近紅外漫反射光譜云芝提取物快速摻假識別研究

涂紅艷，唐 敏，何晉浙，邵 平

(1.湖州出入境檢驗檢疫局綜合技術服務中心，浙江 湖州 313000； 2.杭州食品藥品檢測研究院，浙江 杭州 3230001； 3.浙江工業大學 食品科學系，浙江 杭州 310014)

?

近紅外漫反射光譜云芝提取物快速摻假識別研究

涂紅艷1，唐 敏2*，何晉浙3，邵 平3

(1.湖州出入境檢驗檢疫局綜合技術服務中心，浙江 湖州 313000； 2.杭州食品藥品檢測研究院，浙江 杭州 3230001； 3.浙江工業大學 食品科學系，浙江 杭州 310014)

為探索準確識別云芝提取物摻假(糊精)的方法，采用近紅外漫反射光譜技術，對不同產地云芝提取物及摻假樣品進行定性識別研究。在12 500～4 000 cm-1波段范圍，采集樣品的光譜，應用偏最小二乘判別法(PLS-DA)建立云芝提取物摻假識別模型。通過Kolmogorov-Smirnov法檢驗模型中云芝提取物分類變量值的分布規律，從而建立識別云芝提取物的最佳閾值區間，以實現對云芝提取物的摻假研究。結果表明，使用一階導數(FD)和多元散射校正(MSC)的預處理方法，在主因子數為2，以及分別設置云芝提取物及摻假樣品的分類變量為1、0時，云芝提取物的分類變量值服從正態分布，其最佳閾值區間為0.54～1.28(包含0.54和1.28)。建立偏最小二乘判別(PLS-DA)模型，對驗證集樣品進行識別，正確率可達100%。因此，該方法可較好地對云芝提取物進行摻假識別，同時為云芝提取物摻假識別模型的界限值確立、建立最佳閾值區間提供理論依據和方法。

云芝提取物； 摻假； 近紅外； 閾值區間

云芝是一種常見的食用菌，也是一種名貴的中藥材[1]。其提取物中富含多種營養物質(多糖、萜類等)，可顯著提高人體免疫力、增強機體耐缺氧能力、有效抑制腫瘤、輻射等作用。隨著經濟和生活水平的提高，云芝提取物的需求量也在不斷的增長[2]。然而市面上的生產廠家的良莠不齊、品質不一也給部分不良廠商的摻假謀利帶來可乘之機[3]。常見利用的糊精、淀粉等廉價多糖的摻假，不僅阻礙企業的發展，同時也嚴重的損害到廣大消費者的權益[4]。

傳統的摻假鑒別方法主要有感官鑒別、顯微鑒別、物理鑒別(排水法、熱重分析法、微量升華法等)、化學鑒別(薄層色譜等)等[5-7]。然而，這些方法的樣品前處理過程復雜，鑒別時間長且操作繁瑣[8]。因此，建立一種快速、無損的鑒別云芝提取物摻假的方法，具有顯著的實用價值。

近年來，隨著光譜學和計算機的迅速發展，建立在近紅外光譜技術上的無損檢測，具有分析速度快、效率高、成本低等諸多優點，被廣泛應用在食品等領域[9]。Ruth等[10]采用PLS-DA模型識別動物油脂和植物油脂，其識別率可達100%。Chen等[11]通過建立PLS-DA模型對靈芝提取物進行溯源分析時，提出以±0.25作為界限值，識別率達到100%。邵平等[12]在建立PLS-DA模型識別靈芝提取物和云芝提取物時，提出以±0.5作為界限值，其識別率也達到100%。在建立識別模型中，確立界限值，建立識別模型的閾值區間，將直接影響樣品摻假與否的判定。但以上研究，界限值的確立均為研究者自行設定而沒有給出嚴謹的科學確立方法，且對于恰好達到界限值的樣品無法判定其有無摻假。為進一步探索界限值確立的方法，建立最佳模型閾值區間，并準確判定界限值樣品的摻假與否，本試驗擬采用近紅外漫反射光譜技術，運用偏最小二乘判別模型并結合Kolmogorov-Smirnov檢驗方法，對云芝提取進行摻假定性識別，同時也為云芝提取物摻假識別模型的界限值確立、建立最佳閾值區間提供理論依據和方法。

1 材料與方法

1.1 材料及儀器

試驗中云芝提取物來自不同產地(東北、龍泉、長白山、安徽大別山、大興安嶺)，摻假用的糊精來自河南(河南大田食品添加劑有限公司)，共計140個樣品，云芝提取物和摻假樣品各70個。運用直觀分類的方法，按照4∶1的比例，將所有的樣品分為建模集和驗證集，其中建模集中樣品數為56個，驗證集14個。儀器有德國布魯克光學儀器公司(Bruker Optics Inc.)MPA TM傅里葉變換近紅外光譜儀及稱量瓶等附件，TE-InGaAs檢測器，OPUS 6.5光譜采集。

1.2 近紅外光譜的采集

將樣品放置于環境溫度為(20±2)℃，濕度為(50±5)%的實驗室24 h[13]。以儀器內置背景為參比，將混合均勻的樣品倒入到稱量皿中壓實，采集樣品的近紅外漫反射光譜[14]。光譜波數范圍為12 400～4 000 cm-1，分辨率為8 cm-1，掃描次數為16次，取其平均光譜作為該樣品的原始光譜[15]。

1.3 偏最小二乘判別法

偏最小二乘判別法(PLS-DA)是一種用于判別分析的多變量統計分析方法。其原理是對不同處理樣本(如觀測樣本、對照樣本)的特性分別進行訓練，產生訓練集，并檢驗訓練集的可信度[16]。在光譜分析中，PLS-DA算法可通過提取有效信息與標準值之間建立回歸模型，并采用交互驗證的方式對模型驗證可防止過擬合現象的出現[17]。

1.4 Kolmogorov-Smirnov檢驗

Kolmogorov-Smirnov檢驗[18]是一種基于累積分布函數，用以檢驗1個經驗分布是否符合某種理論分布或比較2個經驗分布是否具有顯著性差異檢驗。對來自樣本數據的累計頻數分布與特定理論分布比較，通過兩者間的差距比較推論樣本取自某特定分布族[19]。

1.5 數據處理

本試驗采用TQ Analyst 8.6和SPSS 18分析軟件對數據進行分析。

2 結果與分析

2.1 樣品光譜圖的采集

通過傅里葉變換近紅外光譜儀采集全部樣品的原始光譜，分別求云芝提取物和摻假樣品的平均光譜見圖1。

圖1 樣品原始近紅外光譜圖

由圖1可知，兩者之間具有一些相同的吸收峰位，但是兩者之間具有明顯的差異，摻假樣品的吸光度明顯高于云芝提取物的吸光度。在8 000～4 000 cm-1二者近紅外光譜差異較大，這主要是與兩者表面顏色和發色集團的差異有關；在12 500～8 000 cm-1，二者區別較小。這些差異的存在使得近紅外漫反射光譜技術應用于二者的鑒別分析成為可能。

2.2 光譜的預處理

光譜數據中往往會含有環境以及儀器帶來的噪聲[20]。為去除光譜噪聲以及基線漂移等的影響，本試驗分別采用多元散射校正(MSC)、變量標準化(SNV)、一階導數(FD)、二階導數(SD)、驗證決定系數(R2)、校正均方根差(RMSECV)等方法進行預處理。不同的預處理方法建立識別模型的結果見表1。

表1 建模集中不同預處理的結果

由表1可知，采用FD并結合MSC建立模型的R2為0.988，RMSECV為0.078，此時RMSECV值最低，預處理效果達到最優。

2.3 主因子數的確定

在FD并結合MSC預處理下，建立PLS-DA模型，采用預測殘差平方和(pediction residual error sum of squares，PRESS)值來確定最佳主因子數。PLS-DA模型中PRESS值隨主因子數的變化見圖2，在避免過擬合的前提下，選取最低PRESS值所對應的主因子數。由圖2可知，在選擇主因子數為2時，預測殘差平方和較低，模型的優化效果較好。

圖2 PLS-DA模型PRES值隨主因子數的變化

2.4 模型的建立及閾值區間的確定

采用FD并結合MSC的預處理方法，在最佳主成分因子數為2時，設置云芝提取物的分類變量為1，摻假樣品的分類變量為0，建立偏最小二乘判別模型。對模型的結果進行Kolmogorov-Smirnov檢驗。

由表2可知，云芝提取物樣品在Kolmogorov-Smirnov檢驗下，其Asymp.Sig.(2-tailed)值為0.200，大于顯著水平0.05，即云芝提取物的預測變量值服從均值μ為0.912，標準偏差σ為0.124的正態分布；同理可知，摻假樣品的預測變量值并不服從正態分布。由正態分布的規律及其3σ原則可知，云芝提取物分類變量值的最佳閾值區間可確定為0.54～1.28(包含0.54和1.28)，云芝提取物摻假樣品變量值的閾值區間為小于0.54，而閾值大于1.28的變量值即可判定為異常樣品。

2.5 模型的預測和評價

運用建立的識別模型，對驗證集中28個樣品(14個云芝提取物樣品和14個摻假樣品)進行預測，結果如圖3，表3所示。

表2 樣品正態性檢驗結果

注：a，鑒定分配常態；b，從資料計算；c，Lilliefors顯著更正；d，true顯著下限。

圖3 云芝提取物摻假識別預測結果

識別效果樣品云芝提取物摻假樣品分類變量值10預測的變量值0.85～1.07-0.11～0.15可接受的預測范圍0.54～1.28<0.54正確率/%100100

由上述結果可知，通過建立的PLS-DA模型，對驗證集中的14個云芝提取物樣品分類準確度達到100%，14個摻假樣品的分類準確度也達到100%。因此，采用該方法將二者準確識別可行，同時也為PLS-DA模型確立界限值，建立最佳閾值區間提供了一種可行的方法。

3 小結與討論

目前，對云芝提取物摻假產品的鑒別試驗尚無統一的標準[21-22]。近紅外光譜分析技術通過采集樣品的漫反射光譜，直接獲取樣品的信息，從而可以達到對樣品進行定量和定性的分析[23-24]。本試驗針對不同的云芝提取物及摻假樣品的定性分析，相對于原始光譜，通過MSC并結合FD預處理的模型精確度可得到較好的提高，剔除了一些無用的信息[25]。但模型中對云芝提取物的摻假樣品沒有建立準確的閾值區間范圍[26]。其主要原因是沒有分析出云芝提取物的摻假樣品變量值分布規律，針對云芝提取物摻假樣品閾值區間的確定需要進一步的研究[27]。此外，本研究采集的樣本的品種和數量有限，是否具有典型的代表性在后續工作中需進一步驗證。

基于近紅外漫反射光譜技術，采用PLS-DA法結合Kolmogorov-Smirnov檢驗，可作為一種快速、無損識別云芝提取物摻假的方法。研究采集不同產地的云芝提取物及摻假樣品進行定性識別研究[28]。在12 500～4 000 cm-1波段，采集樣品的近紅外漫反射光譜，應用偏最小二乘判別法結合Kolmogorov-Smirnov檢驗模型中云芝提取物分類變量的分布規律，建立云芝提取物摻假定性識別模型的最佳閾值區間。對驗證集進行預測。結果表明，結合Kolmogorov-Smirnov檢驗，采用PLS-DA方法建立的識別模型能較好地對云芝提取物的摻假進行識別，驗證集樣品的識別正確率為100%。因此，偏最小二乘判別法結合Kolmogorov-Smirnov檢驗建立識別云芝提取物摻假模型是可行的，同時也為云芝提取物摻假識別模型建立最佳閾值區間提供一種理論依據和方法。

[1] SUN X，SUN Y，ZHANG Q，et al. Screening and comparison of antioxidant activities of polysaccharides from coriolus versicolor [J]. International Journal of Biological Macromolecules，2014，69(8)：12-19.

[2] JIAN C，CHISTI Y. Polysaccharopeptides of coriolus versicolor：Physiological activity，uses，and production [M]. John Wiley & Sons，Inc，2012.

[3] YI LZ，HE J，LIANG YZ，et al. Plasma fatty acid metabolic profiling and biomarkers of type 2 diabetes mellitus based on gc/ms and pls-lda [J]. FEBS Letters，2006，580(30)：6837-6845.

[4] 柏婷婷. 真菌多糖摻假檢測方法的研究[M]. 揚州：揚州大學，2008.

[5] 王靈靈，黃亞偉，戚淑葉，等. 基于主根橫斷面近紅外光譜的西洋參和人參鑒別研究 [J]. 光譜學與光譜分析，2012，32(4)：925-929.

[6] DONG J，ZHANG K，HUANG Y，et al. Adaptive total pls based quality-relevant process monitoring with application to the tennessee eastman process [J]. Neurocomputing，2015，154(1)：77-85.

[7] MUSUMARRA G，BARRESI V，CONDORELLI D F，et al. Genome-based identification of diagnostic molecular markers for human lung carcinomas by pls-da [J]. Computational Biology and Chemistry，2005，29(3)：183-195.

[8] WANG M，YAN G，FEI Z. Kernel pls based prediction model construction and simulation on theoretical cases [J]. Neurocomputing，2015，165(1):389-394.

[9] WANG A，AN N，CHEN G，et al. Improving pls-rfe based gene selection for microarray data classification [J]. Computers in Biology and Medicine，2015，62(1)：14-24.

[10] RUTH S M V，VILLEGAS B，AKKERMANS W，et al. Prediction of the identity of fats and oils by their fatty acid，triacylglycerol and volatile compositions using pls-da [J]. Food Chemistry，2010，118(4)：948-955.

[11] VERDUN S，CARIOU V，QANNARI E M. Weighted pls-discriminant analysis with application to conventional sensory profiling [J]. Food Quality and Preference，2012，23(1)：25-29.

[12] 邵平，王鈞，王星麗，等. 近紅外漫反射光譜技術快速無損識別靈芝和云芝提取物研究 [J]. 核農學報，2015，29(3)：499-505.

[13] 任紹鋼. 近紅外光譜技術在藥用真菌云芝活性成分快速無損分析中的應用[J].長春：吉林大學，2008.

[14] ROSSINI K，VERDUN S，CARIOU V，et al. Pls discriminant analysis applied to conventional sensory profiling data [J]. Food Quality and Preference，2012，23(1)：18-24.

[15] RICHTER N F，CEPEDA G，ROLDN J L，et al. European management research using partial least squares structural equation modeling (pls-sem) [J]. European Management Journal，2015，33(1)：1-3.

[16] REZAEI S. Segmenting consumer decision-making styles (cdms) toward marketing practice：A partial least squares (pls) path modeling approach [J]. Journal of Retailing and Consumer Services，2015，22(1)：11-15.

[17] RAHMAN IA，NAGAPAN S，ASMI A. Initial pls model of construction waste factors [J]. Procedia-Social and Behavioral Sciences，2014，129(1)：469-474.

[19] 從飛云，陳進，董廣明. 基于ar模型的kolmogorov-smirnov檢驗性能退化及預測研究 [J]. 振動與沖擊，2012，31(10)：79-82.

[20] 張瑜，談黎虹，曹芳，等. 可見-近紅外光譜分析技術對魚油摻假定量快速無損檢測方法研究 [J]. 光譜學與光譜分析，2013，33(6)：1532-1536.

[21] OUERTANI S S，MAZEROLLES G，BOCCARD J，et al. Multi-way pls for discrimination：Compact form equivalent to the tri-linear pls2 procedure and its monotony convergence [J]. Chemometrics and Intelligent Laboratory Systems，2014，133(1)：25-32.

[22] OLIVERI P，LOPEZ M I，CASOLINO M C，et al. Partial least squares density modeling (pls-dm)-a new class-modeling strategy applied to the authentication of olives in brine by near-infrared spectroscopy [J]. Analytica chimica acta，2014，851(2)：30-36.

[23] TIAN Z，GU B，YANG L，et al. Hybrid ann-pls approach to scroll compressor thermodynamic performance prediction [J]. Applied Thermal Engineering，2015，77(1)：113-120.

[24] KAYNAK R，SERT T，SERT G，et al. Supply chain unethical behaviors and continuity of relationship：Using the pls approach for testing moderation effects of inter-organizational justice [J]. International Journal of Production Economics，2015，162(2)：83-91.

[25] BEVILACQUA M，MARINI F. Local classification：Locally weighted-partial least squares-discriminant analysis (lw-pls-da) [J]. Analytica chimica acta，2014，838(1)：20-30.

[26] KRISHNAN A，WILLIAMS L J，MCINTOSH A R，et al. Partial least squares (pls) methods for neuroimaging：A tutorial and review [J]. NeuroImage，2011，56(2)：455-475.

[27] LENHARDT L，BRO R，ZEKOVIC I，et al. Fluorescence spectroscopy coupled with parafac and pls da for characterization and classification of honey [J]. Food chemistry，2015，175(2)：284-291.

[28] CHI Q，LIANG J. A multiple model predictive control strategy in the pls framework [J]. Journal of Process Control，2015，25(1)：129-141.

(責任編輯：張瑞麟)

2017-02-15

浙江省公益技術應用研究項目(2016C32SA501036)；湖州市公益技術應用研究項目(2016GY02)；杭州市科技項目20170432B20)

涂紅艷，碩士，從事食品檢測技術應用研究工作，E-mail：19808164@qq.com。

唐 敏，碩士，從事食品檢測技術應用研究工作，E-mail：41700770@qq.com。

10.16178/j.issn.0528-9017.20170731

O657；S567

A

0528-9017(2017)07-1992-04

文獻著錄格式：涂紅艷，唐敏，何晉浙，等. 近紅外漫反射光譜云芝提取物快速摻假識別研究[J].浙江農業科學，2017，58(7)：1192-1195，1198.