基于低場核磁共振技術的大米水分含量及活度快速預測

吉琳琳 夏阿林

(邵陽學院食品與化學工程學院，湖南 邵陽 422000)

水分活度是一個反映產品穩定性和微生物安全的重要參數，主要用來反映物料平衡狀態下的水分狀態，可以更加準確地反映食品中自由水的含量。隨著周圍環境條件的不斷變動，大米中的水分活度也會隨之產生變化，活度值的大小對大米的質構與穩定性有直接的影響[1-4]。因此探索一種快速而準確的同時檢測大米水分含量及活度的方法，對控制大米口感、加工、儲藏、運輸、微生物的穩定性、保質期、營養價值等具有重要意義。

低場核磁共振技術作為一種應用于食品領域的新技術，具有無損、綠色以及快速等優點。該技術使用特定的脈沖序列Carr-Purcell-Meiboom-Gill(CPMG)，使樣品中的氫質子發生共振后由非平衡狀態恢復至平衡狀態的過程稱為弛豫過程，此過程中橫向矢量方向恢復平衡所需要的時間常數稱之為橫向弛豫時間(T2)。氫質子在食品中含量極高，能產生很強的核磁共振信號。氫質子的存在狀態與弛豫時間往往具有較好的相關性，其所處的物理化學環境不同，會引起弛豫時間的變化，從而獲取食品樣品的大量內部信息。在不破壞樣品本身的情況下結合化學計量學算法直觀地顯示它們的變化，從而達到對樣品的定量定性分析[5-7]。測定水分的傳統方法大多為干燥法、蒸餾法、卡爾·費休法等[8]，這些方法雖都具備穩定性高、準確度高的特點，但大都存在過程繁瑣、耗時費力等缺點，難以滿足對大批量樣品快速測定的要求。也有文獻報道采用液質聯用[9]、近紅外[1-2,10]等現代分析儀器檢測食物中的水分。與這些方法相比，由于低場核磁共振更能反映水的存在狀態，因此采用低場核磁共振預測水分含量及活度更有優勢。目前，采用低場核磁共振預測食品中的水分主要是結合一元校正方法[11-12]，該方法最大的缺陷就是對干擾成分信息特別敏感而產生較大誤差。多元校正是化學計量學中最為活躍的重要分支，采用多通道分析測量，有效地減小了測量誤差，能快速解決多變量校正問題，即待測組分不經分離或掩蔽便可對其進行同時測定。

本試驗以大米為研究對象，采用多元校正方法[13-16]提取低場核磁共振譜的有效信息并建立模型，實現對大米水分含量和活度的同時快速檢測。旨在探索一種基于低場核磁共振儀的無損、快速、方便、高效的水分含量及活度同時預測的方法?？煽焖俦O測大米在加工和儲藏過程中水分含量及活度變化，為控制微生物的穩定性、儲存時間、保存品質以及食用安全性等提供理論與技術支持。

1 材料與方法

1.1 材料與試劑

試驗大米全部從大型超市購買。隨機選取5個品種大米，分批購買50次，共獲得樣品250個。每種大米購買100 g，分別以小塑料袋裝好并編號為1～250。

1.2 儀器與設備

低場核磁共振臺式儀：MQC-23型，英國牛津公司(Oxford-instruments)；

電子天平：ME104型，梅特勒-托利多儀器(上海)有限公司；

電熱鼓風干燥箱：GZX-9140 MBE型，上海博迅實業有限公司；

水分活度測定儀：HD-3A型，無錫市華科儀器儀表有限公司。

1.3 方法

1.3.1 低場核磁共振檢測 采用電子天平稱量10 g大米，移入26 mm的核磁共振樣品管，再將樣品管放置于測量池中，儀器磁體溫度為32 ℃。樣品管放置5 min后，開始使用儀器測量，獲得回波曲線數據。每個回波數據通過儀器自帶的WinDXP軟件運行反演算法獲得橫向弛豫時間反演譜(T2譜，默認輸出為128 個數據點)。每個大米樣品重復測量3次，并對每次回波數據進行反演，3次反演數據進行算術平均，平均值作為該樣品最終的T2譜數據。圖1顯示了全部250個樣品T2譜。儀器共振頻率為23.4 MHz(氫質子)，脈沖序列采用Carr-Purcell-Meiboom-Gill(CPMG)序列。序列參數設置：SW(采樣頻率)1 000 kHz；P180(180°硬脈沖寬度)10.9 μs；P90(90°硬脈沖寬度)5.45 μs；NECH(回波個數)512；TAU (半回波時間)150 μs；NS (累加次數)16次。

圖1 所有大米樣品的橫向弛豫時間反演曲線

1.3.2 偏最小二乘法(PLS) 偏最小二乘方法主要用來解決變量之間存在多重相關性問題的一種回歸方法。該方法通過對樣本進行訓練學習，建立相應的預測模型，來達到預測目的。使用PLS建模之前，首先需要確定最優主成分數。本研究采用留一交互驗證法[17]來確定模型的最優主成分數，評價標準采用交互驗證均方根誤差(RMSECV)，按式(1)計算：

(1)

式中：

Km——校正集樣本數；

Pi——第i個樣本的預測值；

Ci——第i個樣本的參考值。

將最優主成分數確定后，運用PLS方法對大米校正集樣本進行訓練，分別建立水分含量及活度校正模型，并用之前沒有參加訓練的預測集樣品進行測試檢驗。

1.3.3 誤差反向傳播人工神經網絡(BP-ANN) 人工神經網絡是通過模擬人腦神經元的學習、記憶、處理問題等功能，而建立起來的一種具有自適應、自組織和自學習特點的并行分布式處理系統計算機模型。神經網絡可以通過學習獲取相關知識并存儲于各連接權重中，具有很強的容錯和非線性映照能力[18]。誤差反傳人工神經網絡是在各種人工神經網絡方法中應用最廣的一種，一般包含3部分：輸入層、隱含層和輸出層。隱含層節點數的選擇是一個十分復雜的問題，同樣也是人工神經網絡模型中一個非常重要的環節。到目前為止還沒有找到一個理想的解析式來表示，通常根據前人的經驗和自己通過多次試驗來確定[19]。本研究中人工神經網絡結構采用單隱含層，通過試驗，確定水分含量模型的最優隱含層節點數為13，水分活度模型的最優隱含層節點數為11。輸入層節點數作為T2譜數據點數(即128個)。以預測值(水分活度或含量)數(即1)作為輸出層的節點數。訓練函數采用Levenberg-Marquardt算法[18]。

采用雙曲線正切函數(tansig函數)作為輸入層和隱含層以及和隱含層和輸出層的轉換函數，按式(2)計算正切函數。

(2)

采用誤差平方和(SSE)作為BP-ANN訓練收斂判別公式，按式(3)計算誤差平方和。

(3)

式中：

m——校正集樣本數；

n——輸出節點數；

Eij——輸出期望值；

Oij——校正預測輸出值。

1.4 數據處理

回波曲線數據反演采用儀器自帶的WinDXP數據分析軟件處理。PCA、PLS算法程序和BP-ANN算法主程序都在MATLAB軟件平臺上自編和運行。BP-ANN算法的部分子程序從MATLAB工具箱中調用。作圖軟件采用OriginLab公司開發的Origin軟件。

2 結果與分析

2.1 樣品和參考值

將全部250個大米樣品分為校正樣品和預測樣品兩部分，校正樣品采用隨機法選取160個，預測樣品為剩余的90個樣品。每個樣品通過儀器測量后，從測量池取出樣品管，將樣品移出，置入研缽，迅速研細至粒徑大約0.5 mm。稱取5～6 g (精確至0.000 1 g)試樣置入稱量瓶中。水分參考值的測定按照GB 5009.3-2016中直接干燥法進行。表1為測得的大米樣品水分含量。另外稱取1.000 g試樣快速放入玻璃皿中，置于密閉、恒溫的水分活度儀測量艙內，此時水分活度儀測量艙內的傳感器或數字化探頭顯示出的響應值(相應濕度對應的數值)即為樣品的水分活度(AW)。水分活度參考值的測定方法按照GB 5009.238—2016進行。表2為測得的大米樣品水分活度值。通過國標法測定的水分含量及活度值作為化學計量學校正方法建模和預測評價時所需的參考值。

2.2 水分含量建模與預測

使用偏最小二乘方法測定大米樣品的水分含量前，首先需要確定最佳主成分數。采用留一交互驗證法獲得RMSECV值與主成分數之間的關系曲線，如圖2所示。

表1 大米水分參考值

表2 大米水分活度參考值

圖2 交互驗證均方根誤差與主成分數的關系

從圖2中可見，當主成分數被選為17時，獲得最小RMSECV值。因此最佳主成分數選為17。主成分確定后，采用PLS方法對160個大米校正集樣本進行建模，獲得PLS校正模型。運用該校正模型預測90個預測集樣本，對預測結果與參考值進行比較，驗證模型性能。圖3(a)、(b)分別顯示校正集樣品預測值與參考值之間的相關曲線以及預測集樣品預測值與參考值之間的相關曲線。從圖3中可知，對于校正集與預測集樣品，PLS校正模型獲得的水分含量預測值與國標法測得的參考值之間線性相關性較好。

圖3 校正集及預測集大米樣品水分含量的參考值與

Figure 3 Correlation between reference and predicted values by PLS for rice water content of calibration set and prediction set samples

采用BP-ANN方法對160個大米校正集樣本進行訓練優化建模，獲得BP-ANN校正模型。運用該校正模型預測90個預測集樣本，得到的預測結果與相應水分含量的參考值進行統計比較，驗證BP-ANN模型性能。圖4(a)、(b)分別顯示校正集樣品預測值與參考值之間的線性相關曲線以及預測集樣品預測值與參考值之間的相關曲線。從圖4中可知，對于校正集與預測集樣品，BP-ANN校正模型獲得的水分含量預測值與國標法測得的參考值之間線性相關性較好。

圖4 校正集及預測集大米樣品水分含量的參考值與BP-ANN方法獲得的預測值關系

Figure 4 Correlation between reference and predicted values by BP-ANN for rice water content of calibration set and prediction set samples

以上2種多元校正模型的預測統計結果見表3。由表3可知，PLS方法與BP-ANN方法相比，校正集均方根誤差(RMSEC)值較小，校正集相關系數(Rc)較大。因此，對于校正集，PLS方法的預測結果要稍微好一點。對于預測集，PLS方法與BP-ANN方法相比，預測集均方根誤差(RMSEP)值較大，預測集相關系數(Rp)值也較大，但都相差不大，反映兩種方法性能相當。結果顯示，2種多元校正方法都能比較好地快速測定大米中的水分。

表3 PLS和BP-ANN預測大米水分的統計結果

2.3 活度建模與預測

圖5顯示所選主成分與RMSECV值之間的關系曲線。從圖5中可見，當主成分數設為5時，獲得最小的RMSECV值。因此最佳主成分數選為5。

采用PLS方法對160個大米校正集樣本建模，獲得PLS水分活度校正模型。運用該校正模型預測90個預測集樣本。通過比較預測結果與國標法測得的參考值，驗證所建模型性能。圖6(a)、(b)分別顯示校正集樣品預測值與參考值之間的相關曲線以及預測集樣品預測值與參考值之間的相關曲線。從圖6中可知，對于校正集與預測集樣品，PLS校正模型獲得的水分活度預測值與參考值之間線性相關性較好。

圖5 交互驗證均方根誤差與主成分數的關系

圖6 校正集及預測集大米樣品水分活度的參考值與PLS方法獲得的預測值關系

Figure 6 Correlation between reference and predicted values by PLS for rice water activity of calibration set and prediction set samples

采用BP-ANN方法對160個大米校正集樣本進行訓練優化建模，獲得BP-ANN水分活度的校正模型。運用該校正模型預測90個預測集樣本。通過比較預測結果與參考值，驗證BP-ANN模型性能。圖7(a)、(b)分別顯示校正集樣品預測值與參考值之間的線性相關曲線以及預測集樣品預測值與參考值之間的相關曲線。從圖7中可知，對于校正集與預測集樣品，BP-ANN校正模型獲得的水分活度預測值與國標法測得的參考值之間具有較好線性相關性。

圖7 校正集及預測集大米樣品水分活度的參考值與BP-ANN方法獲得的預測值關系

Figure 7 Correlation between reference and predicted values by BP-ANN for rice water activity of calibration set and prediction set samples

多元校正模型的預測統計結果見表4。由表4可知，PLS方法與BP-ANN方法相比， RMSEC值較大，Rc較小。因此，對于校正集，BP-ANN方法的預測結果要稍微好一些。對于預測集，PLS方法的RMSEP值較大，Rp值較小，因此BP-ANN方法的預測結果也稍微好一些。結果顯示，對大米中水分活度的快速測定，BP-ANN方法性能優于PLS方法。不過PLS方法也能獲得滿意的結果。

表4 PLS和BP-ANN分析大米水分活度的統計結果

3 結論

本研究采用PLS和BP-ANN 2種最有代表性的多元校正方法結合低場核磁共振對大米的水分含量及活度進行預測。與傳統方法相比，該方法具有快速、無損、可同時預測多個指標等優點。與其它光譜方法相比，由于預測樣品中的氫質子共振信號常與其存在狀態和物理化學環境相關聯，因此低場核磁共振預測水分含量及活度會更具有優勢。試驗結果也顯示低場核磁共振結合多元校正方法對復雜的大米樣品測定表現出較好的預測性能。然而本研究也存在一些需要解決的問題，如大米預測模型的代表性問題，樣品均勻性問題等，這些都會成為決定測定結果的準確程度的因素之一。實際應用中，可通過擴大樣品類型以及對樣品進行多方位測量來提高模型的適用性從而擴大低場核磁共振在大米品質評價和控制中的應用。