基于傅里葉變換中紅外光譜識別正常食用植物油和精煉潲水油模型分析

李 紅，趙 博，冉曉鴻，屠大偉,*，陳世奇

（1.重慶市計量質(zhì)量檢測研究院，重慶市食品安全工程技術中心，國家農(nóng)副加工產(chǎn)品及調(diào)味品質(zhì)量監(jiān)督檢驗中心，重慶 401123；2.重慶市食品藥品檢驗所，重慶 401121）

基于傅里葉變換中紅外光譜識別正常食用植物油和精煉潲水油模型分析

李 紅1,2，趙 博1,2，冉曉鴻1，屠大偉1,2,*，陳世奇1,2

（1.重慶市計量質(zhì)量檢測研究院，重慶市食品安全工程技術中心，國家農(nóng)副加工產(chǎn)品及調(diào)味品質(zhì)量監(jiān)督檢驗中心，重慶 401123；2.重慶市食品藥品檢驗所，重慶 401121）

潲水油回流餐桌等食品安全問題越來越受到社會關注，探尋準確、快速、高效的潲水油鑒別新方法成為食用油安全性檢測的新要求。用傅里葉變換中紅外光譜技術（Fourier transform mid-infrared spectroscopy，F(xiàn)T-MIR）對精煉潲水油（refining hogwash oils，RHOs）和4 種不同正常食用植物油（菜籽油、大豆油、花生油和玉米油）進行快速檢測，結(jié)合偏最小二乘判別法（PLS-DA）建立了RHOs和4 種不同正常食用植物油的判別模型。結(jié)果表明，在全光譜范圍（4 000～450 cm–1）內(nèi)，經(jīng)二階求導（Savitzky-Golay，5 點）后，RHOs和4種不同正常食用植物油FT-MIR有顯著差異。PLS-DA模型對22個未知樣品預測發(fā)現(xiàn)，判別模型的整體正確判別率均為100%。此結(jié)果表明FT-MIR結(jié)合化學計量學方法可以作為RHOs和4種不同正常食用植物油（菜籽油、大豆油、花生油和玉米油）區(qū)分的一種有效技術手段。

精煉潲水油；正常食用植物油；傅里葉變換中紅外光譜；偏最小二乘判別法；模型

潲水油是指以餐廳、居民生活、下水道以及其他人們?nèi)粘Ｉ钪械氖澄餁堅鼮樵希?jīng)過過濾、煎煮及其他工序等加工提煉而成的非食用混合油脂[1-2]。因為廢棄油脂制備簡單、成本低廉，一些不法分子為了謀取暴利，暗中將其直接作為食用油或者將其添加到其他食用植物油中銷售和使用，給廣大人民的生命健康帶來巨大的安全隱患[3]。目前，潲水油的鑒別方法主要是利用儀器分析手段獲得潲水油的指紋圖譜，但受到儀器操作復雜，價格不菲等缺點及限制[4-10]。因此，正常食用油脂交易市場迫切需要一種快速、準確并且經(jīng)濟的真假鑒別技術。

傅里葉變換中紅外光譜（Fourier transform midinfrared spectroscopy，F(xiàn)T-MIR）法能夠有效地避免樣品因預處理所造成的微量（或次要）組分的損失，保證了最大限度地保留不同相似來源樣品之間的微小差異，具有簡單、快速、精確和專屬性指紋特性等優(yōu)點，已結(jié)合化學計量學方法應用于食品摻偽的鑒定[11-16]。偏最小二乘判別法（partial least squares-discriminatory analysis，PLSDA）是偏最小二乘法（PLS）的一種變體，它是通過創(chuàng)造“虛擬變量”來建立模型，利用PLS法建立“虛擬變量（y）”與“光譜變量（x）”的回歸預測模型，然后通過比較“虛擬變量”預測值大小確定樣品的類別[17-18]。目前，化學計量方法結(jié)合紅外光譜技術已廣泛應用于食用油的摻假鑒別研究，如橄欖油和椰子油等摻假鑒別[19-21]和摻假食用植物油中煎炸油的分析[22]。通過實驗研究，建立了基于FT-MIR的精煉潲水油（refining hogwash oils，RHOs）與4 種不同正常食用植物油（菜籽油、大豆油、花生油和玉米油）PLS-DA判別分析模型，為FT-MIR分析技術應用于潲水油和食用油的快速檢測提供可靠的理論依據(jù)，也為潲水油監(jiān)管體系提供重要的技術支持。

1 材料與方法

1.1 材料與試劑

潲水油樣品收集于潲水油回收精煉廠（重慶市某油脂有限公司、重慶市某生物液體燃料有限公司，以及通過實驗室參考潲水油提煉過程制取）；正常食用植物油（菜籽油、大豆油、花生油和玉米油）均購買于國內(nèi)各大超市及農(nóng)貿(mào)市場；溴化鉀 成都市科龍化工試劑廠。

1.2 儀器與設備

Spectrum GX 傅里葉變換紅外光譜儀 Perkin Elmer公司；ALPAAI-4LSC中紅外DTGS檢測器 美國Christ公司。

1.3 方法

1.3.1 樣品制備和處理

潲水油樣品均經(jīng)過精煉處理，具體方法參考潲水油精煉方法[23]，精煉潲水油樣品的判定依據(jù)參考方法[24]。試驗共取樣品51 個，29 個（RHOs 7 種、菜籽油7 種、大豆油5 種、花生油5 種、玉米油5 種）用于PLS-DA模型的建立（編號如下：1～7. RHOs；8～14. 菜籽油；15～19.大豆油；20～24. 花生油；25～29. 玉米油。），其余22 個盲樣（RHOs 6 種、菜籽油4 種、大豆油4 種、花生油4 種、玉米油4 種）用于預測。

1.3.2 FT-MIR掃描條件

FT-MIR采用溴化鉀壓片法。準確取0.3 g溴化鉀（色譜純）進行壓片，壓力為27 MPa，壓片時間為4～5 min。涂抹一薄層油樣（2 μL）于光滑的溴化鉀片上，使用溴化鉀片作為空白。使用DTGS檢測器，光譜分辨率4 cm–1，掃描范圍4 000～450 cm–1，掃描次數(shù)16次，掃描時即時去除水分和CO2的背景干擾。掃描前，預熱儀器1 h后使用。掃描過程中保持室溫25 ℃，并嚴格控制室內(nèi)濕度，保持環(huán)境的一致性。采用FT-MIR自帶的操作軟件采集及處理紅外圖譜[19]。

1.3.3 數(shù)據(jù)分析

采用Unscramber 7.8統(tǒng)計分析軟件進行紅外數(shù)據(jù)分析，建立PLS-DA分析模型。將5 種類別的油樣，分別賦予值0（RHOs）、1（菜籽油）、2（大豆油）、3（花生油）、4（玉米油），作為光譜數(shù)據(jù)的參考值，以相關系數(shù)（r2）和均方差為評價指標，采用留一法交叉驗證確定建模最佳主成分數(shù)[17]。一般r2值越大，均方差值越小，模型精度越高。如果預測值在賦予值（0、1、2、3和4）±0.5范圍內(nèi)，則判斷其預測準確。聚類分析參數(shù)：采用歐氏距離、凝聚狀態(tài)方法為Ward’s離差平方和法[17]。

2 結(jié)果與分析

2.1 正常食用植物油和精煉潲水油的FT-MIR

為了去除高頻隨機噪音、基線漂移和樣品不均勻等影響，采用紅外光譜儀自帶的Spectrum 3.0操作軟件對紅外圖譜進行必要的預處理（圖1）。經(jīng)過前期預實驗研究發(fā)現(xiàn)，初始全光譜波段數(shù)據(jù)經(jīng)二階求導（Savitzky-Golay，5 點）卷積平滑處理，不但可以有效消除噪音信號和散射等干擾因素的影響，增強與評價指標相關的光譜吸收信息[17,25-26]，而且經(jīng)二階求導卷積平滑處理后，可以提高判別分析模型的相關系數(shù)。

圖1 經(jīng)過Savitzky-Golay處理的29個校正集樣品的FT-MIR光譜圖Fig.1 FT-MIR spectra of 29 samples pretreated by Savitzky-Golay smoothing

2.2 PLS-DA校正模型的建立

根據(jù)試驗建立的PLS-DA校正模型，計算29 個樣品的主成分值（principal components，PCs），分別以PC1為X軸、PC2為Y軸，將29 個樣品點分別標入坐標系中，即得到PCs得分的二維圖（圖2）。由圖2可見 （圖中數(shù)字1～29分別代表正常食用植物油和精煉潲水油樣品），每個點都是由原多維空間的樣品點降維映射而來，反映了29 個樣品的分類情況。其中精煉潲水油樣品（1～7）集中在左方中間一個區(qū)域，菜籽油樣品（8～14）集中在下方一個區(qū)域，大豆油樣品（15～19）集中在右中一個區(qū)域，花生油樣品（20～24）集中在上方一個區(qū)域，玉米油樣品（25～29）集中在右上方一個區(qū)域。

圖2 29個建模樣品的PC1/PC2 得分散點圖Fig.2 PC1/PC2 score plots of 29 samples

圖3 不同正常食用植物油和精煉潲水油的聚類分析Fig.3 Dendrogram of cluster analysis of different edible vegetable oils and RHOs

在此基礎上，采用聚類分析的辦法，將樣本劃為不同類群進行相似性評價，聚類結(jié)果如圖3所示，可以將分析對象準確分成5類，第1類是精煉潲水油，包括樣品7、1、5、4、6、3、2；第2類是菜籽油，包括樣品13、11、12、8、14、10、9；第3類是大豆油，包括樣品16、15、19、18、17；第4類是花生油，包括樣品24、23、22、21、20；第5類是玉米油，包括樣品27、26、25、28、29。由此可見，在鑒別正常食用植物油和精煉潲水油方面，聚類分析的方法可以為選擇適宜的原料提供有效的指導。

2.3 PLS-DA判別分析模型的預測

PLS-DA模型對另外22 個樣品（RHOs 6 種、菜籽油4 種、大豆油4 種、花生油4 種、玉米油4 種）預測發(fā)現(xiàn)，沒有一個誤判，判別模型的整體正確判別率均為100%（圖4），判別效果良好，說明所建立的判別模型是可靠的。此結(jié)果表明FT-MIR技術結(jié)合化學計量學方法可以作為精煉潲水油和4 種不同正常食用植物油（菜籽油、大豆油、花生油、玉米油）區(qū)分的一種有效技術手段。

圖4 22個未知樣品的PLS-DA模型預測結(jié)果Fig.4 Predicted results for 22 unknown samples with PLS-DA model

3 結(jié) 論

應用PLS-DA法建立了精煉潲水油和4 種正常食用植物油（菜籽油、大豆油、花生油、玉米油）的傅里葉變換中紅外光譜判別分析模型，確定了PLS-DA模型的參數(shù)，并將PLS-DA模型用于預測。結(jié)果表明，最佳建模參數(shù)：光譜波段4 000～450 cm-1、二階求導（Savitzky-Golay，5 點）處理；在該優(yōu)化條件下，所建立的傅里葉變換中紅外光譜的PLS-DA判別分析模型準確的預測了22 個樣品（RHOs 6 種、菜籽油4 種、大豆油4 種、花生油4 種、玉米油4 種），PLS-DA模型判別正確率為100%，為精煉潲水油的快速檢測提供了新的思路，也對提高我國食用油質(zhì)量控制水平具有重要意義。

[1] 黃道平, 彭進. 潲水油鑒別檢測方法研究[J]. 中國衛(wèi)生檢驗雜志, 2006, 16(2): 151-153.

[2] 李占彬, 譚紅, 謝鋒, 等. 紫外分光光度計檢測十二烷基苯磺酸鈉鑒別潲水油的方法研究[J]. 分析測試學報, 2012, 31(4): 379-382.

[3] 冉莉, 周永, 朱俊東, 等. 潲水油的急性毒性和遺傳毒性研究[J]. 第三軍醫(yī)大學學報, 2011, 33(13): 1366-1369.

[4] 李紅, 屠大偉, 李根容, 等. 頂空固相微萃取-氣相色譜-質(zhì)譜聯(lián)用技術鑒別潲水油[J]. 分析試驗室, 2010, 29(6): 61-65.

[5] 楊冬燕, 楊永存, 楊小柯, 等. 潲水油、摻假食用植物油鑒定方法研究進展[J]. 中國衛(wèi)生檢驗雜志, 2009, 9(10): 2459-2460.

[6] 胡小泓, 劉志金, 鄭雪玉, 等. 應用電導率檢測潲水油方法的研究[J].食品科學, 2007, 28(11): 482-484.

[7] 李紅, 屠大偉, 李根容, 等. 固相微萃取及主成分分析用于潲水油GC-MS指紋圖譜的分析[J]. 計量學報, 2010, 31(5A): 101-105.

[8] 唐盼盼, 李詩言. 氣相色譜法鑒別潲水油[J]. 食品與發(fā)酵工業(yè), 2013, 39(2): 186-191.

[9] 李殷, 畢承路, 馮華剛, 等. 頂空-氣質(zhì)聯(lián)用法測定潲水油中的揮發(fā)性有機化合物[J]. 質(zhì)譜學報, 2012, 33(5): 308-314.

[10] 孫艷輝, 安海洋. 利用同步熒光光譜快速鑒別潲水油[J]. 光譜學與光譜分析, 2012, 32(10): 2726-2729.

[11] GURDENIZ G, OZEN B. Detection of adulteration of extra-virgin olive oil by chemometric analysis of mid-infrared spectral data[J].Food Chemistry, 2009, 116(2): 519-525.

[12] HONG Y, JOSEPH I, MANISH M P. Discriminant analysis of edible oils and fats by FTIR, FT-NIR and FT-Raman spectroscopy[J]. Food Chemistry, 2005, 93(1): 25-32.

[13] VINCENT B, JUAN A F P, PIERRE D, et al. Detection of the presence of hazelnut oil in olive oil by FT-Raman and FT-MIR spectroscopy[J]. Journal of Agricultural and Food Chemistry, 2005, 53(16): 6201-6206.

[14] COZZOLINO D, HOLDSTOCK M, DAMBERGS R G, et al. Mid infrared spectroscopy and multivariate analysis: a tool to discriminate between organic and non-organic wines grown in Australia[J]. Food Chemistry, 2009, 116(3): 761-765.

[15] HASHIM D M, CHEMAN Y B, NORAKASHA R, et al. Potential use of Fourier transform infrared spectroscopy for differentiation of bovine and porcine gelatins[J]. Food Chemistry, 2010, 118(3): 856-860.

[16] 許洪勇, 成蓮, 王東峰, 等. 傅里葉變換紅外光譜-加熱頂空法鑒別地溝油[J]. 中國油脂, 2013, 28(1): 64-66.

[17] LUCA M D, TEROUZI W, IOELE G. Derivative FTIR spectroscopy for cluster analysis and classi cation of morocco olive oils[J]. Food Chemistry, 2011, 124: 1113-1118.

[18] 張琳, 張黎明, 李燕, 等. 偏最小二乘法在傅里葉變換紅外光譜中的應用及進展[J]. 光譜學與光譜分析, 2005, 25(10): 76-79.

[19] ROHMA, A, CHE MAN Y B. The use of Fourier transform mid infrared (FT-MIR) spectroscopy for detection and quantification of adulteration in virgin coconut oil[J]. Food Chemistry, 2011, 129(2): 583-588.

[20] LERMA-GARC?A M J, RAMIS-RAMOS G, HERREROMART?NEZ J M, et al. Authentication of extra virgin olive oils by Fourier-transform infrared spectroscopy[J]. Food Chemistry, 2010, 118(1): 78-83.

[21] 王志嘉, 趙延華. 傅里葉變換紅外光譜法對摻假橄欖油的快速鑒別[J]. 理化檢驗: 化學分冊, 2012, 48(7): 785-788; 792.

[22] ZHANG Q, LIU C, SUN Z, et al. Authentication of edible vegetable oils adulterated with used frying oil by Fourier Transform Infrared Spectroscopy[J]. Food Chemistry, 2012, 132(3): 1607-1613.

[23] 潘劍宇, 尹平河, 余漢豪. 潲水油、煎炸老油與合格食用植物油的鑒別研究[J]. 食品科學, 2003, 24(8): 27-29.

[24] 祝詩平, 梁晶, 屠大偉, 等. 基于近紅外光譜與DPLS的潲水油快速鑒別方法[J]. 西南大學學報: 自然科學版, 2012, 34(5): 1-6.

[25] 李本祥, 王玲, 董新榮. 二階導數(shù)預處理法在中紅外光譜定量分析中的應用研究[J]. 分析試驗室, 2008, 27(7): 9-12.

[26] 李本祥, 董新榮. 主成分分析和二階導數(shù)用于混合物含量的傅里葉變換中紅外光譜測定[J]. 理化檢驗: 化學分冊, 2013, 49(11): 1301-1304.

Discrimination of Refined Hogwash Oils from Edible Vegetable Oils by FT-MIR Spectroscopy

LI Hong1,2, ZHAO Bo1,2, RAN Xiao-hong1, TU Da-wei1,2,*, CHEN Shi-qi1,2
(1. Chongqing Engineering Research Center of Food Safety, National Quality Supervision & Inspection Center for Processed Agricultural Products and Condiments, Chongqing Academy of Metrology and Quality Inspection, Chongqing 401123, China; 2. Chongqing Institute for Food and Drug Control, Chongqing 401121, China)

In this study, Fourier transform-infrared spectroscopy (FT-MIR）was applied to rapidly distinguish refined hogwash oils (RHOs) from four different edible vegetable oils, rapeseed oil, soybean oil, peanut oil and corn oil. A multivariate statistical procedure based on cluster analysis (CA) coupled to partial least squares-discriminant analysis (PSLDA), was elaborated, providing an effective classification method. It was shown that there were significant differences between RHOs and different edible vegetable oils based on FT-MIR spectra after second derivative (Savitzky-Golay, 5 point) transformation in the whole wavelength range (4 000–450 cm–1). The PLS-DA procedure was then applied to classify twenty-two unknown oil samples with a correction rate of 100%. These results demonstrate that FT-MIR combined with chemometric analysis can be used as an effective method to discriminate RHOs from these four different edible vegetable oils.

refined hogwash oils; edible vegetable oils; FT-MIR; PLS-DA; model

TS201.6

A

1002-6630（2014）06-0121-04

10.7506/spkx1002-6630-201406025

2013-06-17

重慶市自然科學基金項目（cstc2012jjA00022）

李紅（1985—），女，工程師，碩士，研究方向為食品質(zhì)量與安全。E-mail：hong198596@163.com

*通信作者：屠大偉（1977—），男，高級工程師，博士，研究方向為食品分析。E-mail：weidatufu@163.com