劉 嘉，李建超，陳 嘉，趙國華,2,*

(1. 西南大學食品科學學院，重慶 400715； 2. 重慶市農(nóng)產(chǎn)品加工技術重點實驗室，重慶 400715)

葛粉摻假的傅里葉變換紅外光譜法鑒別研究

劉 嘉1，李建超1，陳 嘉1，趙國華1,2,*

(1. 西南大學食品科學學院，重慶 400715； 2. 重慶市農(nóng)產(chǎn)品加工技術重點實驗室，重慶 400715)

以葛粉及葛粉中分別摻假紅薯粉和馬鈴薯粉作為研究對象，采集400～4000cm-1波數(shù)范圍內(nèi)的紅外傅里葉變換光譜，結合主成分分析對樣品的進行聚類劃分。并通過Fisher判別，建立葛粉真?zhèn)蔚呐袆e方程。分別以樣本回判及外部驗證考察模型可靠性。結果表明：葛粉、紅薯粉與馬鈴薯粉及三者不同比例混合樣品的二維主成分分布位于不同區(qū)域，且葛粉與摻假葛粉之間無重疊。判別方程經(jīng)樣本回判及外部驗證表明，葛粉中摻假紅薯粉和葛粉中摻假馬鈴薯粉的自身驗證準確率分別為93.3%和100%；交互驗證準確率分別為86.7%和92.0%。此方法具有很好的鑒別作用，可作為葛粉中摻假紅薯粉和馬鈴薯粉的一種鑒別方法。

葛粉；傅里葉變換紅外光譜；主成分分析；判別分析

葛根為豆科植物葛(Pueraria lobata Ohwi)的根，是一種藥食兩用的天然植物資源[1-2]。以葛根為原料生產(chǎn)的葛粉是一種優(yōu)質的野生植物淀粉，不僅富含人體必需的各種氨基酸和鈣、鐵、鋅、硒等微量元素，還含有異黃酮、葛根素等物質，具有清熱解毒、生津止渴等功效[1-2]。市場中的不法商販為了賺取利潤，在純葛粉里大量地摻假諸如紅薯粉、馬鈴薯粉等廉價的薯類淀粉，這無疑使消費者蒙受欺騙，市場信譽大打折扣。常用的葛粉檢測技術包括性狀比較、顯微鏡比較[3]以及液相色譜等。它們存在諸如淀粉之間性質相似，無法精確檢測[3]；儀器操作復雜，價格不菲等缺點及限制。因此，葛粉交易市場迫切需要一種快速、準確并且經(jīng)濟的真假鑒別技術。

紅外光譜(infrared spectroscopy，IRS)技術不僅能夠對物質的化學結構作出判定，而且能夠建立樣品的特征指紋圖譜。并以其分析速度快，效率高；樣品一般不需預處理；分析成本低，無污染；便于在線分析；操作簡便等優(yōu)點，成為食品安全與質量控制領域的研究熱點[4]。他被廣泛用于食品種類鑒別[5-9]、攙假判別[10-13]、特征成分定量分析[14-15]、風險成分分析[16]、質地評價[17-18]等多方面。Gurdeniz 等[13]利用純橄欖油及其摻假樣品的紅外光譜，并結合主成分分析進行鑒別。結果表明，當橄欖油中摻入葵花籽油、菜籽油、棉籽油的比例高于5%，摻假樣品能夠被成功鑒別出來。Cozzolino等[5]對有機和非有機紅酒進行常規(guī)理化檢測以及中紅外掃描，并結合主成分分析進行區(qū)別。通過對比發(fā)現(xiàn)，有機紅酒和非有機紅酒在二維主成分分布圖中的分布區(qū)域存在差異，運用此法能夠成功將二者區(qū)別開。Paradkar等[7]結合傅里葉轉換和拉曼光譜對蜂蜜進行掃描，并通過主成分分析對蜂蜜中摻入甜菜糖和甘蔗糖進行鑒別。結果表明，花蜜摻假樣品能夠被成功區(qū)分開，且正確識別率高于95%。Karoui等[8]在兩種不同品種的奶酪的中紅外圖譜中提取特征光譜段，結合主成分分析以及判別分析對樣品進行鑒別。結果表明，在特征光譜段2800～3000cm-1和900～1500cm-1獲得的準確識別率分別為90.9%和90.5%。目前，對于使用紅外光譜鑒別葛粉真?zhèn)芜€未見報道。因此，本實驗將紅外光譜分析技術應用于葛粉中摻入紅薯粉、馬鈴薯粉的鑒別之中，并結合主成分分析、判別分析建立葛粉真?zhèn)蔚呐袆e模型，以期為加強市場質量監(jiān)管提供有力支持。

1 材料與方法

1.1 材料及處理

葛粉(一級，西南大學食品科學學院研制) 重慶鈺峰生物制品有限責任公司；紅薯淀粉 重慶市江北區(qū)石門兩兄豆制品廠；馬鈴薯淀粉 重慶金田農(nóng)業(yè)開發(fā)有限公司。

表1 葛粉與摻假葛粉的制備Table 1 Preparation of kudzu starch adulterated with sweet potato starch and potato starch

樣品經(jīng)烘箱(105℃)干燥2h，然后置于干燥器中冷卻至室溫。按表1經(jīng)電子天平準精稱取樣品。共制備樣品96個，51個用于建模，45個用于驗證。將樣品粉末與溴化鉀粉末按1:50的比例一起研磨，每次測定準確稱取0.1g進行壓片，并測定紅外光譜。

1.2 儀器

Spectrum GX傅里葉變換紅外光譜儀 Perkin-Elmer公司。

1.3 儀器條件

DTGS檢測器，光譜分辨率4cm-1，掃描范圍4000～400cm-1，掃描次數(shù)16次，掃描時即時去除水分和CO2的背景干擾。采用紅外光譜儀自帶的Spectrum 2.0操作軟件采集及處理紅外圖譜。

1.4 數(shù)據(jù)處理

通過測定，得到樣品粉末的紅外光譜圖。以樣品為對象，以不同波數(shù)段及其吸光度為指標。將原圖譜數(shù)據(jù)以JCAMP-DX格式作為數(shù)據(jù)源導入Unscrambler 7.8中進行主成分分析。取得主成分得分值后，使用SPSS 16.0軟件進行判別分析。

2 結果與分析

2.1 葛粉與摻假葛粉的紅外光譜比較

圖1 葛粉摻假紅薯粉的紅外光譜圖Fig.1 Infared spectrum of kudzu starch adulterated with sweet potato starch

圖2 葛粉摻假馬鈴薯粉的紅外光譜圖Fig.2 Infared spectrum of kudzu starch adulterated with potato starch

由圖1、2可見，3種淀粉的紅外光圖譜無太大差異，均在2800～3100cm-1處出現(xiàn)了－CH的伸縮振動吸收峰；在3500～3000cm-1范圍內(nèi)出現(xiàn)了－OH的伸縮振動吸收峰；在1000cm-1左右出現(xiàn)糖環(huán)中C－C伸縮振動吸收峰；在1634cm-1附近出現(xiàn)C=O或C=C的伸縮振動區(qū)。紅外光譜圖綜合反映出了3種淀粉組成成分的一些基本信息?？梢钥闯?，光譜吸收峰的峰形和峰位都存在很大的相似性，因此需要結合多元統(tǒng)計分析對獲得的紅外光譜進行處理，以建立葛粉及摻假葛粉的鑒別模型。

2.2 主成分分析

主成分分析(principal component analysis，PCA)能將原始變量線性組合成一組新的變量，即一組主成分，僅用部分主成分就可表達原有變量的主要信息。利用這一特性，可實現(xiàn)紅外光譜數(shù)據(jù)的線性降維投影顯示，從而能直觀地從二維或三維圖象中觀察到光譜的主要特性和聚類情況[4]。在葛粉和摻假葛粉樣品中采集全波段4000～400cm-1作為分析數(shù)據(jù)，共55組。將所得數(shù)據(jù)導入Unscrambler 7.8中進行主成分分析，做出樣品的PC散點圖。圖3、4為葛粉與摻假假葛粉的第1、2主成分得分圖。橫坐標表示第1主成分的得分值，縱坐標表示第2主成分的得分值。同時，對葛粉與摻假葛粉進行區(qū)域劃分，得到樣品各自的主成分二維分布圖?？梢钥闯鲈谝訮C1和PC2為橫、縱軸的圖譜中，摻假葛粉與葛粉的分布區(qū)域相距較明顯，且圖3中各樣品內(nèi)聚合度較好。

圖3 葛根粉摻假紅薯粉的主成分分析圖Fig.3 Principal component score plot of kudzu starch adulterated with sweet potato starch

圖4 葛根粉摻假馬鈴薯粉的主成分分析圖Fig.4 Principal component score plot of kudzu starch adulterated with potato starch

通過主成分分析，得到55個樣品的主成分的方差累計貢獻率，如表2所示。葛粉中摻假紅薯粉和葛粉中摻假馬鈴薯粉的前5個主成分的累計貢獻率都超過了99%。說明前5個主成分已經(jīng)足夠代表55個樣品的重要信息。

表2 主成分的方差累計貢獻率Table 2 Accumulative variance contribution of principal components

2.3 判別分析

2.3.1 建立判別函數(shù)

用于判別分析(discriminant analysis，DA)的變量并不是越多越好，變量個數(shù)過多時，不僅會增大計算量，而且會由于判別力不強的變量的干擾而影響到最終的判別效果。通過對葛粉和摻假葛粉樣品在中紅外全波段4000～400cm-1作主成分分析，可以得到各主成分的反差貢獻率。從表2可以看出，兩個模型的前5個主成分即可代表原波長變量99%以上的信息。因此，選取兩個模型的前5個主成分作為判別分析變量，采用SPSS 16.0中Fisher判別進行判別分析。對所有的變量作方差分析，驗證所選變量是否達到顯著水平，結果見表3。

表3 變量方差分析結果Table 3 Results of variance analysis

由表3可知，兩種摻假模型的前3個主成分都達到顯著水平，可以保留作為建立判別函數(shù)關系式的變量。建立兩種摻假模型的判別函數(shù)關系式如下。

葛粉摻假紅薯粉：

f葛粉= － 3.757X1＋8.731X2＋ 1.290X3－ 0.0012；

f紅薯淀粉=0.970X1＋0.517X2－0.041X3－171.963；

f30%摻假=0.641X1－ 1.248X2－ 0.324X3－ 34.801；

f50%摻假=0.503X1－1.982X2－0.164X3－60.753；

f70%摻假=0.357X1－1.876X2－0.180X3－59.225。

葛粉摻假馬鈴薯粉：

f葛粉=0.399X1－0.188X2＋0.272X3－56.476；

f馬鈴薯淀粉=－0.235X1＋0.124X2＋0.895X3－30.675；

f30%摻假=0.165X1＋0.035X2－0.635X3－17.834；

f50%摻假=0.034X1－0.031X2＋0.824X3－18.599；

f70%摻假=－0.264X1＋0.042X2＋0.549X3－24.581。

2.3.2 判別效果

首先可以利用判別分析的自身驗證和交互驗證對建模樣品進行回判，以驗證判別效果。運用交互驗證法往往能得出較自身驗證法更高的誤判率，其回判結果的可信度更高。本實驗對51個建模樣品進行自身驗證和交互驗證。其判別結果見表4、5。

表4 葛粉摻假紅薯粉的回判結果Table 4 Classification results of kudzu starch adulterated with sweet potato starch

表5 葛粉摻假馬鈴薯粉的回判結果Table 5 Classification results of kudzu starch adulterated with potato starch

判別分析最終利用其所得的判別函數(shù)對未知樣品進行判別分類。針對3種純淀粉及摻假樣品，各再每組準備5個樣品(共45個)。將樣品主成分值帶入判別函數(shù)中。樣品所得函數(shù)值最大者表明屬于相應一類。

表6 葛粉摻假紅薯粉的外部驗證結果Table 6 Prediction results of kudzu starch adulterated with sweet potato starch

表7 葛粉摻假馬鈴薯粉的外部驗證結果Table 7 Prediction results of kudzu starch adulterated with potato starch

由表6、7可見，外部驗證表明葛粉與摻假葛粉的判別結果與實際情況完全一致，葛粉真?zhèn)蔚蔫b別能夠實現(xiàn)。說明所選取的變量對判別函數(shù)鑒別真?zhèn)胃鸱酆线m。

3 結 論

應用紅外光譜技術結合主成分分析和判別分析對葛粉真?zhèn)芜M行鑒別研究。通過提取樣本的主成分作為判別分析的輸入值，進而獲得鑒別葛粉真?zhèn)蔚呐袆e模型。經(jīng)判別分析得出葛粉中摻假紅薯粉和葛粉中摻假馬鈴薯粉的自身驗證準確率分別為93.3%和100%；交互驗證準確率分別為86.7%和92%。另外制備摻假樣品進行外部驗證，準確識別率分別為96%和92%，獲得了理想的預測精度。本實驗使用紅外光譜分析技術結合主成分分析、判別分析法鑒別葛粉真?zhèn)?。此法能夠運用已知樣本的性質、特征建立葛粉摻假識別模型，達到快速鑒別葛粉真?zhèn)蔚哪康摹楦鸱壅鎮(zhèn)蔚目焖贆z測提供了一種新方法。

[1] 廖洪波, 賀稚非, 王光慈, 等. 葛根的研究進展及展望[J]. 食品工業(yè)科技, 2003, 24(2): 81-83.

[2] 盧成瑛, 陳功錫, 卜小英, 等. 不同來源葛根淀粉的理化性質比較[J].食品科學, 2009, 30(21): 50-52.

[3] 盧成瑛, 陳功錫, 卜小英, 等. 湘西葛根淀粉與幾種植物淀粉特性比較[J]. 食品科學, 2008, 29(12): 120-123.

[4] 羅陽, 王錫昌, 鄧德文. 近紅外光譜技術及其在食品感官分析中的應用[J]. 食品科學, 2009, 30(7): 273-276.

[5] COZZOLINO D, HOLDSTOCK M, DAMBERGS R G, et al. Mid infrared spectroscopy and multivariate analysis: a tool to discriminate between organic and non-organic wines grown in Australia[J]. Food Chemistry, 2009, 116(3): 761-765.

[6] HASHIM D M, CHEMAN Y B, NORAKASHA R, et al. Potential use of Fourier transform infrared spectroscopy for differentiation of bovine and porcine gelatins[J]. Food Chemistry, 2010, 118(3): 856-860.

[7] PARADKAR M M, IRUDAYARAJ J. Discrimination and classification of beet and cane inverts in honey by FT-Raman spectroscopy[J]. Food Chemistry, 2001, 76(2): 231-239.

[8] KAROUI R, MAZEROLLES G, BOSSET J O, et al. Utilisation of mid-infrared spectroscopy for determination of the geographic origin of Gruyere PDO and LEtivaz PDO Swiss chesses[J]. Food Chemistry,2007, 105(2): 847-854.

[9] KEMSLEY E K, RUAULT S, WILSON H R. Discrimination between coffea Arabica and coffea canephora variant robusta beans using infrared spectroscopy[J]. Food Chemistry, 1995, 54(3): 321-326.

[10] 馮利輝, 劉波平, 張國文, 等. 芝麻油中摻入菜籽油的近紅外光譜研究[J]. 食品科學, 2009, 30(18): 296-299.

[11] 榮菡, 劉波平, 鄧澤元, 等. 基于PLS-模式識別近紅外光譜技術快速檢測鮮乳和摻假乳[J]. 食品科學, 2008, 29(8): 492-495.

[12] 王右軍, 朱大洲, 屠振華, 等. CCD短波近紅外光譜快速檢測牛奶中摻假物質的研究[J]. 食品科學, 2009, 30(6): 135-138.

[13] GURDENIZ G, OZEN B. Detection of adulteration of extra-virgin olive oil by chemometric analysis of mid-infrared spectral data[J]. Food Chemistry, 2009, 116(2): 519-525.

[14] 王立琦, 張禮勇, 朱秀超. 大豆油脂過氧化值的近紅外光譜分析大豆油脂過氧化值的近紅外光譜分析[J]. 食品科學, 2010, 31(6): 205-207.

[15] 李慶波, 汪曣, 徐可欣, 等. 牛奶主要成分含量近紅外光譜快速測量法[J]. 食品科學, 2002, 23(6): 125-127.

[16] 王彩云, 相秉仁, 張偉, 等. 近紅外光譜法快速檢測牛奶中氯霉素殘留[J]. 食品科學, 2009, 30(6): 184-187.

[17] 祝靜, 丁武. 羊酸奶質構特性的近紅外光譜定量分析[J]. 食品科學,2010, 31(19): 170-173.

[18] 羅陽, 王錫昌, 鄧德文. 近紅外光譜分析檢測魚丸彈性的可行性研究[J]. 食品科學, 2008, 29(8): 530-533.

Discrimination of Kudzu Starch Adulteration by Fourier Transform Infrared Spectroscopy

LIU Jia1，LI Jian-chao1，CHEN Jia1，ZHAO Guo-hua1,2,*
(1. College of Food Science, Southwest University, Chongqing 400715, China；2. Chongqing Key Laboratory of Agricultural Product Processing, Chongqing 400715, China)

The discrimination of kudzu starch with adulterated sweet potato starch and potato starch was conducted by midinfrared spectroscopy (400－4000 cm-1) and principal component analysis (PCA). An equation was created through fisher linear discriminant analysis, and its reliability was verified by classifying training samples and testing samples. The results showed that the two dimensional distribution of principal component of samples belonged to different locations, and there was no overlap between kudzu starch location and adulterated samples. The classification of training samples and testing samples showed that the self-recognition rates of kudzu starch adulterated with sweet potato starch and potato starch were 93.3% and 100%, respectively. Meanwhile, the interactive correct recognition rates of kudzu starch adulterated with sweet potato starch and potato starch were 86.7% and 92.0%, respectively. So this method has good discrimination ability, and may offer a new approach for the rapid discrimination of kudzu starch adulterated with sweet potato starch and potato starch.

kudzu starch；Fourier transform infrared spectroscopy；principal component analysis；discriminant analysis

TS201.21

A

1002-6630(2011)08-0226-05

2010-06-13

中央高?；究蒲袠I(yè)務費專項(XDJK2010016)

劉嘉(1985—)，男，碩士研究生，研究方向為食品化學。E-mail：mcgrady456@163.com

*通信作者：趙國華(1971—)，男，教授，博士，研究方向為食品化學。E-mail：zhaoguohua1971@163.com