些種類的食用油樣本個(gè)數(shù)較少，因此實(shí)驗(yàn)只選擇三種食用油：橄欖油，花生油和玉米油分別進(jìn)行單一種類識(shí)別。以橄欖油識(shí)別為例，若為真實(shí)橄欖油樣品，則類別標(biāo)記為1，若非橄欖油樣品，則類別標(biāo)記為-1。在本實(shí)驗(yàn)樣本集中，橄欖油真實(shí)樣本有6個(gè)，假冒樣本有17個(gè)。

本實(shí)驗(yàn)采用蒙特卡洛采樣方法隨機(jī)抽樣1000次，每次按80%的比例隨機(jī)在樣品集中抽樣作為訓(xùn)練集，20%作為測(cè)試集。根據(jù)每次抽樣得到的訓(xùn)練集建立PLS-LDA識(shí)別模型，計(jì)算測(cè)試集樣本的種類識(shí)別率。根據(jù)抽樣比例，每次抽樣，測(cè)試集樣本23×20%≈5個(gè)樣本，因此1000次抽樣得到測(cè)試集樣本共有5000個(gè)。表1中的結(jié)果是1000次抽樣得到的測(cè)試集的平均識(shí)別率。

圖2 airPLS光譜預(yù)處理Fig.2 Spectra preprocessing based on airPLS

表1 基于PLS-LDA的食用植物油定性識(shí)別結(jié)果Table.1 Classification of edible vegetable oil based on PLS-LDA

一般情況下，變量篩選可以提高模型的預(yù)測(cè)精度和增強(qiáng)模型的解釋性[13-14]。鑒于表1中識(shí)別率不高，因此這里采用蒙特卡洛無信息變量消除法（MCUVE）挑選波長(zhǎng)變量。本實(shí)驗(yàn)通過MCUVE-PLSLDA變量篩選[15]后的波長(zhǎng)如圖3所示。從圖3中可以看出，三種植物油識(shí)別模型挑選的拉曼光譜在位于1650cm-1附近處有重疊區(qū)域，而該處的特征峰的峰值直接反映了不飽和烯烴鍵（C=C）的含量，正是區(qū)別不同食用油種類的理論依據(jù)。

在MCUVE-PLSLDA變量篩選后，重復(fù)蒙特卡洛交互檢驗(yàn)，建立PLS-LDA識(shí)別模型，結(jié)果如表2所示。表2中三種植物油的真實(shí)樣本識(shí)別率，假冒樣本識(shí)別率和總體識(shí)別率均高于變量篩選前的識(shí)別率。

2.3 基于PLS-LDA的多種類食用油識(shí)別

根據(jù)上述實(shí)驗(yàn)結(jié)果，PLS-LDA可用于單一種類的食用油識(shí)別，即二元識(shí)別。若想將其用于多元識(shí)別，即多種類食用油的識(shí)別，可采用如圖4所示流程圖。本實(shí)驗(yàn)隨機(jī)選取了橄欖油樣本、花生油樣本、玉米油樣本及亞麻籽油樣本各一個(gè)，采用上述選取的波長(zhǎng)變量建立的PLS-LDA模型及圖4所示多種類食用油的識(shí)別流程，進(jìn)行測(cè)試。4個(gè)樣本均得到了正確的分類。

圖3 MCUVE篩選的食用油光譜拉曼光譜波長(zhǎng)變量Fig.3 Wavelength variable selection on Raman of edible oil by MCUVE

表2 基于MCUVEPLS-LDA的食用植物油定性識(shí)別結(jié)果Table.2 Result of Classification of edible vegetable oil based on MCUVEPLS-LDA

3 結(jié)論

本文采用PLS-LDA進(jìn)行單一種類食用油快速定性識(shí)別研究，通過MCUVE篩選特征波長(zhǎng)變量大大提高了本實(shí)驗(yàn)中3種食用植物油的識(shí)別率，總體識(shí)別率均大于90%，并提出了采用PLS-LDA進(jìn)行多種類食用油識(shí)別流程。實(shí)驗(yàn)結(jié)果表明PLS-LDA方法在食用油定性識(shí)別中具有較好的應(yīng)用前景和可行性，并可探索將此方法拓展到類似的農(nóng)產(chǎn)品和食品的定性檢測(cè)應(yīng)用。從應(yīng)用統(tǒng)計(jì)學(xué)的角度而言，食用油樣本（種類和數(shù)量）的收集是否合理是影響到模型實(shí)用性的根本，就目前檢索的研究報(bào)道，都沒有涉及到這方面的工作。因此本工作后期將從統(tǒng)計(jì)學(xué)角度進(jìn)一步收集食用油樣本數(shù)據(jù)，探索解決基于PLS-LDA食用油定性識(shí)別模型的實(shí)用化過程中遇到的問題。

圖4 基于PLS-LDA的多種類食用油識(shí)別流程圖Fig.4 Flowchart of identifying different kinds of edible oil based on PLS-LDA

[1]褚小立.化學(xué)計(jì)量學(xué)方法與分子光譜分析技術(shù)[M].北京：化學(xué)工業(yè)出版社，2011.

[2]陳健，肖凱軍，林福蘭．拉曼光譜在食品分析中的應(yīng)用[J].食品科學(xué)，2007，28（12）：554-558.

[3]施玉珍，陳志春，林賢福.拉曼光譜與紅外光譜無損檢測(cè)技術(shù)新進(jìn)展[J].分析化學(xué)，2005，33（2）：272-276.

[4]Xiaofang Zhang，Xiaohua Qi，Mingqiang Zou，et al.Rapid Authentication of Olive Oil by Raman Spectroscopy Using Principal Component Analysis[J].Analytical Letters，2011，44（12）：2209-2220.

[5]PIETER SAMYN，DIETER VAN NIEUWKERKE，GUSTAAF SCHOUKENS，et al.Quality and statistical classification of brazilian vegetable oils using mid-infrared and Raman spectroscopy[J].Applied Spectroscopy，2012，66（5）：552-562.

[6]Stewart Francis Graham，Simon Anthony Haughey，Robert Marc Ervin，et al.The application of near-infrared（NIR）and Raman spectroscopy to detect adulteration of oil used in animal feed production[J].Food Chemistry，2012，132：1614-1619.

[7]周秀軍，戴連奎，李晟.基于拉曼光譜的食用植物油快速鑒別[J].光譜學(xué)與光譜分析，2012，32（7）：1829-1833.

[8]房承宣，李建華，梁逸曾.拉曼光譜結(jié)合背景扣除化學(xué)計(jì)量學(xué)方法用于汽油中MTBE含量的快速測(cè)定研究[J].分析測(cè)試學(xué)報(bào)，2012，31（5）：541-545.

[9]Z-M Zhang，S Chen，Y-Z Liang.Baseline correction using adaptive iteratively reweighted penalized least squares[J].Analyst，2010，135（5）：1138-1146.

[10]陳珊.拉曼背景扣除算法及其應(yīng)用研究[D].長(zhǎng)沙：中南大學(xué)，2011.

[11]Li H-D，Zeng M-M，Tan B-B，et al.Recipe for revealing informative metabolites based on model population analysis[J]. metabolomics，2011，doi：10.1007/s11306-010-0213-z.

[12]袁大林，梁逸曾，許青松.QSAR/QSPR模型中的蒙特卡羅交叉效驗(yàn)評(píng)價(jià)[J].計(jì)算機(jī)與應(yīng)用化學(xué)，2006，23（6）：569-573. [13]Li H-D，Y-Z Liang，Q-S Xu，et al.Model population analysis for variable selection[J].J Chemometr，2009，24：418-423.

[14]Roman M Balabin，Sergey V Smirnov.Variable selection in near-infrared spectroscopy：Benchmarking of feature selection methods on biodiesel data[J].Analytica Chimica Acta，2011，692：63-72.

[15]Wensheng Cai，Yankun Li，Xueguang Shao.A variable selection method based on uninformative variable elimination formultivariate calibration of near-infrared spectra[J]. Chemometricsand IntelligentLaboratorySystems，2008，90：188-194.

Rapid qualitative identification method of edible vegetable oil based on PLS-LDA and Raman

WU Jing-zhu1，SHI Rui-jie1，CHEN Yan1，LIU Cui-ling1，XU Yun2
（1.School of Computer and Information Engineering，Beijing Technology and Business University，Beijing 100048，China；2.College of Information and Electrical Engineering，China Agricultural University，Beijing 100083，China）

This paper choose 6 kinds of edible vegetable oils for a total of 23 samples as a typical tested object. Partial Least Squares-Linear Discriminant Analysis（PLS-LDA）method was employed to quickly identify a certain kind of edible vegetable oil（olive oil，peanut oil and corn oil）based on Raman.Raman backgrounds were subtracted by adaptive iteratively reweighted Penalized Least Squares（airPLS）method and wavelength variables were selected by Monte Carlo Uninformative Variable Elimination（MCUVE）method.The above spectra preprocessing not only effectively reduced the wavelength points and modeling computation，but also improved the general recognition rates higher than 90%，respectively.The process of identifying different kinds of edible oil using PLS-LDA method was suggested further on above basis.The experimental results showed that the PLS-LDA method had good application prospects and feasibility to identify edible oil species.This method provided a reference for processing the similar problems in food and agricultural products quality detection.

Partial Least Squares-Linear Discriminant Analysis（PLS-LDA）；Raman；edible vegetable oil；Monte Carlo Uninformative Variable Elimination（MCUVE）

TS207.3

A

1002-0306（2014）06-0055-04

2013－08－14

吳靜珠（1979-），女，博士，副教授，主要從事基于分子光譜技術(shù)的農(nóng)產(chǎn)品及食品檢測(cè)方面的研究。

北京市自然科學(xué)基金面上項(xiàng)目（4132008）；北京教委重點(diǎn)項(xiàng)目（KZ201310011012）；北京市屬高等學(xué)校人才強(qiáng)教項(xiàng)目。