LF-NMR結合化學模式識別鑒別油脂種類及餐飲廢棄油脂

毛 銳，王 欣*，史 然,2

(1.上海理工大學 醫療器械與食品學院，上海 200093；2.中國農業大學 食品科學與營養工程學院，北京 100083)

LF-NMR結合化學模式識別鑒別油脂種類及餐飲廢棄油脂

毛 銳1，王 欣1*，史 然1,2

(1.上海理工大學 醫療器械與食品學院，上海 200093；2.中國農業大學 食品科學與營養工程學院，北京 100083)

應用主成分分析(Principal component analysis,PCA)和聚類分析法(Cluster analysis,CA)對9種(27個)常見食用植物油及100個餐飲廢油的低場核磁共振(Low-field nuclear magnetic resonance，LF-NMR)(T2)弛豫特性數據進行分析。結果表明：在正常食用油種類區分方面，主成分分析的效果較優，9種食用油在主成分分布圖上按種類正確分組，邊界清晰。而在正常食用油與餐飲廢油的區分方面，聚類分析效果較優，引入30個待測樣本后，聚類分析(127個樣品，歐式距離=5)的正確率為94.49%，分析誤判率為5.51%，分組效果良好。LF-NMR結合化學模式識別可實現對油脂種類及餐飲廢棄油脂的鑒別。

低場核磁共振(LF-NMR)；食用油；餐飲廢油；主成分分析(PCA)；聚類分析(CA)

食品種類繁多、成分復雜，營養物和有毒有害物質的混雜給定性、定量分析工作帶來了很大的難度。化學模式識別利用統計學、信號處理、數學算法等工具，從化學測量數據推理出物質類的本質屬性，進而對物質進行識別和歸類[1]。采用化學模式識別法對化學測量數據處理，有助于實現食品復雜多組分體系的定性或定量檢測。其中，主成分分析(Principal component analysis,PCA)、聚類分析(Cluster analysis,CA)是較為常用的兩種化學模式識別方法，已成功應用于多種食品種類、品質的區分鑒別。如朱曉紅等[2]發現，高效液相色譜(High performance liquid chromatography，HPLC)結合PCA或CA分析可實現對棗仁安神膠囊內在質量按照生產廠家分類。Oliveros等[3]研究表明，不同產地特級初榨橄欖油中揮發性成分的質譜分析結果經PCA處理后，94.3%的樣品能夠有效區分，對未知樣品的判別正確率可達80%。夏義苗等[4]通過理化指標結合PCA方法建立了可有效表征葵花籽油品質變化的綜合評價指標。

低場核磁共振(Low-field nuclear magnetic resonance，LF-NMR)是一種無損、快速的新型檢測技術。LF-NMR多組分弛豫圖譜(T2)可以反映樣品內部自旋核子種類及其所處物理化學環境的變化，與樣品品質的優劣變化有顯著的相關性。近年來LF-NMR在多種食品，如油脂[5]、果蔬[6]、肉制品[7]、乳制品[8]、茶葉[9]等的品質分析中得到愈來愈廣泛的應用。史然等[10]研究認為可通過LF-NMR的檢測結果有效預測大豆油煎炸過程中粘度、吸光值、酸價以及極性化合物的變化(R2>0.90)；趙婷婷等[11]研究發現，LF-NMR技術結合主成分分析可實現對4種食用油、油脂煎炸程度及摻偽豬油樣品的區分。

在前期研究中亦發現，LF-NMR弛豫圖譜中的原始信息豐富，但可能包含了部分冗余信息，使直觀的分析難以有效反映樣品間的差異，因此，本研究嘗試應用主成分分析及聚類分析方法對9種27個正常食用油和70個真實餐飲廢油脂樣本的LF-NMR弛豫特性進行提煉分析，為應用LF-NMR技術快速鑒別餐飲廢棄油脂和評價油脂品質提供了參考依據。

1 實驗部分

1.1 材料與儀器

正常食用油：共9種27個樣本，分別為玉米油(CO)、芝麻油(SEO)、菜籽油(RAO)、稻米油(RIO)、食用調和油(BLO)，以上均為金龍魚品牌；品利橄欖油(OLO)；魯花花生油(PEO)；五湖大豆油(SOO)；多力葵花籽油(SUO)。所有試驗用植物油樣品均同批次購自大型超市(上海)，樣品真實且在保質期內，試驗前密封于4 ℃避光冷藏。餐飲廢棄油脂：共70個樣本，由上海糧食科學研究所提供，標示為SL001-SL070。

PQ-001型核磁共振分析儀(上海紐邁電子科技有限公司)，氫譜，磁體強度0.5 T，共振頻率23 MHz，磁體溫度32 ℃，配套T-invFTt反演擬合軟件,Φ15 mm核磁共振專用測試管；HH.S21型恒溫水浴鍋(上海博訊實業有限公司)。

1.2 LF-NMR橫向弛豫時間(T2)測量及數據處理

準確移取2.5 mL樣品至核磁共振專用試管內，32 ℃恒溫10 min，置于核磁探頭中穩定1 min后采樣，選擇LF-NMR中的CPMG 脈沖序列測定樣品的橫向弛豫時間(T2)[12]。參數設置為：重復采樣等待時間TR=2 000 ms，半回波時間τ=200 μs，回波個數 EchoCount=5 000個，重復掃描次數NS=4次，采樣點數TD=500 050，譜寬SW=250 kHz。每個檢測結果以3個平行樣9次測量值的平均值表示。

利用T-invfit軟件對LF-NMR弛豫測量得到的自由誘導指數衰減曲線進行反演擬合，可得到樣品的多組分弛豫特性(T2)圖譜，并獲知樣品的各特征峰的弛豫時間(按出峰時間從小到大命名為T21，T22，......，T2i等)及其相應峰面積比例(S21，S22，......，S2i)等。T21，T22，T23峰起始時間及其相應的峰面積比例S21,S22,S23。

1.3 化學模式識別方法

以樣品的LF-NMR弛豫特性數據(弛豫時間及峰面積比例等)為原始變量并建立其數據矩陣。應用SPSS18.0 對測量數據矩陣進行主成分分析(PCA)、聚類分析(CA)處理，應用 Origin8.0進行繪圖。

1.3.1 主成分分析 主成分分析(PCA)是將多元變量用特征投影的方式進行降維，得到可在二維或三維空間顯示的特征變量。通過得分圖直觀區分樣品，檢驗樣品是否相似，是否存在異常值(Outlier)[13]。最終得到樣品的評分圖并進行分析。

分別對9種共27個新鮮食用油及70個餐飲廢油樣品的LF-NMR弛豫特性測試數據(T21，T22，T23，S21，S22，S23)進行PCA分析，使用相關矩陣法提取樣品信息的主成分( PC )及特征值(如果PC的特征值大于1，則該PC會被保留，獲取的第一個主成分記為PC1，第二個主成分記為PC2，以此類推)，計算所獲取的主成分中每個原始指標的對應系數，將初始樣品信息進行標準化，獲取主成分表達式及主成分得分，并繪制主成分分布圖。

1.3.2 聚類分析 對9種共27個新鮮食用油、70個餐飲廢油樣品以及30個待測盲樣(UT01-UT30)的LF-NMR弛豫特性測試數據(T21，T22，T23，S21，S22，S23)進行聚類分析，采用歐式距離計算樣品的相似度，并采用組間連接法進行系統聚類分析。由于數據樣本量相對較大，為方便分析，將在歐式距離=5條件下的結果按照組別列出，并進行統計分析。

2 結果與討論

2.1 利用主成分分析方法判別油脂的種類及品質

對油脂的LF-NMR弛豫特性數據進行主成分分析的目的是，在盡可能多地保留原始反演結果變異的前提下，對反演結果進行降維處理，使用盡可能少的因子來解釋觀測到的變量[14]。主成分的特征根及貢獻率是選擇主成分的依據，貢獻率越大，說明主要成分可以較好的反映原來多個指標的信息。一般情況下，總貢獻率超過85%的方法即可使用[15]。

2.1.1 正常食用油種類的區分 對9種正常食用油的LF-NMR弛豫特性數據進行主成分分析，共獲得2個特征值大于1的成分，分別記為PC1和PC2，并得到原始弛豫特性變量(T21，T22，T23，S21，S22，S23)在各主成分中的載荷及方差貢獻率。其中，主成分1(PC1)占總方差貢獻的57.939%，主成分2(PC2)占27.879%，其累計方差貢獻率達85.818%，說明已包含樣本大部分的原始LF-NMR弛豫信息。對PC1而言，T22在PC1方向具有最大的正載荷(0.894)，而S22在PC1方向具有最大的負載荷(-0.838)；對PC2而言，T23在PC2方向具有最大的正載荷(0.721)，S21在PC2方向具有最大的負載荷(-0.566)，說明T22，S22，T23和S21對正常食用油的種類區分貢獻相對較大。

圖1 不同種類食用油(A)及不同種類食用油和餐飲廢油(B)的PC1和PC2得分圖Fig.1 PC1 and PC2 scores of different edible oils(A)，different normal edible oils and catering waste oils(B)insert:the partical enlarged detail of the boxes

圖1A為9種共27個正常食用油樣本的主成分得分圖，通過主成分得分圖上的間隔距離可以反映不同樣品的類間差異，間隔越遠說明其種類特性差別越大。圖1A表明，27個正常食用油樣品在主成分得分圖上分為邊界清晰，分組正確的9類。其中，花生油(PEO)與食用調和油(BLO)位于第一象限；菜籽油(RAO)和橄欖油(OLO)位于第二象限；稻米油(RIO)與其他各組的距離相對較大，獨立位于第三象限；大豆油(SOO)和葵花籽油(SUO)則共同位于第四象限；玉米油(CO)和芝麻油(SEO) 在PC1方向上差異較小，均位于PC2軸上；此外，因實驗所用食用調和油以大豆油為基油，故其在圖中的分布與大豆油(SOO)距離較近。總體而言，樣品的LF-NMR信息經PCA提煉后，可以實現對9種食用油種類的有效區分。

2.1.2 餐飲廢棄油樣與正常油樣的區分 餐飲廢棄油樣和正常食用油樣品的LF-NMR弛豫特性數據經主成分分析后，獲得2個特征值大于1的主成分，記為PC1及PC2，并得到各原始變量在主成分中的載荷及方差貢獻率。其中，PC1占總方差貢獻的68.645%，PC2占17.469%，其累計方差貢獻率為86.114%，說明這兩個主成分已包含樣本大部分的原始信息(累計方差貢獻率為86.114%)。對PC1而言，S23在PC1方向具有最大的正載荷(0.927)，S22在PC1方向具有最大的負載荷(-0.867)；對PC2而言，T21在PC2方向具有最大的正載荷(0.788)，S21在PC2方向具有最大的負載荷(-0.743)，說明S23，S22，T21和S21對餐飲廢棄油樣與正常油樣的區分貢獻較大。圖1B為9類(27個)正常食用油及70個餐飲廢油樣本的主成分分布圖。

由圖1B可知，9種正常食用油在主成分得分圖上能明顯區分，各自聚為一類；而餐飲廢棄油樣相對較多，分布相對分散，但仍與花生油(PEO)、稻米油(RIO)、橄欖油(OLO)、葵花籽油(SUO)、食用調和油(BLO)、菜籽油(RAO)及大豆油(SOO)有明顯區分。但從圖1B中方框圖可以觀察到，仍有少數餐飲廢油樣本與玉米油(CO)、芝麻油(SEO)距離較近，容易混淆。對此部分進行放大后發現，除個別餐飲廢棄油樣(2～3個)與玉米油(CO)或芝麻油(SEO)的分布相對靠近外，其余各樣品間隔明顯，可有效區分(圖1B插圖所示)。總體而言，樣品的LF-NMR弛豫特性經PCA提煉后，可實現對餐飲廢棄油樣與9種食用油的區分。

2.2 利用聚類分析方法判別油脂的種類及品質

2.2.1 正常食用油種類的區分 9種共27個正常食用油樣本的聚類分析結果如表1所示。由表1可知，在歐式距離=5處觀察，27個正常食用油樣被分為6組，其中玉米油、芝麻油聚為第1組，稻米油樣本聚為第2組，花生油、橄欖油聚為第3組，大豆油和食用調和油為第4組，葵花籽油樣品聚為第5組；菜籽油樣本聚為第6組。

表1 不同種類食用油的聚類分析(歐式距離=5)Table 1 Cluster analysis of different kinds of normal edible oils

表2 正常食用油與餐飲廢油的聚類分析Table 2 Cluster analysis of different kinds of normal edible oils and catering waste oils

表3 97個已知樣本與30個待測樣本的聚類分析Table 3 Cluster analysis of 97 known samples and 30 unknown samples

此分類結果與油脂脂肪酸組成有一定相關性，如花生油和橄欖油均為油酸類型油脂，其油酸含量分別約為50%和70%，經聚類分析后歸為一類，而玉米油和芝麻油均為亞油酸類型油脂，其亞油酸含量分別約為50%和40%，亦歸為一類；葵花籽油為高亞油酸類型油脂，其亞油酸含量約為55%；菜籽油中芥酸含量高達40%～50%，而在其他食用油中含量較少[16]；稻米油脂肪酸含量中油酸和亞油酸的含量相近，其油酸和亞油酸含量均為40%左右，因此單獨聚為一組[17]。所用調和油以大豆油為底料，添加少量其他品種食用油組成，故弛豫特性較為相似，歸為一組。相比之下，聚類分析對正常油脂種類的區分效果不及主成分分析。

2.2.2 正常食用油與餐飲廢油的區分 70個餐飲廢油樣品與27個正常食用油的LF-NMR弛豫特性數據系統聚類分析結果如表2所示。從歐式距離=5處觀察，97個油脂樣本被分為6組，3個餐飲廢油樣品(SL023，SL045，SL066)與其他樣品差異較大，各自聚為一組，記為第1，2，3組。第4組主要為餐飲廢油樣本，菜籽油被錯誤分入此組，使判別結果可能出現“假陽性”；第5組由5種正常食用油組成。第6組中，除3種正常食用油(玉米油、稻米油、芝麻油)外，還有3個餐飲廢油樣本(SL031，SL035，SL061)，這可能會出現判別結果的“假陰性”。總體而言，該方法可較好地實現對正常食用油與餐飲廢油的區分，聚類正確率為93.81%，誤判率為6.19%。

進一步將30個待測餐飲廢油樣本(UT01-UT30)與上述97個已知樣本進行聚類分析，結果如表3所示。由表3可知，當從歐式距離=5進行聚類時，127個樣本被分為5組。正常食用油集中于第5組。菜籽油與多個餐飲廢油樣品組成第4組，其他3組樣品量相對較小，且均為餐飲廢油。對30個待測樣本而言，除待測2單獨成組，待測8分至第2組，待測9混入第5組外，其余27個樣品均歸并至以餐飲廢油為主的第4組。總體而言，共有7個樣品被錯誤分組，誤判率為5.51%，整體分組正確率為94.49%，分組效果較好。

3 結 論

本文對9種常見食用植物油及100個真實餐飲廢油的LF-NMR(T2)弛豫特性數據進行了分析，以探索應用LF-NMR技術快速鑒別油脂種類，區分餐飲廢棄油脂的可行性。研究表明，與聚類分析相比，主成分分析更有利于實現對9種正常食用油的區分；而在餐飲廢油的甄別方面，聚類分析可較好地實現對正常食用油與餐飲廢油的區分，聚類正確率為93.81%，誤判率為6.19%。驗證盲樣分組正確率為94.49%，誤判率為5.51%，分組效果良好。

[1] Xu L,Shao X G.ChemometricsMethod.Beijing:Science Press(許祿,邵學廣.化學計量學方法.北京:科學出版社)，2004.

[2] Zhu X H,Li Q,Wang Q,Ren C S,Lang Y Y,Wen H Y.Tradit.Chin.DrugRes.Clin.Parmacol.(朱曉紅,李強,王強,任常順,郎軼詠,文懷宇.中藥新藥與臨床藥理)，2016,2:234-238.

[3] Oliveros C C,Boggia R,Casale M.J.Chromatogr.，2005,1076(1/2):7-15.

[4] Xia Y M,Wang X,Mao R,Huang Y F,Liu B L.J.Instrum.Anal.(夏義苗,王欣,毛銳,黃遠芬,劉寶林.分析測試學報)，2015,34(9):999-1007.

[5] Lu H Y,Wang X,Zhao T T,Liu B L.J.Instrum.Anal.(盧海燕,王欣,趙婷婷,劉寶林.分析測試學報)，2014,33(4):395-402.

[6] Sun B X,Zhao H X,Feng X Q,Huang X J,Wang N.J.Chin.Instit.FoodTechnol.(孫炳新,趙宏俠,馮敘橋,黃曉杰,王娜.中國食品學報)，2016,5:252-257.

[7] Wang X,Wang Z Y,Chen L H,Liu B L.FoodFerment.Ind.(王欣,王志永,陳利華,劉寶林.食品與發酵工業)，2016,42(2):150-156.

[8] Jiang C,Han J Z,Fan J L,Tian S Y.Trans.CSAE(姜潮,韓劍眾,范佳利,田師一.農業工程學報)，2010,26(9):340-344.

[9] Li R,Chen S S,Yu J,Yang L,Wang H Z,Zhang X L.J.TeaSci.(李然,陳珊珊,俞捷,楊磊,汪紅志,張學龍.茶葉科學)，2010,30(6):440-444.

[10] Shi R,Wang X,Liu B L,Lu H Y,Zhao T T.J.Instrum.Anal.(史然,王欣,劉寶林,盧海燕,趙婷婷.分析測試學報)，2013,32(6):653-660.

[11] Zhao T T,Wang X,Lu H Y,Liu B L.Mod.FoodSci.Technol.(趙婷婷,王欣,盧海燕,劉寶林.現代食品科技)，2014,30(9):180-185.

[12] Shi R,Wang X,Liu B L,Zhao T T,Lu H Y,Yang P Q.J.Instrum.Anal.(史然,王欣,劉寶林,趙婷婷,盧海燕,楊培強.分析測試學報)，2012,31(11):1365-1372.

[13] Liang Y Z,Yu R Q.ChemometricsMethod.Beijing:High Education Press(梁逸曾,俞汝勤.化學計量學.北京:高等教育出版社)，2003.

[14] Song J F,Liu C Q,Jiang X Q,Li D J.FoodSci.(宋江峰,劉春泉,姜小青,李大婧.食品科學)，2015,13:12-17.

[15] He X Q.MultivariateStatisticalAnalysis.Beijing:China Renmin University Press(何曉群.多元統計分析.北京:中國人民大學出版社)，2012:114-128.

[16] Fereidoon Shahidi(Ed.),Bailey’sIndustrialOilandFatProducts,6rd ed.Wang X G,Jin Q Z,trans.,Beijing:China Light Industry Press(Fereidoon Shahidi.貝雷:油脂化學與工藝學,6版.王興國,金青哲,譯.北京：中國輕工業出版社)，2016.

[17] Xu R,Xue Y L,Jin Q Z,Wang X G,Zhu L,Zhang D.ChinaOilsandFats(徐冉,薛雅琳,金青哲,王興國,朱琳,張東.中國油脂)，2016,16(1):92-94.

Classification of Edible Vegetable Oils and Discrimination of Catering Waste Oils by LF-NMR Combined with Chemometrics Method

MAO Rui1,WANG Xin1*,SHI Ran1，2

(1.School of Medical Instrument and Food Engineering,University of Shanghai for Science and Technology,Shanghai 200093,China;2.China Agricultural University,Beijing 100083,China)

To establish an effective analysis method for evaluating the quality of edible oil is of great significance to ensure the safety of edible oil market.Principal component analysis(PCA)and cluster analysis(CA)were used to analyze the low-field nuclear magnetic resonance(LF-NMR) T2relaxation characteristics of 9 kinds of normal edible oil and 100 catering waste oil samples.The results indicated that good classification of refined edible oil according to their vegetable types could be achieved by PCA,and the distributions of different vegetable oils on the PCA plot have clear boundaries.While for the discrimination of authentic vegetable oil and the catering waste oil,good identification results could be achieved by CA(Euclidean distance=5).After the introduction of 30 testing samples,the overall correct classification rate was still as high as 94.49%,and the misjudgment rate was only 5.51%.Therefore,LF-NMR combined with chemometrics method is feasible for rapid classification of edible vegetable oils and discrimination of catering waste oils.

low-field nuclear magnetic resonance(LF-NMR);edible oil;catering waste oil;principal component analysis(PCA);cluster analysis(CA)

10.3969/j.issn.1004-4957.2017.03.013

2016-08-07；

2016-11-10

國家自然科學基金項目(NSFC31201365)；上海市科委重點攻關項目(11142200403)；上海市教委科研創新項目(11YZ109)

O482.532；TG174.481

A

1004-4957(2017)03-0372-05

*通訊作者：王 欣，博士，副教授，研究方向：食品安全與控制，Tel:021-55271117，E-mail:wx0426951@126.com