紫外光譜結合化學計量學檢測初榨橄欖油摻偽研究

鐘 誠 薛雅琳 王興國 金青哲 張東生 張 東

(江南大學食品學院1，無錫 214122)

(國家糧食局科學研究院2，北京 100037)

初榨橄欖油是從新鮮油橄欖果實中冷榨提取的一種高檔食用植物油，是世界上唯一以自然形態供人類食用的木本植物油。橄欖油富含不飽和脂肪酸(油酸占55% ～83%)、角鯊烯、多酚以及維生素，具有抗氧化、調節膽固醇、預防癌癥、美容的功效和調整人體生理機能的作用，享有“植物油皇后”、“液體黃金”等眾多美譽［1］。由于加工方式特殊，品質指標要求嚴格，國際橄欖油理事會根據酸度并結合其他理化指標規定了橄欖油質量等級，具體如表1所示。其中精煉橄欖油主要原料來源有3種:不能直接食用的初榨油橄欖燈油，粗提油橄欖果渣油以及因不良外界條件導致氧化變質的初榨橄欖油。精煉工藝雖然提高了油的穩定性和安全性，但破壞了油中的大部分生物活性成分，使得油的營養價值大幅降低，油的價格也相對低廉。精煉橄欖油只能作為工業原料，國際橄欖油貿易中流通的是純橄欖油(混合橄欖油)，即在精煉橄欖油中加入3% ～10%的初榨橄欖油，通常是按照90—10的“里維拉混合法”調制，這種油色澤淺黃，口味清淡，營養價值較低。

目前中國的橄欖油98%依靠國外進口，據海關總署數據顯示，2011年我國橄欖油進口總量為3.3萬t，同比增長55%。從進口橄欖油的比例來看，初榨橄欖油只占進口總量的35%，精煉油能占到46%，而果渣油則占到20%，但是目前中國市面上銷售橄欖油幾乎清一色的是等級最高的特級初榨橄欖油，精煉油、果渣油的流向問題值得關注和監控。隨著大眾營養健康意識的增強和橄欖油需求量的增加，橄欖油摻偽技術的研究具有一定現實意義和實用性，有利于提高進口橄欖油品質，規范國內橄欖油市場秩序，保障國內消費者合法權益。本研究根據初榨橄欖油和精煉油的不同紫外吸收特性，采用紫外光譜結合化學計量學中的偏最小二乘(Partial Least Squares，PLS)和BP人工神經網絡(Back Propagation Artificial Neural Networks，BP－ANNs)2種手段，建立初榨橄欖油摻偽檢測模型，利用模型對摻偽初榨橄欖油進行定量分析預測，以期為初榨橄欖油摻偽的快速檢測提供參考。

表1 橄欖油分類標準

1 材料與方法

1.1 原料與儀器

特級初榨橄欖油(EVOO)和混合橄欖油(BVO)各20個已確認合格的樣品，由國家糧食局科學研究院糧油質量檢驗測試中心提供;石油醚(分析純):北京化工廠;Lambda 45紫外－可見分光光度計:Derkin Elmer公司;AB304－S型電子天平:梅特勒－托利多(瑞士)公司。

1.2 試驗方法

1.2.1 初榨橄欖油摻偽樣品配制

根據預試驗結果，從各自的20個樣品中選擇有代表性的5個特級初榨橄欖油、4個混合橄欖油作為原料用油，則共有5×4=20個組合，每個組合均配制5%、10%、20%、30%、40%、50%共 6個摻偽比例，則得到5×4×6=120個摻偽樣品，每個摻偽比例都有20個樣，加上20個純特級初榨橄欖油樣，本試驗共有140個樣品。具體配制方法:準確稱取特級初榨橄欖油和混合橄欖油各3.000 g，用石油醚定容至50 mL，配成質量濃度為60 mg/mL的標準溶液。分別取 0.25、0.5、1.0、1.5、2.0、2.5 mL 混合橄欖油標準溶液置于10 mL容量瓶中，再對應加入4.75、4.5、4.0、3.5、3.0、2.5 mL 特級初榨橄欖油標準溶液，最后定容至10 mL，則得到6個摻偽比例的30 mg/mL的油樣，純特級初榨橄欖油直接配制30 mg/mL的油樣。

1.2.2 紫外光譜采集條件

由于紫外分光光度計250 nm之前的波段噪音很大，基線不穩定，故掃描和分析波長定為250～350 nm，掃描速度 240 nm/min，采樣間隔 0.1 nm，狹縫寬2 nm，以石油醚為參比。

1.2.3 數據處理方法

采用 SIMCA －P 12.0(Umetrics，Umea，Sweden)、Matlab 7.0軟件進行光譜預處理和建立偏最小二乘和BP人工神經網絡模型。

2 結果與分析

2.1 紫外光譜特性分析

分別研究相同濃度的特級初榨橄欖油、混合橄欖油及摻偽樣品的紫外全掃光譜，如圖1所示。從圖1可以觀察到特級初榨橄欖油在250～350 nm無特征吸收峰，而混合橄欖油在268～278 nm處有顯著的吸收峰，這主要是由于混合橄欖油含有大量精煉油，油脂精煉過程中(特別是堿煉環節)形成具有順反異構的共軛脂肪酸［2－3］，而混合橄欖油吸收曲線的高低正是精煉油精煉程度和調配比例的反映。摻有混合橄欖油的特級初榨橄欖油在268～278 nm也出現了微弱的吸收峰，整體上看摻偽特級初榨橄欖油在各點處的吸光度基本上都有所增加，故從紫外圖譜可以定性區分出摻偽油樣，但若摻偽量很小時仍需結合統計分析手段才能識別和定量預測。

圖1 橄欖油紫外光譜圖

2.2 光譜預處理

由于紫外圖譜上的原始信息包含大量噪聲及冗余信息，使得不同摻偽比例的樣品有可能出現重疊，故在建立摻偽定量模型前有必要進行光譜預處理［3］。常見的光譜預處理技術有Savitzky－Golav卷積平滑處理、導數基線校正［5］、標準正態變量變換［6］(standard－nomal variate transformation，SNV)、多元散射校正(multiplicative scatter correction，MSC)、正交信號校正［7］(orthogonal signal correction，OSC)、小波變換(wavelet transform，WT)等。經多次嘗試，結合140×101維(140為樣本個數，101為250～350 nm每隔1 nm選作波長變量)的光譜數據矩陣運用OPLS－DA(正交偏最小二乘判別分析)進行樣本總體分類的效果，最終確定采用一階導數+SNV+OSC光譜預處理方法，光譜預處理前后的分類效果如圖2、圖3所示。可見原始光譜經預處理后樣本總體按摻偽比例基本分成7類，其中摻偽5%的數據點與純特級初榨橄欖油和摻偽10%的數據點分布較為接近。

2.3 偏最小二乘(PLS)建立初榨橄欖油摻偽定量預測模型

2.3.1 建模所用樣本的確定

建立模型之前需要排除樣本總體的特異點，這些點往往遠離數據重心和結聚范圍，是個不穩定的因素，如果去掉這一類特異點，往往會使數據分析的準確性有很大的改善［8］。從樣本總體 PLS得分圖(圖4)可以看到32、112、132號樣品位于95%的置信橢圓外部，為特異點，建模前因排除這3個點。故最終確定建模樣本數據矩陣為137×101維，在137個樣品選擇隨機選擇116個作為訓練集，另外21個(包括純特級初榨橄欖油，保證每個摻偽比例有3個樣，共3×7=21個)作為驗證集。

2.3.2 最佳主因子數的確定

主因子數使用過多或過少，會出現“過擬合”或者“欠擬合”現象，使模型的預測能力下降，故需要確定最佳主因子數［9］。在確保主因子提取足夠原始變量信息的基礎上，采用交叉驗證均方根誤差RMSEcv和預測集均方根誤差RMSEP來確定最佳主因子數，其值越小，模型的擬合效果和預測能力越好。RMSEcv和RMSEP隨主因子數的變化規律如圖5所示。從圖5可知，當主因子數為6時，RMSEcv、RMSEP值分別為0.010 901 8、0.010 827 5，均達到最小值，故最佳主因子數為6個，此時主因子累積貢獻率達到97.72%。

2.3.3 PLS模型對初榨橄欖油摻偽預測能力的驗證

利用驗證集的21個樣品來檢驗PLS模型的預測能力，樣品摻偽比例的真實值和模型預測值及兩者的相關性如圖6所示。從圖6可知，模型預測能力良好，摻偽比例真實值和模型預測值相關系數達到0.996 2。

圖4 紫外光譜樣本總體PLS得分圖

2.4 BP人工神經網絡(BP－ANNs)建立初榨橄欖油摻偽定量預測模型

2.4.1 BP 神經網絡結構優化

本試驗建立的神經網絡為誤差反向傳播算法，也稱為 BP(Back－Propagation Network)算法［10］。訓練集和驗證集的設置與PLS模型相同，在利用人工神經網絡進行建模之前，首先采用主成分分析對紫外光譜數據進行壓縮和降維［11］，本試驗共提取前6個主成分，累積貢獻率達到98.07%，得到的主成分作為BP神經網絡輸入值。通過調整隱含層節點數來優化網絡結構，經反復試驗確定最佳網絡結構輸入層(6)－隱含層(11)－輸出層(1)，各層間傳遞函數為tansig，學習速率為0.03，最大迭代步數10 000，訓練精度為0.000 1。迭代過程訓練誤差如圖7所示，由圖7可知當迭代到61步時，網絡對訓練集116個樣本擬合殘差為9.683 85×10－5，誤差達到設置精度，收斂速度較快。

圖7 BP神經網絡訓練誤差圖

2.4.2 BP人工神經網絡模型對初榨橄欖油摻偽預測能力的驗證

利用驗證集的21個樣品來檢驗BP人工神經網絡的預測能力，樣品摻偽比例的真實值、BP人工神經網絡預測值和相對標準偏差如表2所示。由表2可知該模型預測能力優良，真實值與BP人工神經網絡預測值的相關性較高，相關系數可達到0.998 3。但也發現當摻偽比例低至5%時，BP神經網絡的預測能力不足，隨著摻偽比例的升高，模型預測能力顯著提高。

表2 BP人工神經網絡模型預測值及相對標準偏差

3 結論

本試驗以紫外光譜技術結合化學計量學為基礎，建立了2種初榨橄欖油摻偽定量預測模型，分別為偏最小二乘(PLS)和BP人工神經網絡定量模型。結果表明，2種模型定量預測性能良好，PLS模型交叉驗證均方根誤差RMSEcv和預測集均方根誤差RMSEP 分別達到 0.010 901 8、0.010 827 5，預測值與真實值相關性達到0.996 2;BP人工神經網絡迭代次數為61步，訓練集擬合擬合殘差為9.684×10－5，網絡預測值和真實值相關系數為0.998 3，對于5%以上摻偽比例的油樣預測精確，且與PLS模型相比，BP人工神經網絡工作過程簡便，能夠借助計算機快速地進行自動化運算，在實際應用上具有一定優勢。研究結果也表明基于PLS和BP人工神經網絡的紫外光譜技術能夠方便、快速、準確地鑒別摻雜有混合橄欖油初榨橄欖油，為橄欖油品質控制和快速摻偽檢測提供有力參考，具有一定應用價值和發展前景。

［1］鐘昌勇.橄欖油化學組成及應用綜述［J］.林產化工通訊，2005，39(6):34 －38

［2］湯逢編著.油脂化學［M］.南昌:江西科學技術出版社，1985:22－23

［3］龍伶俐，薛雅琳，張蕊，等.利用紫外吸收光譜研究植物油精煉程度［J］.農業機械，2012(16):61－63

［4］Chu Xiaoli，Yuan Hongfu，Lu Wanzhen.Progress and application of spectral data pretreatment and wavelength selection methods in nir analytical technique［J］.Prog Chem，2004，16(4):528－542

［5］Dou Ying，Zou Tingting，Liu Tong，et al.Calibration in non －linear NIR spectroscopy using principal component artificial neural networks［J］.Spectrochimica Acta Part A:Molecular and Biomolecular Spectroscopy，2007，68(5):1201 －1206

［6］黃承偉，戴連奎，董學鋒.結合SNV的分段直接標準化方法在拉曼光譜模型傳遞中的應用［J］.光譜學與光譜分析，2011，31(5):1279 －1282

［7］趙杰文，郭志明，陳全勝.基于OSC/PLS的茶葉中EGCG含量的近紅外光譜法測定［J］.食品與生物技術學報.2008(4):12－15

［8］王惠文.偏最小二乘回歸方法及其應用［M］.北京:國防工業出版社，2006:65－67

［9］原姣姣，王成章，陳虹霞.近紅外透射光譜分析油茶籽油摻入豆油的研究［J］.中國糧油學報，2012，27(3):110－114

［10］Singh V，Khan M，Khan S，et al.Optimization of actinomycin V production by Streptomyces triostinicus using artificial neural network and genetic algorithm［J］.Applied Microbiology and Biotechnology，2009，82(2):379 －385

［11］歐文娟，孟耀勇，張小燕，等.紫外可見吸收光譜結合主成分－反向傳播人工神經網絡鑒別真假蜂蜜［J］.分析化學研究簡報，2011，39(7):1104 －1108.