摘 要 無需任何樣品預(yù)處理，采用表面解吸常壓化學(xué)電離質(zhì)譜（DAPCI-MS）技術(shù)直接對(duì)涂覆在載玻片表面的食用油樣品和地溝油樣品進(jìn)行檢測(cè)，快速獲得了不同油類樣品的質(zhì)譜信號(hào)；并運(yùn)用改進(jìn)的反向傳輸（BP）人工神經(jīng)網(wǎng)絡(luò)對(duì)DAPCI-MS所得到的油類樣品質(zhì)譜數(shù)據(jù)進(jìn)行有監(jiān)督的分類識(shí)別，建立多分組預(yù)測(cè)模型。結(jié)果表明： DAPCI-MS能夠承受食用油中復(fù)雜基體的影響，可對(duì)油類樣品進(jìn)行直接快速質(zhì)譜分析；誤差反轉(zhuǎn)（BP）神經(jīng)網(wǎng)絡(luò)具有良好的分類判別能力，對(duì)食用油樣品質(zhì)譜數(shù)據(jù)識(shí)別效果比較理想，能夠在對(duì)地溝油和非地溝油樣品進(jìn)行有效區(qū)分的同時(shí)，實(shí)現(xiàn)對(duì)不同品種的食用油的分離及分類判別。本方法分析速度快，信息提取準(zhǔn)確，識(shí)別精度高，對(duì)快速質(zhì)譜技術(shù)結(jié)合神經(jīng)網(wǎng)絡(luò)在該領(lǐng)域的應(yīng)用以及食用油品質(zhì)的快速鑒定具有重要的借鑒意義。

關(guān)鍵詞 表面解吸常壓化學(xué)電離； 質(zhì)譜； 反向傳輸人工神經(jīng)網(wǎng)絡(luò)； 食用油； 地溝油

1 引 言

近年來，“地溝油”成為了人們關(guān)注的熱點(diǎn)之一?！暗販嫌汀币蚴芪廴?、變質(zhì)等原因產(chǎn)生的黃曲霉素等有害物質(zhì)會(huì)導(dǎo)致腹瀉、腹痛等疾病，甚至誘發(fā)癌變[1]。因此，對(duì)地溝油進(jìn)行快速檢測(cè)和識(shí)別具有重要意義。常規(guī)地溝油檢測(cè)主要有水分含量測(cè)定法、酸價(jià)測(cè)定法、膽固醇含量測(cè)定法、近紅外光譜法、電導(dǎo)率與極性物質(zhì)測(cè)定法、重金屬含量測(cè)定法[1，2]。上述方法操作較為復(fù)雜，費(fèi)時(shí)費(fèi)力，并且由于主要針對(duì)地溝油中的特殊成分進(jìn)行檢測(cè)，無法對(duì)合法食用油類（如大豆油、花生油等）進(jìn)行識(shí)別。

表面解吸常壓化學(xué)電離質(zhì)譜（DACPI-MS）技術(shù)無需有毒化學(xué)試劑，即可對(duì)樣品完成無創(chuàng)、無污染的檢測(cè)，在食品安全領(lǐng)域具有獨(dú)特優(yōu)勢(shì)[3，4]。人工神經(jīng)網(wǎng)絡(luò)現(xiàn)已成為解決化學(xué)問題的重要化學(xué)計(jì)量學(xué)手段，其中反向傳輸（BP）人工神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一[5，6]。目前已有大量近紅外光譜與神經(jīng)網(wǎng)絡(luò)結(jié)合的分組預(yù)測(cè)模型的成功應(yīng)用的報(bào)道[7，8]，但質(zhì)譜與神經(jīng)網(wǎng)絡(luò)結(jié)合的分析識(shí)別應(yīng)用的報(bào)道鮮見。

本研究采用DAPCI-MS技術(shù)對(duì)地溝油和3種主要食用油類（大豆油、花生油和油菜籽油）進(jìn)行快速質(zhì)譜分析，同時(shí)利用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)作為識(shí)別模型，實(shí)現(xiàn)了對(duì)DAPCI-MS所得到的油類樣品質(zhì)譜數(shù)據(jù)的自動(dòng)辨識(shí)。本方法分析速度快、信息提取準(zhǔn)確、識(shí)別精度高，對(duì)油類樣品質(zhì)譜數(shù)據(jù)具有較好的識(shí)別效果。

2 基本理論

標(biāo)準(zhǔn)的BP算法使用最速梯度下降法進(jìn)行誤差調(diào)整，其權(quán)值的修正是沿著誤差性能函數(shù)梯度的反方向進(jìn)行的:

x（k＋1）＝x（k）－αg（k）（1）

其中，x（k）為第k次迭代各層之間的連接權(quán)向量或閾值向量；α為學(xué)習(xí)速率；g（k）＝E（K）x（k）為第k次迭代的神經(jīng)網(wǎng)絡(luò)輸出誤差對(duì)各個(gè)權(quán)值或閾值的梯度向量。由于BP 神經(jīng)網(wǎng)絡(luò)的隱層采用Sigmoid型傳輸函數(shù)，在輸入量很大或很小時(shí)，輸出函數(shù)的斜率趨近于零。因此在權(quán)值和閾值距離最佳值甚遠(yuǎn)時(shí)，權(quán)值和閾值的修正量也很小。所以標(biāo)準(zhǔn)的BP算法存在收斂速度慢，訓(xùn)練時(shí)間長(zhǎng)等不足[9～11]。

BP算法改進(jìn)的主要目標(biāo)是加快訓(xùn)練速度，消除梯度幅度的不利影響。算法的改進(jìn)基于對(duì)表現(xiàn)函數(shù)梯度加以分析：權(quán)值的修正值取決于g（k）的正負(fù)號(hào)，而g（k）的幅度與權(quán)值的修正無關(guān)[14]。權(quán)值或閾值x（k）的第k＋1次迭代的幅度修正值Δx（k＋1）的算法描述如下[12]：

Δx（k＋1）＝Δx（k）#8226;kinc#8226;Sign（g（k）） （當(dāng)連續(xù)兩次迭代的梯度方向相同）

Δx（k）#8226;kdec#8226;Sign（g（k）） （當(dāng)連續(xù)兩次迭代的梯度方向相反）

Δx（k） （當(dāng)g（k）＝0）（2）

當(dāng)連續(xù)兩次迭代的梯度方向相同時(shí)，修正值隨增量因子kinc增加；當(dāng)連續(xù)兩次迭代的梯度方向相反時(shí)，修正值隨減量因子kdec減小；當(dāng)梯度為零時(shí)，修正值保持不變。改進(jìn)以后，如果權(quán)值在相同的梯度上被連續(xù)修正，則增加權(quán)值變化的量級(jí)，克服了幅度偏導(dǎo)帶來的不利影響，加快了訓(xùn)練速度。

3 實(shí)驗(yàn)部分

3.1 儀器與試劑

DAPCI離子源（東華理工大學(xué)研制[15，16]）； LTQ-XL增強(qiáng)型線性離子阱質(zhì)譜儀（美國(guó)Finnigan公司），配有Xcalibur數(shù)據(jù)系統(tǒng)。甲醇（色譜純）；食用油樣品（采購(gòu)自當(dāng)?shù)爻校?；地溝油樣品（?dāng)?shù)毓ど滩块T提供）。

3.2 質(zhì)譜分析

將未經(jīng)任何樣品預(yù)處理的油樣品直接涂覆在干凈的載玻片上，待其擴(kuò)散成較薄的一層油膜后，放置在DAPCI 離子源下，直接進(jìn)行質(zhì)譜分析。設(shè)置DAPCI離子源為負(fù)離子檢測(cè)模式，質(zhì)量范圍為50～300 Da，電離電壓3.6 kV，離子傳輸管溫度150 ℃，放電針與水平面夾角約43°。通過針尖電暈放電產(chǎn)生的大量初級(jí)離子，將承載在載玻片上的食用油樣品解吸和電離，形成的離子引入質(zhì)譜進(jìn)行分析。其它實(shí)驗(yàn)參數(shù)由系統(tǒng)自動(dòng)優(yōu)化。

3.3 樣本的使用

為了減少樣本分布帶來的偶然性，每次從每類油品的50個(gè)樣本中按次序取出30個(gè)（4類共120個(gè)）樣本參與訓(xùn)練，其余20個(gè)（4類共80個(gè)）樣本參與測(cè)試，共進(jìn)行6次訓(xùn)練和測(cè)試。采用基于類內(nèi)類間距離的可分離性判據(jù)，對(duì)質(zhì)譜儀記錄的樣品數(shù)據(jù)進(jìn)行特征選擇與提取[17]。將選定的26個(gè)特征向量歸一化轉(zhuǎn)換得到的相對(duì)豐度輸入到改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)中，建立兩層的網(wǎng)絡(luò)模型。

4 結(jié)果與討論

4.1 油類樣品的DAPCI-MS分析

DAPCI-MS實(shí)驗(yàn)記錄了同種品牌的大豆油、花生油、油菜籽油樣品和地溝油樣品的質(zhì)譜圖（圖1）。由于地溝油在其變質(zhì)、非法處理等過程中形成了較多小分子有毒物質(zhì)，在m/z 50～300質(zhì)量范圍內(nèi)，質(zhì)譜信號(hào)較為豐富，信號(hào)強(qiáng)度較高；3種食用油的譜圖相似度較高，差別較小。由于3種食用油的油料不同，其主要營(yíng)養(yǎng)成分及微量物質(zhì)的含量存在差異，其質(zhì)譜圖中信號(hào)間的相對(duì)豐度存在細(xì)微差別，并具有獨(dú)自的特征。

4.2 BP神經(jīng)網(wǎng)絡(luò)分析

4.2.1 BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì) 在本實(shí)驗(yàn)中，網(wǎng)絡(luò)的輸入節(jié)點(diǎn)為26個(gè)；在地溝油與正常食用油的分類識(shí)別中，輸出量的表示采用n中取1表示法（10和01），輸出節(jié)點(diǎn)為2個(gè)；在4種油品的分類識(shí)別中，輸出量的表示采用n－1表示法（000，001，010和100），輸出節(jié)點(diǎn)為3個(gè)。網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)的確立根據(jù)公式（3）：

m＝n＋l＋α（3）

其中，m為隱層節(jié)點(diǎn)數(shù)，n為輸入層節(jié)點(diǎn)數(shù)，l為輸出層節(jié)點(diǎn)數(shù)，α取值范圍1～10，則隱層節(jié)點(diǎn)數(shù)m的取值范圍6～15。通過多次實(shí)驗(yàn)并選取最優(yōu)分類結(jié)果，最終確定網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)分別為7和13，Δx（0）為0.07；增量因子kinc為1.3；減量因子kdec為0.4。上述數(shù)據(jù)處理方法均在Matlab7.8中編程實(shí)現(xiàn)。

4.2.2 地溝油與正常食用油的分類識(shí)別 為實(shí)現(xiàn)地溝油樣品與非地溝油樣品的快速鑒別，將樣品分為兩類供學(xué)習(xí)。設(shè)置地溝油的目標(biāo)輸出為（10），非地溝油（大豆油、花生油、油菜籽油）的目標(biāo)輸出為（01），上述油品的質(zhì)譜數(shù)據(jù)對(duì)應(yīng)圖1所示譜圖。網(wǎng)絡(luò)分類以及預(yù)測(cè)所得結(jié)果映射到二維平面如圖3所示，每類結(jié)果的判決區(qū)間由相同類型的判決線決定。網(wǎng)絡(luò)的分類識(shí)別結(jié)果列于表1。經(jīng)計(jì)算，訓(xùn)練樣本預(yù)測(cè)結(jié)果準(zhǔn)確率為100.0%; 測(cè)試樣本預(yù)測(cè)結(jié)果準(zhǔn)確率為98.5%，地溝油樣品與非地溝油樣品被明顯區(qū)分，表明本方法能夠有效對(duì)地溝油樣品進(jìn)行分類和鑒定。

4.2.3 4種油品的分類識(shí)別 為了進(jìn)一步考察3種食用油（大豆油、花生油和油菜籽油）之間的差異，將樣品分為4類供網(wǎng)絡(luò)學(xué)習(xí)。設(shè)置大豆油、花生油、油菜籽油和地溝油的目標(biāo)輸出分別為（000）， （100）， （010）和

（001），上述油品的質(zhì)譜數(shù)據(jù)對(duì)應(yīng)圖1所示譜圖。4種油品的網(wǎng)絡(luò)分類及預(yù)測(cè)結(jié)果映射到二維平面如圖4所示，每類結(jié)果的判決區(qū)間由相鄰兩條判決線決定。網(wǎng)絡(luò)的分類識(shí)別結(jié)果列于表2。經(jīng)計(jì)算，訓(xùn)練樣本預(yù)測(cè)結(jié)果準(zhǔn)確率為98.0%，測(cè)試樣本預(yù)測(cè)結(jié)果準(zhǔn)確率為85.8%，表明本方法能夠有效地對(duì)不同種類的食用油進(jìn)行分類和鑒定。

改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)方法能夠利用DAPCI-MS數(shù)據(jù)對(duì)大豆油、花生油和油菜籽油進(jìn)行有效分類和鑒別。不同種類的食用油，因其油料種類等的不同，所含微量化合物的種類及相對(duì)濃度也必然存在差別。該細(xì)微差別所導(dǎo)致的質(zhì)譜信號(hào)差異，能夠被DAPCI-MS檢測(cè)和記錄，并通過神經(jīng)網(wǎng)絡(luò)的計(jì)算展現(xiàn)出來。因此DAPCI-MS能夠抵抗油類基體的干擾，并對(duì)其中的微量物質(zhì)進(jìn)行分析。

研究結(jié)果表明， 將改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)與DAPCI-MS相結(jié)合，能夠在無需任何樣品預(yù)處理的條件下，直接對(duì)食用油類樣品進(jìn)行高通量分析，并實(shí)現(xiàn)了對(duì)地溝油的快速準(zhǔn)確鑒別。同時(shí)DAPCI-MS數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)計(jì)算結(jié)果可以實(shí)現(xiàn)對(duì)大豆油、花生油和油菜籽油的分類識(shí)別，檢測(cè)結(jié)果理想。本方法分析速度快、信息提取準(zhǔn)確、識(shí)別精度高。

eferences

1 WANG Le， LIU Yao-Gang， CHEN Feng-Fei， HU Jian-Hua（王 樂， 劉堯剛， 陳鳳飛， 胡建華）. J. Wuhan Polytech. Univ.（武漢工業(yè)學(xué)院學(xué)報(bào)）， 2007， 26（4）: 1～12

2 WANG YAO， YIN Ping-He（王 耀， 尹平河）. Chinese J. Anal. Lab.（分析試驗(yàn)室）， 2006， 25（3）: 92～94

3 Wu Z C， Chen H W， Wang W L， Jia B， Yang T L， Zhao Z F， Ding J H， Xiao X X. J. Agric. Food Chem.， 2009， 57（20）: 9356～9364

4 YANG Shui-Ping， CHEN Huan-Wen， YANG Yu-Ling， HU Bin， ZHANG Xie， ZHOU Yu-Fen， Zang Li-Li， Gu Hai-Wei（楊水平， 陳煥文， 楊宇玲， 胡 斌， 張 燮， 周瑜芬， 張麗麗， 顧海威）. Chinese J. Anal. Chem.（分析化學(xué)）， 2009， 37（3）: 315～318

5 XU Lu， HU Chang-Yu（許 祿， 胡昌玉）. Comput. Appl. Chem.（計(jì)算機(jī)與應(yīng)用化學(xué)）， 2000， 17（2）: 145～147

6 Marengo E， Bobba M， Robotti E， Lenti M. Anal. Chim. Acta， 2004， 511（2）: 313～ 322

7 WENG Xin-Xin， LU Feng， WANG Chuan-Xian， QI Yun-Peng（翁欣欣， 陸 峰， 王傳現(xiàn)， 亓云鵬）. Spectrosc. Spect. Anal.（光譜學(xué)與光譜分析）， 2009， 29（12）: 3283～3287

8 TANG Sou-Peng， YAO Xin-Feng， YAO Xia， TIAN Yong-Chao， CAO Wei-Xing， ZHU Yan（湯守鵬， 姚鑫鋒， 姚霞， 田永超， 曹衛(wèi)星， 朱艷）. Chinese J. Anal. Chem.（分析化學(xué)）， 2009， 37（10）: 1145～1450

9 Sun S P， Yi D Q， Jiang Y. Mater. Chem. Phys. 2011， 126（3）: 632～ 641

10 Oh S H. Neurocomputing， 2011， 74（6）: 1058～1061

11 Phua P K H， Ming D H. I(xiàn)EEE Trans. Neural Networks， 2003， 14（6）: 1460～1467

12 ZHOU Kai-Li， KANG Yao-Hong（周開立， 康耀紅）. Neural network model and its MATLAB simulation program（神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序）. Beijing（北京）：Tsinghua University Press（清華大學(xué)出版社）， 2005: 69～100

13 Gunturkun R J. Med. Sys.， 2010， 34（4）: 493～497

14 Mastorocostas PA. Electron. Lett， 2004， 40（1）: 57～58

15 YANG Shui-Ping， HU Bin， LI Jian-Qiang， HAN Jing， ZHANG Xie， CHEN Huan-Wen（楊水平， 胡 斌， 李建強(qiáng)， 韓京， 張 燮， 陳煥文）. Chinese J. Anal. Chem.（分析化學(xué)）， 2009， 37（5）: 691～694

16 Yang S P， Ding J H， Zheng J， Hu B， Li J Q， Chen H W， Zhou Z Q， Qiao X L. Anal. Chem.， 2009， 81（7）: 2426～2436

17 BIAN Zhao-Qi， ZHANG Xue-Gong（邊肇祺， 張學(xué)工）. Pattern Recognition（模式識(shí)別）. Beijing（北京）：Tsinghua University Press（清華大學(xué)出版社）， 2000: 176～208

Surface Desorption Atmospheric Pressure Chemical Ionization

Mass Spectrometry for Edible Oil Analysis Based on

Back Propagation Neural Networks

ZHOU Zhi-Quan1， ZHANG Ting-Ting1， JIA Bin2， OUYANG Yong-Zhong2，

FANG Xiao-Wei2， CHEN Huan-Wen2

1（Institute of Information Engineering， Harbin Institute of Technology at Weihai， Weihai 264209）

2（Jiangxi Key Laboratory for Mass Spectrometry and Instrumentation，

East China Institute of Technology， Nanchang 330013）

Abstract Without any sample pretreatment， oil samples smeared on slide were directly detected by surface desorption atmospheric pressure chemical ionization mass spectrometry （DAPCI-MS）， the mass spectra rapidly recorded by DAPCI-MS were subjected to data processing for classification using improved BP（Back Propagation） neural networks. The results showed that DAPCI-MS was a practically convenient tool for edible and hogwash oil detection without much matrix effect. The improved BP neural network can be applied to the simultaneous determination of hogwash-standard oil and different kinds of edible oil samples. The data demonstrated that the DAPCI-MS combined improved BP neural network methods was a promising technique for edible oil rapid identification with expedite convergence pace and superior prediction precision.

Keywords Surface desorption atmospheric pressure chemical ionization; Mass spectrometry; Back propagation neural network; Edible oil; Hogwash oil