基于近紅外激光拉曼光譜的山茶油摻假判別分析方法研究

摘 要：采用1 030 nm激發(fā)光源的近紅外拉曼光譜結(jié)合數(shù)據(jù)驅(qū)動型簇類獨立軟模式分類法、偏最小二乘法對山茶油與幾種食用油進(jìn)行聚類分析和摻假定量分析。結(jié)合數(shù)據(jù)驅(qū)動型簇類獨立軟模式分類法的一類判別分析發(fā)現(xiàn)建立的鑒定模型能將山茶油和大豆油、玉米油、花生油、葵花籽油樣本分開，校正集和預(yù)測集的靈敏度和特異性均達(dá)到100%；結(jié)合偏最小二乘法能準(zhǔn)確進(jìn)行山茶油摻假定量分析，結(jié)果準(zhǔn)確可靠，最低檢測限可達(dá)5%，為山茶油鑒定與摻雜量預(yù)測提供了一種快速、簡單、準(zhǔn)確的方法。

關(guān)鍵詞：山茶油摻假；近紅外拉曼光譜；偏最小二乘法；數(shù)據(jù)驅(qū)動型簇類獨立軟模式分類法（DD-SIMICA）

Abstract： Near-infrared Raman spectroscopy on 1 030 nm excitation light source combining with data driven soft independent modelling of class analogy method and partial least-square method were used to cluster analysis and adulteration quantity of Camellia japonica L. oil and other edible oil. The one-class discriminant analysis combining with data driven soft independent modelling of class analogy method was established could distinguish Camellia japonica L. oil and soybean oil， corn oil， sunflower seed oil sample， the sensitivity and specificity of calibration set and predictive set both reached 100%. Partial least-square method was combined to adulteration quantitative analysis of Camellia japonica L. oil， the results were accurate and minimum detection limit reached 5%. The methods were speedy， simple and accurate to identification and adulteration quantitative prediction of Camellia japonica L. oil.

山茶油是我國特有的木本油脂，在國際、國內(nèi)市場上備受消費(fèi)者青睞。山茶油營養(yǎng)價值高，碘值含量低，富含不飽和脂肪酸以及維生素E、角鯊烯等抗氧化成分，不含棉酚、芥酸和皂素等有害物質(zhì)，在高端植物油市場中占有較高的比例[1-2]。山茶樹從種植到開花結(jié)果需要6～10年，且山茶籽多采用機(jī)械方式壓榨，生產(chǎn)加工工藝復(fù)雜，產(chǎn)油率低，所以山茶油的價格比其他食用油高3～5倍[3]。然而市場上各種山茶油品質(zhì)良莠不齊，將廉價油摻入山茶油中的侵權(quán)事件時有發(fā)生，因此對山茶油摻假進(jìn)行判別尤為重要。開展快速準(zhǔn)確的食用油摻假判別檢測是食品安全監(jiān)控領(lǐng)域的一項技術(shù)性難題。實驗室通常采用色譜法檢測食用油中的脂肪酸、甾醇、甘油三酯、碳水化合物和揮發(fā)性物質(zhì)等成分，再與國家標(biāo)準(zhǔn)中不同植物油的脂肪酸組成成分和含量進(jìn)行比較，判別食用油的種類和品質(zhì)[4-5]。而各類植物油的40余種脂肪酸組成成分類似、含量不同，僅用檢測油品中脂肪酸組成和含量的方法來鑒別摻假情況工作量大，而且較難實現(xiàn)快速定性、定量摻假判別。

拉曼光譜法是一種以物質(zhì)特定的分子振動光譜來識別不同結(jié)構(gòu)的無損檢測技術(shù)，并對C=C、C≡C和C≡N等基團(tuán)存在較敏感的特征信號，成為分析食用油摻假的有力工具[6]。近紅外拉曼的激光源波長范圍通常在780～2 526 nm，幾乎所有食用油脂肪分子的主要結(jié)構(gòu)和組成都可以在拉曼光譜中找到信號，且譜圖穩(wěn)定[7]。由于近紅外拉曼光譜產(chǎn)生的能量低于激發(fā)熒光所需閾值，可以避免大部分熒光的干擾，同時激發(fā)光波長越長，穿透深度越深，因此近紅外光的拉曼信號比可見光的拉曼信號能夠提供更多的信息，可以快速、簡便地對多組分樣品尤其是食用油樣品進(jìn)行光譜分析[8]。

由于不同植物油之間的光譜差異較小，通常需要結(jié)合主成分分析（Principal Component Analysis，PCA）、偏最小二乘法（Partial Least Square Method，PLS）、線性判別分析法（Linear Discriminant Analysis，LDA）、K最近鄰分類算法（K-Nearest Neighbor Algorithm，KNN）等化學(xué)計量法對光譜數(shù)據(jù)進(jìn)行聚類判別分析[9-10]。本研究采用1 030 nm激發(fā)光源的近紅外拉曼光譜結(jié)合數(shù)據(jù)驅(qū)動型簇類獨立軟模式分類法（Data Driven Soft Independent Modelling of Class Analogy Method，DD-SIMCA）、PLS等數(shù)據(jù)分析方法對山茶油與幾種食用油進(jìn)行聚類和摻假定量分析，實現(xiàn)對山茶油摻假鑒別的定性、定量高效識別，為食用油摻假的監(jiān)管檢測領(lǐng)域提供有效的技術(shù)支撐。

1 材料與方法

1.1 試驗樣本

聚類分析的實驗樣本為廠家提供或市場購買的5種食用油共99個樣本（17份山茶油、22份玉米油、40份花生油、12份葵花籽油和8份大豆油）。摻假定量分析的樣本為選取2個廠家提供的山茶油樣本分別摻入不同比例（5%、10%、15%、20%、25%、30%、35%、40%、45%、50%、55%、60%、65%、70%、75%、80%、85%、90%和95%）的大豆油、葵花籽油、玉米油以及1∶1的玉米大豆油，共計152個樣本；摻入不同比例（5%、10%、15%、20%、25%、30%、35%、40%、45%、50%、55%和60%）花生油，共計24個樣本；摻入不同比例（5%、10%、15%、20%、25%、30%、35%、40%、45%和50%）棕櫚油，共計20個樣本，再加8個未摻雜樣本合計204個植物油樣本。

1.2 拉曼光譜采集

①儀器條件：Inspector 500拉曼光譜儀激光器為Class III B 1 030 nm，激光輸出功率300 mW；CCD為TE制冷Ⅲ-Ⅳ半導(dǎo)體陣列；光譜分辨率為8～10 cm-1。②拉曼光譜采集：分別從1 mL帶蓋石英進(jìn)樣瓶中移取800 μL食用植物油樣本，置于樣品池中采集拉曼光譜，在2 h內(nèi)完成測試。光譜積分時間為15 s，平均次數(shù)為5次。

1.3 光譜數(shù)據(jù)處理及建模

選擇光譜范圍為150～2 450 cm-1，所有的光譜數(shù)據(jù)都去除熒光背景、平滑以及歸一化處理后，采用MATLAB R2018a軟件來進(jìn)行數(shù)據(jù)處理及建模。DD-SIMCA是基于主成分分析，用于將某個特定目標(biāo)類別從其他所有對象類別中區(qū)分出來的一種模式識別方法[11]。偏最小二乘法主要是研究多個自變量與因變量之間的相關(guān)關(guān)系，是基于因子分析的多變量校正方法，通常被用于特征提取和聚類分析、線性模型擬合以及定量校正模型適用性判斷等[12]。

2 結(jié)果與分析

2.1 植物油樣品的拉曼光譜分析

5種食用油（山茶油、花生油、大豆油、玉米油和葵花籽油）以及大豆油和玉米油（1∶1）的近紅外拉曼光譜如圖1所示。6種植物油，特別是山茶油和花生油的拉曼光譜圖和特征峰位置類似，拉曼特征峰都集中在800～1 800 cm-1，但峰值強(qiáng)度存在差異，這也為使用拉曼光譜法鑒別不同植物油以及摻假情況提供了理論基礎(chǔ)。食用油的拉曼特征譜峰反映了分子振動方式和對應(yīng)的官能團(tuán)信息，圖1中拉曼頻移在870 cm-1、1 302 cm-1和1 444 cm-1處的特征譜峰分別對應(yīng)-CH2的伸縮振動、卷曲振動和剪式振動；960 cm-1和1 657 cm-1分別表示C=C的彎曲振動峰以及順式C=C的伸縮振動峰；1 082 cm-1和1 268 cm-1主要對應(yīng)脂肪酸分子中的C-C彎曲振動；1 745 cm-1是羰基的C=O伸縮振動峰[13]。

2.2 基于DD-SIMCA的一類判別分析

本文隨機(jī)選取5種植物油中的67個食用油樣本作為訓(xùn)練集，剩下的32個食用樣本作為預(yù)測集，使用DD-SIMCA算法等進(jìn)行山茶油與其他種類植物油的一類判別分析。將隨機(jī)選取的校正集和預(yù)測集樣本均按照山茶油和其他油分為兩類，設(shè)定計算參數(shù)為校正集數(shù)據(jù)采用中心化預(yù)處理，主成分?jǐn)?shù)為3，接受區(qū)域類型選擇卡方分布，并使用經(jīng)典的估值方法（α=0.01；γ=0.01）[14]。

為了測試模型對目標(biāo)類（山茶油）新數(shù)據(jù)集的接受和拒絕能力，分別用預(yù)測集中山茶油、非山茶油和所有類別樣本數(shù)據(jù)進(jìn)行驗證[15]，結(jié)果見圖2（a）。圖2（b）顯示所有的校正集數(shù)據(jù)都在公差范圍內(nèi)（以垂直線表示），表明基于DD-SIMCA模型的校正集不包含異常值。因此該5種食用植物油樣本的近紅外拉曼光譜與DD-SIMCA結(jié)合建立的鑒定模型能將山茶油和其他類別樣本分開，此方法的靈敏度和特異性均達(dá)到100%，能有效識別山茶油和其他類別食用油。

2.3 基于偏最小二乘法的山茶油摻假定量分析

本文采集了8個純植物油樣本和196個摻雜樣本的近紅外拉曼光譜，將數(shù)據(jù)集分別按3∶1隨機(jī)分為校正集和預(yù)測集，通過偏最小二乘法將不同摻雜量的植物油光譜進(jìn)行建模分析。山茶油摻假的真實值和預(yù)測值相關(guān)圖如圖3所示，該方法對于對摻雜了不同種類、不同比例的山茶油樣本可以進(jìn)行有效的定量分析。

基于PLS的山茶油摻假定量分析結(jié)果評價如表1所示，山茶油摻雜其他種類植物油的校正均方根誤差（Root Mean Squared Error of Calibration，RMSEC）為0.501 2～3.052 7，預(yù)測均方根誤差（Root Mean Squared Error of Prediction，RMSEP）為1.455 0～4.712 9，R2為0.988 8～0.998 9，尤其是摻雜花生油、棕櫚油和摻雜玉米大豆油的模型建立得較好。因此利用近紅外拉曼光譜建立的PLS模型進(jìn)行山茶油定量摻假判別準(zhǔn)確可靠，能滿足山茶油中摻雜其他種類植物油的定量判別要求，最低檢測限可達(dá)5%。

3 結(jié)論

本文對不同種類的植物油以及摻假山茶油的近紅外拉曼光譜進(jìn)行分析，發(fā)現(xiàn)山茶油與大豆油、玉米油、花生油和葵花籽油5種食用油樣本的拉曼光譜與DD-SIMCA結(jié)合建立的鑒定模型能將山茶油和其他類別食用油樣本分開，方法的靈敏度和特異性均達(dá)到100%。同時近紅外拉曼光譜結(jié)合PLS的方法能準(zhǔn)確進(jìn)行山茶油摻假定量分析，結(jié)果準(zhǔn)確可靠，最低檢測限可達(dá)5%，為山茶油品質(zhì)鑒定與摻雜量預(yù)測提供了一種快速、簡單、準(zhǔn)確的方法，在實際應(yīng)用中具有一定的參考價值。因此采用近紅外激光拉曼光譜結(jié)合化學(xué)計量學(xué)方法可以實現(xiàn)對山茶油摻假的定性定量高效判別。

參考文獻(xiàn)

[1]劉燕德，謝慶華.山茶油品質(zhì)檢測方法現(xiàn)狀研究[J].食品工業(yè)，2016，37（6）：253-257.

[2]SHI T，WU G，JIN Q，et al.Camellia oil adulteration detection using fatty acid ratios and tocopherol compositions with chemometrics[J].Food Control，2022，133：108565.

[3]鐘小榮.山茶油營養(yǎng)價值和發(fā)展研究[J].中國食品工業(yè)，2021（22）：72-75.

[4]馮棋琴，馬玉瓊，吳滿梅，等.不同產(chǎn)地壓榨山茶油揮發(fā)性風(fēng)味成分頂空取樣GC-MS分析[J].中國油脂，2018，43（2）：138-141.

[5]CHECHETA O V，SAFONOVA E F，SLIVKIN A I，et al.Evaluation of the purity of vitamin a oil-based preparations by thin-layer chromatography[J].Pharmaceutical Chemistry Journal，2008，42（12）：721-723.

[6]LI Y，F(xiàn)ANG T，ZHU S，et al.Detection of olive oil adulteration with waste cooking oil via Raman spectroscopy combined with iPLS and SiPLS[J].Spectrochimica Acta Part A： Molecular and Biomolecular Spectroscopy，2018，189：37-43.

[7]吳靜珠，董文菲，劉倩，等.基于Raman和NIR特征光譜的食用植物油脂肪酸定量模型優(yōu)化[J].現(xiàn)代食品科技，2016，32（5）：253-257.

[8]張凱萍，楊青波.基于近紅外拉曼光譜結(jié)合LSTM-CNN模型提高牡丹籽油摻假濃度的預(yù)測精度[J].糧油食品科技，2024，32（6）：170-179.

[9]匡俊豪，羅寧寧，郝中騏，等.基于近紅外拉曼光譜的山茶油摻假檢測技術(shù)研究[J].南昌航空大學(xué)學(xué)報（自然科學(xué)版），2022，36（3）：104-110.

[10]周秀軍，戴連奎，李晟.基于拉曼光譜的食用植物油快速鑒別[J].光譜學(xué)與光譜分析，2012，32（7）：1829-1833.

[11]RODIONOVA O，POMERANTSEV A.Multi-block DD-SIMCA as a high-level data fusion tool[J].Analytica Chimica Acta，2023，1265：341328.

[12]鄒小波，沈樂丞，石吉勇.乙醇水溶液體積分?jǐn)?shù)和溫度的近紅外激光拉曼光譜研究[J].江蘇大學(xué)學(xué)報（自然科學(xué)版），2015，36（2）：171-175.

[13]匡俊豪，羅寧寧，郝中騏，等.基于近紅外拉曼光譜的山茶油摻假檢測技術(shù)研究[J].南昌航空大學(xué)學(xué)報（自然科學(xué)版），2022，36（3）：104-110.

[14]郝勇，孫旭東，高榮杰，等.基于可見/近紅外光譜與SIMCA和PLS-DA的臍橙品種識別[J].農(nóng)業(yè)工程學(xué)報，2010，26（12）：373-377.

[15]POMERANTSEV A L，RODIONOVA O Y.Concept and role of extreme objects in PCA/SIMCA[J].Journal of"Chemometrics，2014，28（5）：429-438.

基金項目：福建省市場監(jiān)督管理局科技項目（FJMS2022037）。

作者簡介：張倩（1989—），女，山東聊城人，博士，高級工程師。研究方向：食品檢測。