莫欣欣 孫 通* 劉木華 葉振南

1(江西農(nóng)業(yè)大學工學院，江西省高校生物光電技術(shù)及應(yīng)用重點實驗室， 南昌 330045)2(江西出入境檢驗檢疫局，綜合技術(shù)中心， 南昌 330038)

基于近紅外光譜的食用植物油中反式脂肪酸含量快速定量檢測及模型優(yōu)化研究

莫欣欣1孫 通*1劉木華1葉振南2

1(江西農(nóng)業(yè)大學工學院，江西省高校生物光電技術(shù)及應(yīng)用重點實驗室， 南昌 330045)2(江西出入境檢驗檢疫局，綜合技術(shù)中心， 南昌 330038)

利用近紅外光譜技術(shù)對食用植物油中反式脂肪酸 (Trans fatty acids, TFA)含量進行快速定量檢測，并通過波段選擇、預(yù)處理方法、變量篩選及建模方法對TFA含量預(yù)測模型進行優(yōu)化。采用Antaris Ⅱ傅里葉變換近紅外光譜儀在4000～10000 cm光譜范圍采集98個食用植物油樣本的近紅外透射光譜，然后采用氣相色譜法測定TFA的真實含量。首先，對樣本原始光譜進行波段、預(yù)處理方法優(yōu)選; 在此基礎(chǔ)上，采用競爭自適應(yīng)重加權(quán)法 (Competitive adaptive reweighted sampling, CARS)篩選TFA相關(guān)的重要變量，最后應(yīng)用主成分回歸、偏最小二乘和最小二乘支持向量機方法分別建立食用植物油中TFA含量的預(yù)測模型。研究結(jié)果表明，近紅外光譜技術(shù)檢測食用植物油中的TFA含量是可行的，優(yōu)化后的最佳預(yù)測模型的校正集和預(yù)測集R2分別為0.992和0.989，RMSEC和RMSEP分別為0.071%和0.075%。最佳預(yù)測模型所用的變量僅26個，占全波段變量的0.854%。此外，與全波段偏最小二乘預(yù)測模型相比，其預(yù)測集R2由0.904上升為0.989，RMSEP由0.230%下降為0.075%。由此表明，模型優(yōu)化非常必要，CARS能有效篩選TFA相關(guān)的重要變量，極大減少建模變量數(shù)，從而簡化預(yù)測模型，并較大提高預(yù)測模型的精度和穩(wěn)定性。

食用植物油; 近紅外光譜; 模型優(yōu)化; 競爭自適應(yīng)重加權(quán)法變量篩選; 定量檢測

2017-05-25收稿; 2017-08-15接受

本文系國家自然科學基金(No.31401278)、江西省自然科學基金(No.20151BAB204025)和江西省教育廳科學研究基金(No.GJJ13254)項目資助

* E-mail: suntong980@163.com.

1 引 言

反式脂肪酸 (Trans fatty acids, TFA) 是具有反式結(jié)構(gòu)雙鍵的一類不飽和脂肪酸的總稱，主要來自采用氫化加工工藝后的植物油。由于氫化植物油具有較好的穩(wěn)定性、口感及加工性能，被廣泛應(yīng)用在食品工業(yè)中。近年來的諸多研究表明，TFA不是維持人體生理功能所需要的氨基酸，并且TFA能增加患心血管疾病、糖尿病的危險，導(dǎo)致必需氨基酸缺乏和抑制嬰幼兒生長發(fā)育等[1]。丹麥、美國、加拿大、巴西、日本和韓國等國家相繼出臺相關(guān)法規(guī)控制食品中的TFA含量。我國的國標GB 28050-2011[2]也規(guī)定食品中TFA含量。因此，迫切需要建立快速、高效的食品中TFA檢測方法。

目前，對于油脂中TFA的檢測主要采用色譜法[3,4]、紅外光譜法[5～7]、毛細管電泳法[8,9]等。但上述方法前處理過程復(fù)雜，分析時間長，且需要破壞樣本。近紅外光譜技術(shù)是一種綠色、快速、無損的檢測技術(shù)，已應(yīng)用于食用油摻假、種類鑒別、脂肪酸測定等[10～12]。Li等[13]利用傅里葉變換近紅外光譜 (Fourier transformation near infrared spectroscopy, FT-NIR)技術(shù)對食用油中TFA含量進行了檢測研究，在溫控模塊 (68±1℃)中采集樣本在4000～10000 cm的FT-NIR光譜， 建立食用油中TFA含量的偏最小二乘 (Partial least square, PLS)回歸模型，并取得了較好的結(jié)果。Azizian等[14]運用FT-NIR對脂肪和植物油中的TFA含量進行定量檢測研究，根據(jù)特征波段建立TFA的PLS模型，其模型決定系數(shù)為0.74～0.93，交互驗證均方根誤差 (Root mean square error of cross validation, RMSECV)為0.35%～1.13%。Kim等[15]運用近紅外光譜技術(shù)對谷物食品中TFA含量進行了檢測研究, 采用700～2498 nm光譜波段建立TFA的PLS模型，其最優(yōu)模型決定系數(shù)R2為0.97，均方根誤差為0.70%。安雪松等[16]對食品 (蛋糕、面包和餅干)中TFA含量進行了定性檢測研究，采集近紅外漫反射光譜后分別建立含TFA含量的偏最小二乘判別、支持向量機、簇類獨立軟模式和K-最鄰近法模型。結(jié)果表明， 以使用與TFA相關(guān)波段，結(jié)合標準化和二階導(dǎo)數(shù)預(yù)處理所建立的偏最小二乘判別識別模型效果最佳，校正集和驗證集識別準確率分別達到了96.4%和88.0%。目前，對于TFA的近紅外檢測研究僅有少數(shù)報道，且均采用全波段或部分波段建模，未進行變量篩選等優(yōu)化，建模所用的變量數(shù)較多，預(yù)測模型的穩(wěn)定性和精度受到限制，難以應(yīng)用于實際樣品分析。

競爭自適應(yīng)重加權(quán)法 (Competitive adaptive reweighted sampling, CARS)[17]是最近提出的一種新變量選擇方法，可以有效篩選重要的相關(guān)變量組合，剔除冗余或噪聲變量，從而簡化預(yù)測模型，提高預(yù)測模型的預(yù)測精度和穩(wěn)定性[18]。

為保證預(yù)測模型的可靠性和適應(yīng)性，本研究收集市場上常見的各類及不同品牌的食用植物油樣本，利用近紅外光譜技術(shù)結(jié)合CARS等方法對食用植物油中TFA含量進行快速定量檢測，并優(yōu)化其預(yù)測模型。首先通過樣本光譜分析TFA可能存在的特征波段，并根據(jù)建模結(jié)果確定較優(yōu)的波段范圍和預(yù)處理方法; 在此基礎(chǔ)上，采用CARS方法篩選與TFA相關(guān)的重要變量組合，極大減少建模所用的變量數(shù); 最后，應(yīng)用不同建模方法建立TFA含量的預(yù)測模型，根據(jù)建模結(jié)果確定最優(yōu)的建模方法，最終實現(xiàn)預(yù)測模型的整體優(yōu)化，從而提高預(yù)測模型的預(yù)測精度和穩(wěn)定性，以應(yīng)用于實際樣品的分析檢測。

2 實驗部分

2.1實驗儀器

Antaris Ⅱ傅里葉變換近紅外光譜儀 (美國Thermo Scientific公司)， 配備InGaAs檢測器，波數(shù)范圍為4000～10000 cm，光源為25 W鹵素燈。石英比色皿光程為2 mm。GC-2010氣相色譜儀 (日本Shimadzu公司)， 配有FID檢測器和GC SOLUTION數(shù)據(jù)處理工作站。

2.2實驗材料與試劑

本實驗中，98個食用植物油樣本均購于本地大型超市，種類包含菜籽油、玉米油、葵花籽油、花生油、大豆油、山茶油、稻米油、橄欖油以及調(diào)和油，涉及金龍魚、長康、魯花、福臨門、道道全、西王等39個品牌。為充分考慮校正集樣本的代表性，將98個食用植物油樣本采用含量梯度法隨機分為校正集和預(yù)測集，共得到校正集樣本74個，預(yù)測集樣本24個。

順、反異構(gòu)的 C18∶1(46902-U, 46903), C18∶2(47791)和 C18∶3(47792)脂肪酸甲酯混合標準品(美國Sigma 公司); KOH-甲醇溶液 (2 mol/L); 異辛烷 (C8H18, 色譜純); 其它試劑為分析純。

2.3近紅外光譜數(shù)據(jù)采集

將98個食用植物油樣本分別注入2 mm比色皿中， 依次置于Thermo Antaris Ⅱ的透射采集附件中，并在室溫下進行近紅外光譜采集。采用2 mm空比色皿作為參比。光譜采集軟件為RESULT Integration (美國Thermo Scientific公司)， 光譜采集參數(shù)設(shè)置如下：掃描次數(shù)為64次， 分辨率為4.0 cm。

2.4反式脂肪酸含量測定

食用植物油中TFA含量參照GB 5009.257-2016方法進行測定。色譜條件及參數(shù)如下：選用HP88毛細管色譜柱(100 m×0.25 mm×0.25 μm); 進樣口溫度240℃; 檢測器溫度300℃; 色譜柱溫度：程序升溫，120℃以5℃/min升至170℃，保持10 min; 以2℃/min升至185℃，保持8 min; 以3℃/min升至240℃，保持10 min。載氣：氮氣，壓力360.4 kPa，流速1.99 mL/min; 氫氣流速：50 mL/min; 空氣流速：500 mL/min; 分流比 20∶1。每個樣本平行測定兩次，取平均值作為測定結(jié)果。

2.5數(shù)據(jù)處理

競爭自適應(yīng)重加權(quán)法 (CARS)是最近提出的一種變量選擇方法，該方法模擬達爾文進化理論“適者生存”進行變量篩選，通過自適應(yīng)加權(quán)采樣技術(shù)篩選PLS模型中回歸系數(shù)絕對值大的變量，去除權(quán)重值較小的變量，并通過交互驗證計算出交互驗證均方根誤差RMSECV，根據(jù)RMSECV最小原則確定最優(yōu)的變量組合[17]。此算法能夠在一定程度上克服變量篩選過程中的組合爆炸問題，篩選出優(yōu)化的變量子集，提高模型的預(yù)測能力和降低預(yù)測方差。

本研究中，首先分析TFA在近紅外譜區(qū)可能存在的特征波段，然后根據(jù)建模結(jié)果依次確定最優(yōu)的波段范圍及光譜預(yù)處理方法。在此基礎(chǔ)上，采用CARS進行變量篩選，并應(yīng)用主成分回歸 (Principal component regression, PCR)、PLS和最小二乘支持向量機 (Least square support vector machine, LS-SVM)方法分別建立食用植物油中TFA的預(yù)測模型，比較預(yù)測模型性能以確定最優(yōu)的建模方法。在CARS分析中，蒙特卡羅 (Monte carlo, MC)取樣次數(shù)設(shè)置為50次，PLS最大主成分數(shù)為20，所選擇的變量子集采用5折交互驗證建模。

數(shù)據(jù)處理分析在Unscrambler X10.1 (CAMO, Norway)以及MatlabR2014a (The Math Works，USA)中進行。通過決定系數(shù) (R2)、校正均方根誤差 (Root mean square error of calibration, RMSEC)、RMSECV和預(yù)測均方根誤差 (Root mean square error of prediction, RMSEP)對模型進行評價。RMSEC、RMSECV及RMSEP由公式(1)計算。

式中，ya和yp為樣本的真實值和預(yù)測值，N為樣品數(shù)量。

3 結(jié)果與討論

3.1氣相色譜分析反式脂肪酸含量

本研究中，測定的食用植物油樣本TFA含量為反式十八碳一烯酸、反式十八碳二烯酸和反式十八碳三烯酸之和。圖1為脂肪酸甲酯標準品溶液的氣相色譜圖，其中十八碳一烯酸甲酯為單標，十八碳二烯酸甲酯和十八碳三烯酸甲酯為混標。由圖1可知，脂肪酸甲酯標準品中的順式和反式均得到了良好的分離，滿足檢測要求。圖2為菜籽油樣本氣相色譜圖的局部放大圖，可以看出，順反脂肪酸均得到了良好的分離。

圖1 脂肪酸甲酯標準品溶液氣相色譜圖Fig.1 Gas chromatograms of fatty acid methyl ester standard solution(A)：順式十八碳一烯酸甲酯; (B)：反式十八碳一烯酸甲酯; (C)：十八碳二烯酸甲酯; (D)：十八碳三烯酸甲酯。(A): cis-Vaccenic acid methyl ester; (B): trans-Vaccenic acid methyl ester; (C): Linoleic acid methyl ester; (D): α-Linolenic acid methyl ester

圖2 菜籽油樣本氣相色譜圖局部放大圖Fig.2 A partial magnification of gas chromatogram of rapeseed oil sample

不同品種的食用植物油TFA的具體含量見表1。由表1可知，菜籽油、玉米油、葵花籽油、花生油、大豆油、山茶油、稻米油、橄欖油和調(diào)和油的TFA含量范圍和平均值分別為0.019%～1.301%，0.642%～2.280%，0.192%～0.968%，0.053%～0.510%，0.047%～1.538%，0.100%～2.662%，1.048%～3.880%，0.007%～0.051%，0.437%～1.263%和0.667%，1.546%，0.539%，0.205%，0.843%，1.122%，2.203%，0.018%，0.777%。 綜上可知， 橄欖油和花生油中TFA含量較低，而玉米油、山茶油和稻米油含量偏高，其中最高含量分別達到了2.270%、2.662%和3.880%。

3.2近紅外光譜分析

98個食用植物油樣本的近紅外原始光譜如圖3所示。在近紅外光譜分析中，吸光度>3則表明光譜信噪比低。因此，在數(shù)據(jù)處理時剔除原始光譜中4255～4384 cm波數(shù)范圍內(nèi)的數(shù)據(jù)。由于TFA中含有大量化學鍵，其在近紅外譜區(qū)有較強的吸收信息。此外，由于反式雙鍵的存在，使得TFA在分子結(jié)構(gòu)上與飽和脂肪酸、順式不飽和脂肪酸等存在不同。分子結(jié)構(gòu)的變化會在吸收光譜中表現(xiàn)出來，有相關(guān)研究表明，油脂中TFA和順式脂肪酸的吸收變化雖然出現(xiàn)在同一倍頻和合頻位置，但吸收強度不同[16,19]。

表1 食用植物油樣本的TFA含量

Table 1 Content of trans fatty acids (TFA) in edible vegetable oil samples

樣本編號SamplenumberTFA含量TFAcontent(%)樣本編號SamplenumberTFA含量TFAcontent(%)樣本編號SamplenumberTFA含量TFAcontent(%)樣本編號SamplenumberTFA含量TFAcontent(%)10．019261．664510．097762．82021．301272．280520．447770．01730．114281．874531．102780．01541．088291．949540．906790．05150．234301．209550．718800．01660．551310．455560．905810．01370．865320．448570．631820．00780．773330．397581．538830．01890．237340．411590．899840．009100．793350．192600．047850．645111．185360．670612．662860．899121．194370．845620．818870．749130．948380．968630．377880．609140．406390．445641．849891．157150．589400．542651．220900．683160．680410．373660．100910．479170．352420．717670．482921．263180．844430．510681．467930．568190．642440．128691．620940．976201．629450．411701．194950．843211．336460．098711．048960．904221．812470．119721．781970．660232．193480．097731．610980．437241．230490．091743．675251．438500．053753．880注：樣本編號1～17為菜籽油；18～30為玉米油；31～42為葵花籽油；43～52為花生油；53～60為大豆油；61～68為山茶油；69～76為稻米油；77～84為橄欖油；85～98為調(diào)和油。校正集樣本編號為：2～10，12～15，17，18，20，22～28，30，31，33，36～40，42～48，50～53，55～58，60～64，68～70，74，75，77，79～86，88～92，94，96～98；預(yù)測集樣本編號為：1，11，16，19，21，29，32，34，35，41，49，54，59，65～67，71～73，76，78，87，93，95。Note：sample1-17arerapeseedoil；18-30arecornoil；31-42aresunflowerseedoil；43-52arepeanutoil；53-60aresoybeanoil；61-68arecamelliaoil；69-76arericeoil；77-84areoliveoil；85-98areblendingoil．Samplesnumberincalibrationset：2-10，12-15，17，18，20，22-28，30，31，33，36-40，42-48，50-53，55-58，60-64，68-70，74，75，77，79-86，88-92，94，96-98；samplesnumberinpredictionset：1，11，16，19，21，29，32，34，35，41，49，54，59，65-67，71-73，76，78，87，93，95．

圖3 食用植物油樣本的近紅外原始光譜Fig.3 Near infrared spectra of edible vegetable oil samples

由圖3可知，在整個波段范圍內(nèi)，有5處明顯的光譜吸收帶， 分別約為4000～4200 cm、 4500～ 4800 cm、 5400～6000 cm、 6900～7300 cm及8000～8800 cm波段。這些波段范圍可能包含較多的光譜信息，在后續(xù)波段初選時應(yīng)盡量保留。另外，相關(guān)研究指出，4263和4329 cm的吸收峰歸屬于二級倍頻合頻振動吸收峰，5663和5790 cm處的吸收峰為一級倍頻振動吸收峰，8260 cm處的吸收峰為二級倍頻振動吸收峰[14～16]。Azizian等[14]提出4547～4794 cm，5423～6013 cm和6974～7290 cm波段為TFA在近紅外譜區(qū)的特征波段。Kim等[15]指出5347～6097 cm和8000～8695 cm波段范圍為鍵的一級和二級倍頻吸收帶，4500～4901 cm波段為鍵的合頻吸收帶，4651 cm、 4566 cm和5959 cm波數(shù)附近為順式和反式鍵伸縮振動特征波段等。根據(jù)相關(guān)報道，以上所列吸收峰均與油脂相關(guān)，而脂肪酸是油脂的重要成分。因此，這些吸收峰可能與TFA也相關(guān)。根據(jù)上述分析，在后續(xù)波段初選中，選擇了6個波段范圍進行優(yōu)選。6個波段范圍分別為B1 (4000～4254 cm, 4385～10000 cm)、 B2 (4000～4254 cm, 4385～6250 cm)、 B3 (4138～4254 cm, 4385～4428 cm, 5508～5963 cm, 7795～8960 cm)、 B4 (4547～4794 cm, 5423～6013 cm, 6975～7290 cm)、 B5(4501～4902 cm, 5346～6098 cm, 7101～7301 cm, 8001～8695 cm)及B6 (4501～4700 cm, 5662～6001 cm, 8263～8279 cm)。為方便敘述，下文中各波段范圍均用B1～B6表示 。

3.3預(yù)測模型建立及優(yōu)化

3.3.1波段初選為初步獲取TFA較佳的建模波段范圍，采用PLS方法在不同波段范圍內(nèi)建立TFA含量的預(yù)測模型，其結(jié)果見表2。從表2可知，采用B5、B6波段建模時，所用的主成分數(shù)最少，校正集和交互驗證R2較高且接近，但預(yù)測集R2偏低且RMSEC值偏高。采用B1、B2波段建模時，所用的主成分數(shù)過多，可能存在過擬合，且交互驗證R2偏低以及RMSECV值偏高。對于B3、B4波段，其預(yù)測模型所用的主成分數(shù)接近，但B3波段的交互驗證和預(yù)測集R2值低于B4波段的預(yù)測模型結(jié)果，均方根誤差大于B4波段的預(yù)測模型結(jié)果; 此外，B4波段所建立的預(yù)測模型的校正集、交互驗證和預(yù)測集結(jié)果更為接近，模型精度以及穩(wěn)定性好。綜上分析，B4波段為較佳的建模波段，其所建立的預(yù)測模型性能較優(yōu)，后續(xù)的模型均在此基礎(chǔ)上建立。

表2 不同波數(shù)范圍下TFA的PLS建模結(jié)果

Table 2 Partial least square (PLS) modeling results of TFA with different wave number ranges

波數(shù)選擇Wavenumberselection(cm-1)主成分數(shù)Principalcomponentsnumber校正集CalibrationsetR2RMSEC(%)R2RMSECV(%)預(yù)測集PredictionsetR2RMSEP(%)B1：4000～4254，4385～10000170．9810．1080．8270．3320．9040．230B2：4000～4254，4385～6250180．9830．1000．8410．3150．9180．224B3：4138～4254，4385～4428，5508～5963，7795～8960130．9650．1150．8700．2850．8930．254B4：4547～4794，5423～6013，6975～7290130．9740．1240．9090．2330．9190．220B5：4501～4902，5346～6098，7101～7301，8001～8695110．9670．1420．9090．2450．8960．252B6：4501～4700，5662～6001，8263～8279110．9640．1460．9090．2380．9150．224R2：Coefficientofdetermination；RMSEC：rootmeansquareerrorofcalibration；RMSECV：rootmeansquareerrorofcrossvalidation；RMSEP：rootmeansquareerrorofprediction．

3.3.2預(yù)處理方法在B4波段范圍，分別采用多元散射校正 (Multiplicative scatter correction, MSC)、標準正態(tài)變量變換 (Standard normal variable transformation, SNV)、歸一化函數(shù) (Normalization)和基線校正 (Baseline correction)方法進行光譜預(yù)處理，再應(yīng)用PLS方法建立食用植物油中TFA含量的預(yù)測模型，其結(jié)果見表3。由表3可知，經(jīng)光譜預(yù)處理后，預(yù)測模型所用的主成分數(shù)較原始光譜預(yù)測模型均有降低，說明預(yù)測模型穩(wěn)定性得到了提高。相比于其它3種預(yù)處理方法，經(jīng)MSC預(yù)處理后建立的預(yù)測模型的校正集和預(yù)測集R2均較高，且均方根誤差最小，優(yōu)于其它預(yù)處理方法。究其原因，可能是MSC方法能夠有效消除散射影響，增強了與TFA成分相關(guān)的光譜信息。此外，與原始光譜的預(yù)測模型相比，MSC預(yù)處理后建立的預(yù)測模型的R2和均方根誤差均較為接近，但其所用的主成分數(shù)少，預(yù)測模型穩(wěn)定性好。綜合考慮，選擇MSC方法為最佳預(yù)處理方法。

表3 不同預(yù)處理方法下TFA的PLS模型結(jié)果

Table 3 PLS model results of TFA with different pretreatment methods

預(yù)處理方法Pretreatmentmethod主成分數(shù)Principalcomponentsnumber校正集CalibrationsetR2RMSEC(%)R2RMSECV(%)預(yù)測集PredictionsetR2RMSEP(%)MSC120．9730．1260．9310．2050．9240．194SNV100．9720．1280．9220．2210．9250．209Normalization110．9590．1570．9330．2040．9050．218Baselinecorrection110．9660．1420．9070．2390．8850．239MSC：Multiplicativescattercorrection；SNV：Standardnormalvariabletransformation．

3.3.3CARS變量篩選為進一步優(yōu)化預(yù)測模型，增加預(yù)測模型的穩(wěn)定性，采用CARS方法對MSC預(yù)處理后的B4波段光譜數(shù)據(jù)進行變量篩選。圖4為食用植物油中TFA含量的CARS變量篩選過程。由圖4(A)可知，隨著MC采樣次數(shù)的增加，選擇的變量數(shù)先以指數(shù)函數(shù)的速率減少， 而后變量減少速率逐漸減慢，體現(xiàn)了變量粗選和精選兩個過程。圖4B為CARS變量篩選過程中RMSECV的變化曲線。由圖4(B)可知，隨著MC采樣次數(shù)的增加，RMSECV值逐漸減小，表明正在剔除與TFA無關(guān)或者共線的變量; 當MC采樣次數(shù)達到28次 (圖4C中星號垂線位置)時，RMSECV值最小; 而后，RMSECV值逐漸增大，說明此時有與TFA含量相關(guān)的變量被剔除; 而當MC采樣次數(shù)為30次時，RMSECV值大幅升高，說明此時有與TFA相關(guān)的重要變量被剔除，使模型性能大幅降低。圖4C為CARS變量篩選過程中各變量回歸系數(shù)路徑的變化趨勢，“*”所標注位置為28次MC采樣，此時RMSECV值最小。根據(jù)RMSECV最小原則，此次采樣所獲得的變量組合即為CARS變量選擇的最優(yōu)結(jié)果。最終，共選擇26個與食用植物油中TFA含量相關(guān)的特征波數(shù)變量。圖5為CARS方法優(yōu)選出的26個波數(shù)變量的分布情況。

圖4 CARS變量篩選過程: (A)波數(shù)變量數(shù)的變化; (B) 均方根誤差的變化; (C) 變量回歸系數(shù)趨勢圖Fig.4 Process of competitive adaptive reweighted sampling (CARS) variable selection: (A) variation of wave number number; (B) variation of RMSECV; (C) trend of varible regression coefficients

圖5 CARS優(yōu)選變量分布圖Fig.5 Distribution of selected CARS variables

3.4預(yù)測模型的比較與選擇

對于37個特征變量，應(yīng)用PCR、PLS和LS-SVM方法分別建立食用植物油中TFA含量的預(yù)測模型，其結(jié)果見表4。由表4可知，與PCR預(yù)測模型相比，PLS預(yù)測模型的R2更高且RMSEC及RMSEP更低，其預(yù)測模型性能優(yōu)于PCR預(yù)測模型。對于LS-SVM預(yù)測模型，其預(yù)測模型的RMSEC低于PLS預(yù)測模型，但RMSEP高于PLS預(yù)測模型，RMSEC與RMSEP相差較大，預(yù)測模型可能存在過擬合; 而PLS預(yù)測模型的RMSEC與RMSEP較為接近，預(yù)測模型性能穩(wěn)定。綜合考慮，PLS為最佳建模方法。

表4 PCR、PLS和LS-SVM方法建立的TFA預(yù)測模型結(jié)果

Table 4 TFA prediction model results with PCR, PLS, and LS-SVM methods

建模方法Modelingmethod主成分數(shù)Principalcomponentsnumber校正集CalibrationsetR2RMSEC(%)預(yù)測集PredictionsetR2RMSEC(%)PCR180．9840．0980．9620．137PLS130．9920．0710．9890．075LS?SVM-0．9960．0480．9770．110PCR：principalcomponentregression；LS?SVM：leastsquaresupportvectormachine．

圖6 最優(yōu)預(yù)測模型對預(yù)測集樣本的預(yù)測結(jié)果Fig.6 Prediction results of optimal set of prediction models

經(jīng)上述優(yōu)化后，最優(yōu)預(yù)測模型的預(yù)測集R2和RMSEP分別為0.989和0.075%。與未優(yōu)化的全波段 (B1)PLS預(yù)測模型相比，其預(yù)測集R2由0.904上升為0.989，RMSEP由0.230%下降為0.075%。全波段 (B1)共有3045個變量，而最優(yōu)預(yù)測模型所用的變量數(shù)為26個，僅為全波段的0.854%。此外，與文獻[13，14]的結(jié)果相比， 本研究的決定系數(shù)及均方根誤差均有較大的改善。由此可知，模型優(yōu)化非常必要，能簡化預(yù)測模型，并較大程度提高預(yù)測模型的精度和穩(wěn)定性。圖6為最優(yōu)預(yù)測模型對預(yù)測集樣本的預(yù)測結(jié)果。圖6中，直線為TFA真實值和預(yù)測值的線性擬合結(jié)果，兩條虛線為其95%置信區(qū)間的擬合結(jié)果， 對于預(yù)測集樣品，選取編號為41、71和76 3個具有代表性的樣本，其預(yù)測值分別為0.366%、1.064%和2.744%，絕對誤差分別為-0.007%、0.016%和0.076%。

4 結(jié) 論

本研究利用近紅外光譜技術(shù)對食用植物油中TFA含量進行快速定量檢測，并通過波段選擇、光譜預(yù)處理、變量選擇及建模方法對預(yù)測模型進行優(yōu)化。結(jié)果表明，近紅外光譜技術(shù)可以用于食用植物油中TFA含量的快速定量檢測，其最優(yōu)預(yù)測模型的校正集和預(yù)測集R2分別為0.992和0.989，RMSEC和RMSEP分別為0.071%和0.075%。與全波段 (B1)PLS預(yù)測模型相比，最優(yōu)預(yù)測模型的預(yù)測集R2由0.904上升為0.989，RMSEP由0.230%下降為0.075%。此外，最優(yōu)預(yù)測模型所用的變量數(shù)僅為26個，為全波段的0.854%。由此表明，模型優(yōu)化非常必要，能簡化預(yù)測模型，并較大提高預(yù)測模型的精度和穩(wěn)定性。本研究為食用植物油中TFA含量的快速無損定量檢測提供了參考。

1 CHEN Yi, ZHANG Qing-Ling, LIN Cong, HUANG Jian-Li.Cereal&FoodIndustry,2009, 16(5): 25-28

陳 宜, 張青齡, 林 叢, 黃建立. 糧食與食品工業(yè),2009, 16(5): 25-28

2 National Food Safety Standard, General Rules for Nutrition Labeling of Prepackaged Foods. National Standards of the People's Republic of China. GB 28050-2011

食品安全國家標準，預(yù)包裝食品營養(yǎng)標簽通則. 中華人民共和國國家標準. GB 28050-2011

3 XU Xiao-Yan, LAN Guo-Dong.GuangdongAgriculturalScience,2010, 37(6): 153-154

徐小艷, 藍國東. 廣東農(nóng)業(yè)科學,2010, 37(6): 153-154

4 SONG Zhi-Hua, SHAN Liang, WANG Xin-Guo.ChinaOilsandFats,2006, 31(12): 37-40

宋志華, 單 良, 王興國. 中國油脂,2006, 31(12): 37-40

5 YU Xiu-Zhu, DU Shuang-Kui, YUE Tian-Li, WANG Qing-Lin.TransactionsoftheChineseSocietyforAgriculturalMachinery,2009, 40 (1): 114-119

于修燭, 杜雙奎, 岳田利, 王青林. 農(nóng)業(yè)機械學報,2009, 40(1): 114-119

6 HE Wen-Xun, HONG Gui-Shui, FANG Run, CAI Xian-Chun, HUANG-Sheng.SpectroscopyandSpectralAnalysis,2015, 35(1): 76-82

何文絢, 洪貴水, 方 潤, 蔡仙春, 黃 聲. 光譜學院光譜分析,2015, 35(1): 76-82

7 TAO Jian, JIANG Wei-Li, DING Tai-Chun, FENG Bo, JIN Li-Xin, CHENG Hai-Fang.JournalofChineseInstituteofFoodScienceandTechnology,2011, 11(8): 154-158

陶 健, 蔣煒麗, 丁太春, 馮 波, 靳立新, 程海芳. 中國食品學報,2011, 11(8): 154-158

8 ZOU Qing-Qing, TAN Hua-Rong, LU Ning.PackagingandFoodMachinery,2016, 34(2): 57-60, 51

鄒晴晴, 檀華蓉, 陸 寧. 包裝與食品機械,2016, 34(2): 57-60, 51

9 ZHAO Lei, CHANG Hui, HU Jin-Shan, LI Hong-Xia.AcademicPeriodicalofFarmProductsProcessing,2014, 18(9): 66-68

趙 雷, 常 輝, 胡金山, 李紅霞. 農(nóng)產(chǎn)品加工(學刊),2014, 18(9): 66-68

10 WU Jing-Zhu, XU Yun.TransactionsoftheChineseSocietyforAgriculturalMachinery,2011, 42(10): 162-166

吳靜珠, 徐 云. 農(nóng)業(yè)機械學報,2011, 42(10): 162-166

12 SUN Tong, WU Yi-Qing, LI Xiao-Zhen, XU Peng, LIU Mu-Hua.ActaOpticaSinica,2015, 35(6): 350-357

孫 通, 吳宜青, 李曉珍, 許 朋, 劉木華. 光學學報,2015, 35(6): 350-357

12 LIU Cui-Ling, WEI Li-Na, ZHAO Wei, SUN Xiao-Rong.ChinaBrewing,2014, 33(11): 149-151

劉翠玲, 位麗娜, 趙 薇, 孫曉榮. 中國釀造,2014, 33(11): 149-151

13 Li H, Voort F R V D, Ismail A A, Sedman J, Cox R.J.Am.OilChem.Soc.,2000, 77(10): 1061-1067

14 Azizian H, Kramer J K.Lipids,2005, 40 (8): 855-867

15 Kim Y K, Kays S E.J.Agr.Food.Chem.,2009, 57(18): 8187-8193

16 AN Xue-Song, SONG Chun-Feng, YUAN Hong-Fu, XIE Jin-Chun, LI Xiao-Yu.SpectroscopyandSpectralAnalysis,2013, 33(11): 3019-3023

安雪松, 宋春風, 袁洪福, 謝錦春, 李效玉. 光譜學與光譜分析,2013, 33(11): 3019-3023

17 Li H, Liang Y, Xu Q, Cao D.Anal.Chim.Acta,2009, 648(1): 77

18 ZHANG Xiao-Yu, LI Qing-Bo, ZHANG Guang-Jun.SpectroscopyandSpectralAnalysis,2014, 34(5): 1429-1433

張曉羽, 李慶波, 張廣軍. 光譜學院光譜分析,2014, 34(5): 1429-1433

19 Li H, Sedman J, Ismail A A.J.Am.OilChem.Soc.,1999, 76(4): 491-497

This work was supported by the National Natural Science Foundation of China (No.31401278) and the Natural Science Foundation of Jiangxi Province, China (No.20151BAB204025)

RapidQuantitativeDetectionandModelOptimizationofTrans
FattyAcidsinEdibleVegetableOilsbyNearInfraredSpectroscopy

MO Xin-Xin1, SUN Tong*1, LIU Mu-Hua1, YE Zhen-Nan2
1(KeyLaboratoryofJiangxiUniversityforOptics-ElectronicsApplicationofBiomaterials,
Collegeofengineering,JiangxiAgriculturalUniversity,Nanchang330045,China)
2(ComprehensiveTechnologyCenter,JiangxiEntry-ExitInspectionandQuarantineBureau,Nanchang330038,China)

Near infrared spectroscopy (NIR) was used to detect trans fatty acids (TFA) in edible vegetable oils quantitatively. And prediction model of TFA was optimized through band selection, pretreatment method, variable selection and modeling method. NIR spectra of 98 edible vegetable oil samples were collected in spectral range of 4000-10000 cmusing an Antaris II Fourier transform near infrared spectrometer, and the true content of TFA was measured by gas chromatography. First, optimization of waveband and pretreatment method was conducted on original spectra. On this basis, competitive adaptive reweighted sampling (CARS) was used to select important variables that related to TFA. Finally, the prediction models of TFA content in edible vegetable oils were established using principal component regression (PCR), partial least square (PLS) and least square support vector machine (LS-SVM). The results indicated that NIR spectroscopy was feasible for detecting TFA content in edible vegetable oils,R2of the best prediction model after optimized in calibration and prediction sets were 0.992 and 0.989, and root mean square error of calibration (RMSEC) and root mean square error of prediction (RMSEP) were 0.071% and 0.075%, respectively. Only 26 variables were used in the best prediction model, accounting for 0.854% of the whole waveband variables. In addition, compared with the full waveband PLS prediction model, theR2in prediction set increased from 0.904 to 0.989, and RMSEP decreased from 0.230% to 0.075%. It shows that model optimization is very necessary, CARS method can select important variables related to TFA effectively and immensely reduce the number of modeling variables, so it can simplify the prediction model, and greatly improve the accuracy and stability of prediction model.

Edible vegetable oils; Near infrared spectroscopy; Model optimization; Competitive adaptive reweighted sampling variable selection; Quantitative detection

25 May 2017；accepted 15 August 2017)

10.11895/j.issn.0253-3820.170329