基于紅外光譜角度度量模型同時測定辣椒油品質指標

李嘉偉，粟暉，姚志湘

(廣西科技大學 生物與化學工程學院，廣西 柳州 545000)

辣椒油是生活中常見的復合調味品。在食用過程中，由于辣椒油的存放方式、重復使用或是摻偽[1]的原因造成其品質發生變化，繼而影響人體健康。對于植物油品質的檢測方法主要有理化檢驗法、氣相色譜法[2]、電子鼻技術等[3-4]。近紅外光譜分析技術操作簡便，可以做到無損檢測，常與化學計量學結合，在調味品成分的定量檢測與品質評價中有所應用[5-6]。酸值、過氧化值和折光率也是衡量油脂酸敗程度、穩定性的重要指標。測定酸值的方法主要有滴定法、比色法、紫外分光光度法、紅外光譜法等。滴定法操作繁瑣，所用試劑多；比色法[7]所需表面活性劑成本較高；紫外分光光度法[8]樣品預處理復雜；而紅外光譜法[9]樣本無需預處理，且簡單易操作，周玲玲等[10]采用ATR/FTIR結合PLS，建立同時測定植物油酸值、粘度、折光率的模型。國標法、色譜法[11]在測定過氧化值時也暴露了上述缺點，隨著紅外光譜法[12]的引入，同樣簡化了過氧化值的測定；而折光率多數參照國標法測定，但是針對同時測定多種辣椒油品質指標的方法未見報道。

光譜法雖然操作簡捷，成本低、但由于環境因素導致信號強度不穩定，建模效果勢必會受到影響，角度度量法[13-14]用空間來描述多組分體系，視每個組分為空間中的單一向量，通過將強度信號轉換為角度度量信號，消除環境帶來的誤差，之后利用偏最小二乘法建立模型，提高了模型的穩定性和預測能力。

本文通過采集不同辣椒油樣本的紅外光譜，利用角度度量方法，建立同時檢測辣椒油的3種關鍵品質指標的方法，避免了現存分析方法的缺點，實現了辣椒油大批量的快速檢測。

1 材料與方法

1.1 材料與試劑

辣椒油(市售)、無水乙醇(AR)、乙醚(AR)、氫氧化鉀(AR)、鄰苯二甲酸氫鉀(AR)、百里酚藍(AR)、三氯甲烷(AR)、冰醋酸(AR)、碘化鉀(AR)、硫代硫酸鈉(AR)、重鉻酸鉀(AR)、濃硫酸(AR)、可溶性淀粉(AR)。

1.2 儀器與設備

DF-101S集熱式恒溫加熱磁力攪拌器 鞏義市予華儀器責任有限公司；AR124C精密電子天平 上海奧豪斯儀器有限公司；Frontier紅外光譜儀 美國PE公司；WZS-1阿貝折光儀 邢臺潤聯科技開發有限公司。

1.3 方法

1.3.1 樣本的制備

辣椒油Ⅰ、辣椒油Ⅱ：現購市售辣椒油；辣椒油Ⅲ、辣椒油Ⅳ、辣椒油Ⅴ：放置2年以上。

辣椒油Ⅰ在200 ℃下油浴加熱22 h，加熱數小時后取樣，如0 h為樣本S1，加熱2 h后取樣得到S2，依次類推，得到樣本S1～S12；辣椒油Ⅱ在180 ℃下油浴加熱18 h，得到樣本S13～S21；市售與辣椒油Ⅲ～Ⅴ按不同配比混合制得樣本S22～S40。

混合，加熱使樣品呈現不同氧化酸敗狀態，為以后的建模提供不同品質指標的樣本。

1.3.2 樣本酸值、折光率、過氧化值測定

酸值、過氧化值采用國標法測定；折光率采用阿貝折光儀在25 ℃下測定。

1.3.3 樣本紅外光譜的采集

環境溫度為25 ℃，光譜采集范圍為4000～450 cm-1，數據間隔為1 cm-1，分辨率4 cm-1，積分時間1 min，ATR采集附件，采集3次光譜。

2 結果與分析

2.1 加熱條件與混合比例對酸值、折光率、過氧化值的影響

通過加熱和混合的方式得到40個不同品質的辣椒油樣本。隨著加熱時長增加，油脂酸值、折光率增大，且溫度越高，數值增大越快；油脂加熱后，穩定性下降，發生水解，油樣中游離脂肪酸的含量增加，隨著羧基的含量增多，氫鍵的數量迅速增加，分子間的作用力增強，對應的光譜透射率也相應增大。過氧化值在加熱過程中，溫度越高，變化幅度越大，但過氧化值的大小與加熱溫度和時長無相關性，可能歸因于過氧化物本身的不穩定，其生成和分解處于動態過程。在混合樣本中，隨著品質較差(經加熱處理或長期暴露于空氣中)的油樣所占比重升高，3種指標化學值也隨之增大。

2.2 系列辣椒油樣本的紅外光譜分析

選取在200 ℃下加熱0，8，18，22 h 4個時間點的樣本，觀察其譜圖變化，見圖1。

圖1 辣椒油Ⅰ經200 ℃下不同加熱時間的辣椒油樣本紅外光譜特征峰變化Fig.1 The changes in infrared spectra characteristic peaks of chili oil samples of chili oil I with different heating time at 200 ℃

2.3 分析模型建立

2.3.1 校正集和驗證集的選擇與確定

將全部樣本的3種指標數據由大到小排列，按照一定間隔選取10個樣本作為驗證集，剩余30個樣本為組成校正集。兩者各指標的取值范圍見表1。驗證集各個指標的取值范圍均小于校正集樣本相應指標的取值范圍，符合驗證集的選擇標準，可以用來建模。

表1 樣本各指標的分布范圍Table 1 The distribution ranges of each index of the samples

2.3.2 基于角度度量的建模方法

將辣椒油紅外光譜分為校正集光譜矩陣A，驗證集光譜矩陣V，基準光譜M(未經處理的辣椒油紅外光譜)，并進行區間分割，即A=[A1,A2,……，An]、V=[V1,V2,……，Vn]、M=[M1,M2，……，Mn]，n為紅外光譜分割成的區間數，K為分割步長。根據向量點積公式，求得A、V與M的夾角余弦值，進而將光譜信號轉化為角度信號。以轉換后的角度數據矩陣為自變量，辣椒油3種指標的真實值為因變量，采用偏最小二乘法回歸分析，建立辣椒油關鍵品質指標的多變量回歸模型。

2.3.3 辣椒油3種品質指標的分析模型建立

選取校正集光譜數據為自變量(X)，酸值、折光率、過氧化值的真實值作為因變量(Y)，分別用PLS和VAPLS建立辣椒油3種品質指標分析模型。采用預測值與真實值相關系數(R)和均方根誤差(RMSE)判斷模型穩定性及預測效果。

由于光譜不同波段所攜帶信息的差異，本文將樣本光譜分為500～4000 cm-1；500～3100 cm-1；500～2100 cm-1及2600～4000 cm-1；500～2100 cm-1及2600～3100 cm-14種特征波段。并通過一階導(D1)、二階導(D2)、多元散射校正(MSC)[16]、標準正態變換(SNV)[17]的方法分別對光譜進行預處理。

2.3.3.1 酸值分析模型建立

主成分數和區間分割步長的選取對模型的穩定性、預測性有很大影響。主成分數選取不足，會丟失原始光譜中的重要信息，造成欠擬合；反之，如果主成分數選取過多，將會在模型中引入噪聲或散射光等無用信息，造成過擬合。分割步長越大，區間數越少，樣本與基準組分組成的夾角余弦矩陣維數越少，可提高運算速度，但同時會遺漏組分相關信息；分割步長越小，劃分的間隔數越多，對樣本組成的研究越詳細，但同時會增加建模時間，因此在建模時應選取最佳分割步長。

用主成分分析法對校正集光譜數據進行降維分解，根據二階差分序列[18]的方法選取最佳主成分數，當原光譜主成分數達到4后，二階差分值明顯降低，噪聲和背景光譜引起序列尾部的不均勻，之后趨于平緩，因此選擇主成分數為4，將最佳主成分數帶入自編程序，得到其最佳分割步長，見圖2。

圖2 二階差分序列變化圖Fig.2 The sequence variation diagram of second order difference

不同建模條件下的酸值建模結果見表2。

表2 不同光譜預處理下酸值建模效果最優波段Table 2 The optimal bands of acid value modeling effect under different spectral pretreatments

由表2可知，VAPLS建模結果優于PLS。選取500～2100 cm-1及2600～4000 cm-1紅外光譜波段，原光譜(None)建立的VAPLS模型最佳，校正集相關系數(RA)和驗證集相關系數(RV)為0.9936，0.9959，均方根誤差(RMSE)分別為0.0282，0.0264。雖然二階導數處理后的模型校正集相關系數較高，但驗證集的相關系數較差，分析原因是二階導數在消除光譜中漂移和散射的過程中消除了部分攜帶有效信息的光譜，同時噪聲被放大，信噪比降低[19]，導致驗證集的效果較差。兩種建模方法的酸值真實值與預測值散點圖分析結果見圖3。

圖3 不同建模方法的酸值真實值與預測值散點圖Fig.3 The scatter plots of real and predicted acid values under different modeling methods

2.3.3.2 過氧化值分析模型建立

不同建模條件下的過氧化值建模結果見表3，VAPLS同樣較優。選取500～3100 cm-1紅外光譜波段，經過D1處理，建立的VAPLS模型最佳，其校正集和驗證集相關系數為0.9923，0.9421，均方根誤差分別為0.0176，0.0543。過氧化值真實值與預測值的散點圖分析結果見圖4，在D2處理后的模型中，同樣有較好的校正集，但驗證集較差，進一步說明二階導數對辣椒油的紅外光譜校正過度，消除了建模所需的有效信息。

表3 不同預處理下過氧化值建模效果最優波段Table 3 The optimal bands of peroxide value modeling effect under different pretreatments

圖4 不同建模方法下的過氧化值真實值與預測值散點圖Fig.4 The scatter plots of real and predicted peroxide values under different modeling methods

2.3.3.3 折光率分析模型建立

由表4可知，選取全波段未處理紅外光譜，建立的VAPLS模型為最佳，校正集和驗證集相關系數為0.9925，0.9907，均方根誤差分別為0.000132，0.000147。折光率真實值與預測值散點圖分析結果見圖5。

表4 不同預處理下折光率建模效果最優波段Table 4 The optimal bands of refractive index modeling effect under different pretreatments

圖5 不同建模方法下的折光率真實值與預測值散點圖Fig.5 The scatter plots of real and predicted refractive indexes under different modeling methods

選擇不同波段光譜可以有效利用光譜信息，并通過對光譜預處理去除光譜中樣品背景、雜散光等無關信息，提高模型預測能力。光譜經過平滑處理，消除基線，提高信噪比，但可能丟失光譜的部分有效信息；SNV假設所有變量具有相同的標準偏差。而MSC假設乘性和加性的變化遠大于樣品濃度或化學性質變化，當與假設情況不符時，也會導致模型預測能力降低[20]。

PLS法受乘性效應影響較大，而角度度量(VAPLS)利用向量方向的確定性，將光譜信號轉換為角度信號，重構數據矩陣，有效地消除乘性效應，進一步提高了模型的預測性和穩定性。從辣椒油3種品質指標的分析模型結果來看，也驗證了VAPLS法較優于傳統偏最小二乘法。

2.3.4 市售辣椒油的品質分析

購入4種市售辣椒油，采集其紅外光譜數據，并按1.3.2方法測量3種指標的真實值，將各樣本光譜數據和真實值導入計算平臺，依照各指標的建模條件參數，分別采用VAPLS和PLS對3種品質指標進行預測，結果見表5。

表5 4種市售辣椒油不同模型預測結果Table 5 The prediction results of different models for four commercial chili oil

VAPLS法預測值均方根誤差分別為0.0185，0.0001，0.0355；PLS法預測值均方根誤差分別為0.0527，0.0001，0.1006。雖然兩種模型個別預測值較為接近，但結合角度度量法的預測值相對更加準確，且均方根誤差較小。

3 結論

本文以辣椒油樣本作為研究對象，利用紅外光譜技術結合基于角度度量的偏最小二乘法對辣椒油酸值、折光率、過氧化值3種指標采用不同預處理方式分波段建模，并與傳統偏最小二乘法進行比較。VAPLS建模整體較優，得到3種模型校正集相關系數均大于0.99，酸值、折光率預測集相關系數也在0.99以上，過氧化值驗證集相關系數為0.9421；市售辣椒油均方根誤差較小，表明模型具有良好的預測性和穩定性，該方法只需采集一次辣椒油光譜，即可測得3種關鍵指標，適用于辣椒油大批量的快速檢測。