MWPLS法在羊肉中TVB-N近紅外定量分析中的應(yīng)用

史智佳，田寒友，鄒 昊，劉文營(yíng)，喬曉玲*

（中國(guó)肉類食品綜合研究中心，北京 1 00068）

MWPLS法在羊肉中TVB-N近紅外定量分析中的應(yīng)用

史智佳，田寒友，鄒 昊，劉文營(yíng)，喬曉玲*

（中國(guó)肉類食品綜合研究中心，北京 1 00068）

將移動(dòng)窗口偏最小二乘（moving window partial least squares，MWPLS）法應(yīng)用于羊肉中揮發(fā)性鹽基氮（total volatile basic nitrogen，TVB-N）含量的近紅外定量分析模型的構(gòu)建中，通過(guò)改變MWPLS的窗口寬度，優(yōu)選與羊肉中TVB-N含量高度 相關(guān)的光譜區(qū)域。模型評(píng)價(jià)及驗(yàn)證結(jié)果顯示，移動(dòng)窗口寬度為160 個(gè)波長(zhǎng)點(diǎn)時(shí)優(yōu)選得到的光譜區(qū)域（1 325～1 484 nm）所構(gòu)建的定量分析模型最佳，其預(yù)測(cè)相關(guān)系數(shù)、預(yù)測(cè)標(biāo)準(zhǔn)偏差、主因子數(shù)和預(yù)測(cè)偏差比率分別為0.856 84、0.564 29 mg/100 g、 5和2.9，這說(shuō)明MWPLS可以有效地篩選羊肉中TVB-N的近紅外光譜信息區(qū)間，提高定量分析模型的預(yù)測(cè)能力，并降低數(shù)據(jù)的處理量（數(shù)據(jù)點(diǎn)由800 個(gè)減少為160 個(gè)）。

近紅外光譜；波段選擇；移動(dòng)窗口偏最小二乘法；揮發(fā)性鹽基氮

揮發(fā)性鹽基氮（total volatile basic nitrogen，TVB-N）是動(dòng)物性食品腐敗過(guò)程中，由酶和細(xì)菌的作用產(chǎn)生的氨及胺類等堿性含氮物，其含量會(huì)隨著生鮮肉的腐敗加劇而增加，是鑒定生鮮肉新鮮度的重要指標(biāo)。近紅外光譜分析技術(shù)具有快速、無(wú)損等優(yōu)點(diǎn)，可以應(yīng)用于TVB-N含量的快速檢測(cè)[1-5]。

近紅外光譜偏最小二乘（partial least squares，PLS）法是近紅外定量分析中廣泛應(yīng)用的一種多元建模方法。在建立近紅外光譜PLS定量分析模型時(shí)，為了簡(jiǎn)化模型，提高模型的預(yù)測(cè)能力和穩(wěn)健性，常通過(guò)特定方法對(duì)近紅外光譜進(jìn)行特征波長(zhǎng)或波長(zhǎng)區(qū)間的篩選，剔除不相干或非線性變量[6-9]。移動(dòng)窗口偏最小二乘（moving window partial least squares，MWPLS）法是一種基于PLS法的波段選擇方法[10]。采用它優(yōu)選光譜波段建立的PLS模型，預(yù)測(cè)精度可得到顯著的改善[11-19]，并降低數(shù)據(jù)處理量。本實(shí)驗(yàn)對(duì)MWPLS法應(yīng)用于生鮮羊肉中TVB-N含量近紅外定量分析模型的構(gòu)建效果進(jìn)行了研究。

1 材料與方法

1.1 材料與試劑

生鮮羊肉 市購(gòu)。

碳酸鉀、甲基紅（均為分析純） 國(guó)藥集團(tuán)化學(xué)試劑有限公司；鹽酸（分析純） 北京化工廠；次甲基藍(lán)（分析純） 北京科拓器化玻璃有限公司。

1.2 儀器與設(shè)備

SupNIR-1520便攜式近紅外分析儀 聚光科技（杭州）股份有限公司；2257型分析天平 上海民橋精密科學(xué)儀器有限公司；擴(kuò)散皿（標(biāo)準(zhǔn)型）；微量滴定管（最小刻度0.01 mL）。

1.3 方法

1.3.1 近紅外光譜采集

將近紅外光譜儀光學(xué)探頭壓在待測(cè)羊肉表面，于室溫條件下采集肉樣近紅外光譜，肉樣溫度始終保持在0～4 ℃。采集的近紅外光譜波長(zhǎng)范圍為1 000～1 800 nm，波長(zhǎng)間隔為1 nm，儀器分辨率為10 nm；每個(gè)樣品進(jìn)行2 次光譜采集，每次間隔5 s；每次光譜采集，光譜掃描次數(shù)為10 次。

1.3.2 肉中TVB-N含量的測(cè)定

采用GB/T 5009.44—2003《肉與肉制品衛(wèi)生標(biāo)準(zhǔn)的分析方法》中的微量擴(kuò)散法。具體方法為：采集近紅外光譜后，將對(duì)應(yīng)部位的羊肉按照國(guó)標(biāo)方法進(jìn)行TVB-N值測(cè)定。

1.3.3 MWPLS

MWPLS的基本思想是將1 個(gè)窗口沿著光譜軸連續(xù)移動(dòng)，每移動(dòng)1 個(gè)波長(zhǎng)點(diǎn)，采用交互驗(yàn)證方式確定最佳因子數(shù)并建立相應(yīng)的PLS最優(yōu)模型。改變移動(dòng)窗口的寬度，最終得到系列不同窗口（移動(dòng)波長(zhǎng)點(diǎn)）和主因子數(shù)對(duì)應(yīng)的殘差平方和（the sums of squared residues，SSR）。據(jù)此選擇與待測(cè)組分相關(guān)的高信息量的光譜區(qū)間[20]。本實(shí)驗(yàn)設(shè)定窗口寬度為100～200 個(gè)波長(zhǎng)點(diǎn)，間隔為10 個(gè)波長(zhǎng)點(diǎn)。SSR計(jì)算公式如下：

1.3.4 定量分析模型的建立及評(píng)價(jià)

樣本化學(xué)值數(shù)據(jù)的處理借助Version 17.0 SPSS統(tǒng)計(jì)軟件。近紅外光譜的波段優(yōu)選采用MWPLS方法，借助Matlab軟件（R2012b, Version 8.0.0.783，美國(guó)MathWorks公司）實(shí)現(xiàn)。優(yōu)選獲取最佳波段后，借助聚光世達(dá)近紅外分析測(cè)量分析軟件（RIMP.P003.V01B.001，北京聚光世達(dá)科技有限公司）進(jìn)行光譜預(yù)處理后，建立PLS法定量分析模型并進(jìn)行模型評(píng)價(jià)。

2 結(jié)果與分析

2.1 數(shù)據(jù)預(yù)處理

建立模型前，首先利用樣品化學(xué)值t化殘差來(lái)判斷樣品是否為異常樣品。當(dāng)t化殘差值大于2.5時(shí)，認(rèn)為光譜可能異常。進(jìn)一步考察光譜是否有明顯缺陷，考慮是否剔除該樣品。本研究中有效樣本數(shù)共計(jì)94 個(gè)，采集光譜數(shù)188 條。將樣本按TVB-N含量梯度排序，依3∶1分為模型校正集和驗(yàn)證集，其中TVB-N含量最大和最小樣品歸為校正集。表1列出羊肉中TVB-N含量的統(tǒng)計(jì)結(jié)果。

表1 羊肉中TVB-N含量統(tǒng)計(jì)表Table1 Statistics of TVB-N content in mutton

2.2 MWPLS優(yōu)選光譜信息區(qū)間

將采集的近紅外原始光譜及TVB-N含量數(shù)據(jù)分別導(dǎo)入Matlab軟件中，通過(guò)MWPLS從全譜中選取與待測(cè)組分相關(guān)的高信息量的光譜區(qū)間。在不同窗口寬度下選擇的光譜區(qū)間及其對(duì)應(yīng)PLS模型的評(píng)價(jià)結(jié)果見(jiàn)表2。

表2 原始光譜在不同窗口下MWPLS選取的最優(yōu)波段及模型評(píng)價(jià)結(jié)果Table2 PLS calibration results and corresponding spectral ranges selected by MWPLSR with different window widths of original spectra

表2中，模型的主因子數(shù)對(duì)建模效果至關(guān)重要。主因子數(shù)過(guò)少會(huì)導(dǎo)致用模型不能解釋光譜-組分濃度數(shù)據(jù)的變化。兩組數(shù)據(jù)之間相關(guān)性減弱，導(dǎo)致預(yù)測(cè)結(jié)果不準(zhǔn)確。主因子數(shù)過(guò)多，用模型對(duì)包括極其細(xì)微的變化（如光譜的噪聲信號(hào)）在內(nèi)的光譜數(shù)據(jù)的變化進(jìn)行解釋，導(dǎo)致“過(guò)擬合”現(xiàn)象發(fā)生，模型對(duì)組分的特異性降低，分析結(jié)果不準(zhǔn)確。按照概率統(tǒng)計(jì)，通過(guò)預(yù)測(cè)標(biāo)準(zhǔn)偏差（standard error of prediction，SEP）可以估計(jì)預(yù)測(cè)值與參考方法實(shí)際值之間的偏差。如光譜方法的預(yù)測(cè)值為，則參考方法實(shí)際值落在范圍的概率為67%左右，落在范圍的概率為95%左右[12]。SEP值越小，結(jié)果越準(zhǔn)確。決定系數(shù)（R2）反映因變量（吸光度）和自變量（成分含量）之間的密切程度。R2值越接近于1，自變量對(duì)因變量的解釋程度越高，自變量引起的變異占總變異的比例越高，模型的準(zhǔn)確度越高。預(yù)測(cè)偏差比率（residual prediction deviation，RPD）為驗(yàn)證集標(biāo)準(zhǔn)偏差與SEP的比值，其值越大，說(shuō)明模型的預(yù)測(cè)精度越高，建模效果越好。

從表2可以看出，不同移動(dòng)窗口寬度下應(yīng)用MWPLS法所優(yōu)選的波段及建立PLS模型評(píng)價(jià)結(jié)果不盡相同。當(dāng)移動(dòng)窗口寬度為160個(gè)波長(zhǎng)點(diǎn)時(shí)，優(yōu)選的波段范圍為1 325～1 484 nm，此時(shí)建立的PLS模型的各項(xiàng)評(píng)價(jià)參數(shù)最優(yōu)，其主因子數(shù)為5，SEP為0.669 9 mg/100g，小于其他窗口寬度的值；決定系數(shù)（R2）為0.827 4，大于其他窗口寬度的值；交互檢驗(yàn)RPD為2.41，亦是最大值，也即此光譜波段最佳。

從化學(xué)歸類上進(jìn)行分析，光譜區(qū)域1 325～1 484 nm處覆蓋了—CH3的C—H組合頻（2ν＋2δ）、亞甲基的C—H組合頻（2ν＋3δ）、芳香族—CH的組合頻（2ν＋3δ）、OH的組合頻（νas＋νs）和1st倍頻（νas＋νs）、—NH2的1st倍頻（1 449～1 475 nm）、—CONH2—的2st倍頻（1 441～1 460 nm）和—CONH—的2st倍頻（1 460～1 511 nm）等信息[9,21]。這些信息為利用近紅外光譜分析技術(shù)準(zhǔn)確預(yù)測(cè)肉中TVB-N含量提供了理論基礎(chǔ)。

2.3 PLS模型的建立及評(píng)價(jià)

借助RIMP光譜處理軟件對(duì)光譜進(jìn)行正交信號(hào)校正（orthogonal signal correction，OSC）后，建立全譜定量分析PLS模型和波段優(yōu)選定量分析PLS模型，并將外部驗(yàn)證集代入模型進(jìn)行預(yù)測(cè)能力評(píng)價(jià)，得到的結(jié)果見(jiàn)表3。預(yù)測(cè)相關(guān)系數(shù)（Rp）反映了TVB-N含量與光譜信息的線性相關(guān)性，其值越接近于1，兩者的線性相關(guān)性越強(qiáng)。通常認(rèn)為，如果RPD≥3.0，說(shuō)明定標(biāo)效果良好，建立的定標(biāo)模型可以用于實(shí)際檢測(cè)；如果2.5＜RPD＜3.0，說(shuō)明利用NIR對(duì)該成分進(jìn)行定量分析是可行的，但預(yù)測(cè)精度有待于提高；如果RPD＜2.5，則說(shuō)明該成分難于進(jìn)行NIRS定量分析[22]。

表3 指定光譜區(qū)間PLS建模結(jié)果Table3 Results of PLS modeling using given spectral regions

從表3可以看出，近紅外光譜經(jīng)過(guò)經(jīng)OSC后，波段優(yōu)選定量分析PLS模型好于全光譜定量分析PLS模型，其SEP值小于后者，而Rp、RPD值大于后者。OSC是一種基于濃度陣參與的光譜預(yù)處理方法[23-25]，可通過(guò)正交投影除去光譜陣中與待測(cè)組分無(wú)關(guān)的信息。張海東等[26]采用OSC對(duì)蘋果的近紅外光譜（1 300～2 100 nm）進(jìn)行預(yù)處理，并結(jié)合PLS建立了蘋果光譜對(duì)糖度的預(yù)測(cè)模型，結(jié)果證明OSC可濾除原始光譜中的部分噪聲，保留原光譜中的主要信息，同時(shí)由于采納的因子數(shù)少，模型變得十分簡(jiǎn)潔。

以上說(shuō)明，MWPLS可以用于篩選近紅外光譜信息區(qū)間，在減少所用數(shù)據(jù)點(diǎn)（由800 個(gè)減少到160個(gè)）數(shù)目，降低數(shù)據(jù)量并提高運(yùn)算速度的同時(shí)，提高了羊肉中TVB-N含量定量分析模型的預(yù)測(cè)精確度。

3 結(jié) 論

本研究應(yīng)用近紅外光譜分析技術(shù)對(duì)羊肉中TVB-N的含量進(jìn)行了檢測(cè)。通過(guò)設(shè)置MWPLS的窗口寬度優(yōu)選了光譜信息區(qū)間。借助RIMP光譜分析軟件，對(duì)篩選出的最佳光譜區(qū)域（1 325～1 484 nm）進(jìn)行PLS建模并評(píng)價(jià)。結(jié)果顯示，由MWPLS篩選的波段所建立的定量分析模型的預(yù)測(cè)精度好于全譜模型，且用于建模的光譜數(shù)據(jù)點(diǎn)由800 個(gè)減少到160 個(gè)，其Rp、SEP、主因子數(shù)和RPD分別為0.856 84、0.564 29 mg/100 g、5和2.9，說(shuō)明采用MWPLS可以篩選羊肉中TVB-N近紅外光譜信息區(qū)間，在保證模型預(yù)測(cè)精度的前提下簡(jiǎn)化模型，提高建模效率。同時(shí)也說(shuō)明近紅外光譜分析技術(shù)可用于羊肉中TVB-N的定量分析。

[1] 侯瑞鋒, 黃嵐, 王忠義, 等. 用近紅外漫反射光譜檢測(cè)肉品新鮮度的初步研究[J]. 光譜學(xué)與光譜分析, 2006, 26(12): 2193-2196.

[2] 熊來(lái)怡, 胡耀華, 劉聰, 等. 近紅外光譜檢測(cè)豬肉揮發(fā)性鹽基氮含量及其品質(zhì)安全判別研究[C]//中國(guó)農(nóng)業(yè)工程學(xué)會(huì)2011年學(xué)術(shù)年會(huì)論文集. 北京: 中國(guó)農(nóng)業(yè)工程學(xué)會(huì), 2011: 5.

[3] 劉兆豐. 基于近紅外光譜技術(shù)的豬肉新鮮度快速預(yù)測(cè)與識(shí)別[D]. 杭州: 浙江工商大學(xué), 2012.

[4] 趙松瑋, 彭彥昆, 王偉, 等. 基于近紅外光譜的生鮮豬肉新鮮度實(shí)時(shí)評(píng)估[J]. 食品安全質(zhì)量檢測(cè)學(xué)報(bào), 2012, 3(6): 580-584.

[5] 郭培源, 林巖, 付妍, 等. 基于近紅外光譜技術(shù)的豬肉新鮮度等級(jí)研究[J]. 激光與光電子學(xué)進(jìn)展, 2013, 50(33): 183-189.

[6] YING Yibin, LIU Yande. Nondestructive measurement of internal quality in pear using genetic algorithms and FT-NIR spectroscopy[J]. Journal of Food Engineering, 2008, 84(2): 206-213.

[7] 鄒小波, 趙杰文, 夏蓉, 等. 蘋果糖度近紅外光譜小波去噪和iPLS建模[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2006, 37(6): 79-82.

[8] ZOU Xiaobo, ZHAO Jiewen, LI Yanxiao. Selection of the efficient wavelength regions in FT-NIR spectroscopy for determination of SSC of ‘Fuji’ apple based on BiPLS and FiPLS models[J]. Vibrational Spectroscopy, 2007, 44(2): 220-227.

[9] 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.

[10] JIANG Jianhui, BERRY R J, SIESLER H W, et al. Wavelength interval selection in multicomponent spectral analysis by moving window partial least-squares regression with applications to midinfrared and near-infrared spectroscopic data[J]. Analytical Chemistry, 2002, 74(14): 3555-3565.

[11] KASEMSUMRAN S, DU Y P, MURAYAMA K, et al. Near-infrared spectroscopic determination of human serum albumin, γ-globulin, and glucose in a control serum solution with searching combination moving window partial least squares[J]. Analytica Chimica Acta, 2004, 512: 223-230.

[12] DU Yiping, LIANG Yizeng, JIANG Jianhui, et al. Spectral regions selection to improve prediction ability of PLS models by changeable size moving window partial least squares and searching combination moving window partial least squares[J]. Analytica Chimica Acta, 2004, 501(2): 183-191.

[13] DAVIES T, NORRIS K H. NIR spectroscopy[J]. NIR News, 2005, 16(7): 9-12.

[14] KANG N, KASEMSUMRAN S, WOO Y A, et al. Optimization of informative spectral regions for the quantification of cholesterol, glucose and urea in control serum solutions using searching combination moving window partial least squares regression method with near infrared spectroscopy[J]. Chemometrics and Intelligent Laboratory Systems, 2006, 82(1): 90-96.

[15] KASEMSUMRAN S, DU Y P, MARUO K, et al. Improvement of partial least squares models for in vitro and in vivo glucose quantifications by using near-infrared spectroscopy and searching combination moving window partial least squares[J]. Chemometrics and Intelligent Laboratory Systems, 2006, 82: 97-103.

[16] 潘濤, 吳振濤, 陳華舟. 土壤總氮近紅外光譜分析的波段優(yōu)選[J]. 分析化學(xué), 2012, 40(6): 920-924.

[17] 劉振堯, 潘濤. 可見(jiàn)-近紅外光譜測(cè)定血紅蛋白的等效波段選擇[J].光學(xué)精密工程, 2012, 20(10): 2170-2175.

[18] 陳華舟, 唐國(guó)強(qiáng), 艾武, 等. FT-NIR光譜應(yīng)用于柚子皮果膠定量分析的波段優(yōu)選[J]. 科學(xué)技術(shù)與工程, 2013, 13(12): 3232-3237.

[19] 張南楠, 張國(guó)鵬. 近紅外光譜測(cè)定清熱解毒口服液中綠原酸與黃芩苷的波段優(yōu)選[J]. 安徽農(nóng)業(yè)科學(xué), 2013, 41(9): 4080-4081.

[20] JIANG Jianhui, BERRY R J , SIESLER H W, et al. Wavelength interval selection in multicomponent spectral analysis by moving window partial least-squares regression with applications to mid infrared and near infrared spectroscopic data[J]. Analytical Chemistry, 2003, 74(14): 3555-3565.

[21] 杰爾·沃克曼, 洛伊斯·文依. 近紅外光譜解析實(shí)用指南[M]. 褚小立, 許育鵬, 田高友, 譯. 北京: 化學(xué)工業(yè)出版社, 2009.

[22] 黃光群, 韓魯佳, 楊增玲. 近紅外漫反射光譜法快速測(cè)定畜禽糞便堆肥多組分含量[J]. 光譜學(xué)與光譜分析, 2007, 27(11): 2203-2207.

[23] FEARN T. On orthogonal signal correction[J]. Chemometrics and Intelligent Laboratory Systems, 2000, 50(1): 47-52.

[24] FERRé J, FABER N M. Net analyte signal calculation for multivariate calibration[J]. Chemometrics and Intelligent Laboratory Systems, 2003, 69(1/2): 123-136.

[25] NI Wangdong, BROWN S D, MAN R. The relationship between net analyte signal/preprocessing and orthogonal signal correction algorithms[J]. Chemometrics and Intelligent Laboratory Systems, 2009, 98(2): 97-107.

[26] 張海東, 趙杰文, 劉木華. 基于正交信號(hào)校正和偏最小二乘(OSC/ PLS)的蘋果糖度近紅外檢測(cè)[J]. 食品科學(xué), 2005, 26(6): 189-192.

Quantitative Analysis of Total Volatile Basic Nitrogen (TVB-N) in Mutton by Near-Infrared (NIR) Spectroscopy with Moving Window Partial Least Squares (MWPLS)

SHI Zhijia, TIAN Hanyou, ZOU Hao, LIU Wenying, QIAO Xiaoling* (China Meat Research Centre, Beijing 100068, China)

Moving window pa rtial least squares (MWPLS) is a method of regional optimization, which is most frequently used for selecting spectral region including large information related to the components to be determined in the samples. In this study, MWPLS was used to select the appropriate frequency range for setting up a partial least squares (PLS) model for quanti tative analysis of the total volatile basic nitrogen (TVB-N) in mutton. The near infrared refl ectance (NIR) spectra were processed by MWPLS and different spectral regions relevant to TVB-N content in meat were selected by chan ging the window width of MWPLS. T he evaluation and validation results showed that the optimal region for setting up a best PLS model was the original spectrum between 1 325 nm and 1 484 nm. and the corresponding correlation coeffi cie nt of prediction (Rp), standard error of prediction (SEP), rank and residual prediction deviation (RPD) were 0.856 84, 0.564 29 mg/100 g, 5 and 2.9, separately, suggesting that MWPLS is a valid method to select the spectral feature that reduces spectral data (from 800 reduce to 160) and enhances the prediction ability of the quantitative analysis model of TVB-N in mutton.

NIR spectroscopy; wavelength region selection; moving window partial least squares; TVB-N

TS251.7；O657.3；S37

A

1002-6630（2015）20-0218-04

10.7506/spkx1002-6630-201520042

2014-10-17

“十二五”農(nóng)村領(lǐng)域國(guó)家科技計(jì)劃課題（2012BAD28B01）

史智佳（1982—），男，工程師，碩士，研究方向?yàn)槿馄焚|(zhì)量安全控制。E-mail：szj2006@sina.com

*通信作者：?jiǎn)虝粤幔?964—），女，教授級(jí)高級(jí)工程師，本科，研究方向?yàn)槿馄房茖W(xué)和加工技術(shù)。E-mail：cmecsen@126.com