摘 要：利用拉曼光譜技術結(jié)合化學計量學方法對摻入雞肉的摻假牛肉餡進行快速判別。選取89 個樣本，采集樣本的拉曼光譜，對原始光譜進行卷積平滑預處理，采用主成分分析法進行聚類分析，并利用支持向量回歸建立模型。結(jié)果表明：摻假牛肉餡樣本校正模型的決定系數(shù)R2c為0.999 4，均方根誤差（root mean sruare error，RMSE）為0.230 0；交互驗證決定系數(shù)R2cv為0.999 3，RMSE為0.298 0；預測模型的決定系數(shù)R2p為0.971 6，RMSE為0.236 0。因此，利用拉曼光譜技術結(jié)合化學計量學方法對摻雞肉的牛肉餡進行快速判別是可行的。

關鍵詞：拉曼光譜；牛肉餡；雞肉；主成分分析；支持向量回歸

Rapid Discrimination of Minced Beef Adulterated with Chicken Using Raman Spectroscopy

ZHOU Yaling

（School of Agriculture， Ningxia University， Yinchuan 750021， China）

Abstract： The aim of this research was to establish a rapid method for identifying minced beef adulterated with chicken using Raman spectroscopy combined with chemometrics. Raman spectra of 89 samples were collected and preprocessed by Savitzky–Golay smoothing. The obtained data were analyzed using principal component analysis （PCA） and cluster analysis （CA）. As a result， a support vector regression （SVR） model was developed. The coefficient of determination in calibration （R2c） for the model was 0.999 4 with a root mean square error （RMSE） of 0.230 0， and the coefficient of determination in cross-validation （R2cv） was 0.999 3 with a RMSE of 0.298 0. The coefficient of determination in prediction was 0.971 6 with a RMSE of 0.236 0. Therefore， it is feasible to use Raman spectroscopy combined with chemometrics for rapid identification of adulterated beef with chicken.

Keywords： Raman spectroscopy； minced beef； chicken； principal component analysis； support vector regression

DOI：10.7506/rlyj1001-8123-201805005

中圖分類號：TS251.1 文獻標志碼：A 文章編號：1001-8123（2018）05-0026-04

引文格式：

周亞玲. 基于拉曼光譜技術的摻雞肉牛肉餡快速判別方法[J]. 肉類研究， 2018， 32（5）： 26-29. DOI：10.7506/rlyj1001-8123-201805005. http：//www.rlyj.pub

ZHOU Yaling. Rapid discrimination of minced beef adulterated with chicken using raman spectroscopy[J]. Meat Research， 2018， 32（5）： 26-29. DOI：10.7506/rlyj1001-8123-201805005. http：//www.rlyj.pub

牛肉因其高蛋白質(zhì)、低脂肪、維生素及礦物質(zhì)含量高等特點，深受消費者的青睞。近年來，我國牛肉制品的生產(chǎn)和消費總量持續(xù)增長，牛肉價格持續(xù)上升，市售牛肉餡摻入低價雞肉的現(xiàn)象屢見不鮮。建立一種快速、有效的牛肉餡純度檢測技術十分重要[1-6]。

目前傳統(tǒng)的摻假物質(zhì)檢測方法存在檢測費時、費力，物料需要預處理，檢測技術效率低，并且只能檢測特定的摻假物質(zhì)，無法全面反映樣品內(nèi)部品質(zhì)的變化及其所對應的分子結(jié)構(gòu)變化，不能滿足市場監(jiān)管中無損、快速判別的需求。與傳統(tǒng)檢測技術相比，拉曼光譜法具有預處理簡單、測量時所需要的樣品量少、分析速度快、無破壞性及適合于在線分析等優(yōu)點，并且對摻假物沒有限定，通過拉曼光譜譜圖可以分析肉品中分子結(jié)構(gòu)和各種基團之間的關系，進而達到快速、無損檢測肉品品質(zhì)的目的[7-15]。近年來，國內(nèi)外學者利用拉曼光譜技術對不同物質(zhì)的品質(zhì)和摻假測定進行了大量研究。竇穎等[16]以面粉為原料，利用拉曼光譜技術對其品質(zhì)進行快速檢測，結(jié)果表明，當所建立的灰分含量取值范圍為0.46%～0.85%、水分含量取值范圍為13.3%～15.4%、濕面筋含量取值范圍為28.0%～36.8%，定量模型的相關系數(shù)分別達到0.945 7、0.993 4和0.981 7，校正均方根誤差分別為0.145 0、0.012 6和0.456 0時，可以實現(xiàn)面粉品質(zhì)高效、無損、快速檢測，且具有較大的發(fā)展空間。Georgouli等[17]以特級初榨橄欖油為原料，利用紅外光譜和拉曼光譜數(shù)據(jù)進行建模，檢測摻假橄欖油，結(jié)果表明，局部保持投影（classwise locality preserving projections，CLPP）算法伴隨著發(fā)現(xiàn)的k-最近鄰（k-nearest neighbors，k-NN）算法優(yōu)于任何其他最先進的模式識別技術，可用于橄欖油的鑒別。已有眾多學者利用拉曼光譜技術進行了相關研究，為其結(jié)合化學計量學方法快速判別摻假牛肉餡提供了可能。

本研究以拉曼光譜技術為主要手段，結(jié)合化學計量學方法中的主成分分析（principal component analysis，PCA）法，對摻入不同比例雞肉的摻假牛肉餡進行聚類分析，并應用支持向量回歸（support vector regression，SVR）分析建立純牛肉餡及摻雞肉牛肉餡的分類判別模型，實現(xiàn)摻雞肉牛肉餡的快速分類鑒別。

1 材料與方法

1.1 材料

黃牛后腿肉和白羽雞腿肉購自銀川市寧陽超市。

1.2 儀器與設備

Inspector 300拉曼光譜儀 美國賽普斯公司；多功能食品攪拌機 中山市安蜜爾電器實業(yè)有限公司。

1.3 方法

1.3.1 肉樣處理

選取純牛肉樣本40 個，純雞肉樣本40 個，均為腿部肌肉，去除肌肉表面肌膜后，將肌肉打碎成肉餡；將雞肉按質(zhì)量分數(shù)0%、10%、20%、30%、40%、50%、60%、70%、80%、90%、100%的比例加入到牛肉餡中，攪拌均勻，制備成摻假牛肉，裝入自封袋中，所得樣本數(shù)為9 個?？傆?9 個樣本，每個樣本取不同位置測量5 次，取平均值，隨機選取67 個樣本作為校正集，剩余的22 個樣本作為預測集。

1.3.2 樣品測定

取肉樣20 g置于載物臺中央，調(diào)整位置使得激光束通過待測樣品中心，于50 倍鏡頭下進行拉曼光譜測定，測定時間為30 s，拉曼光譜激光波長設定為785 nm，功率設定為10 mW，掃描范圍為150～2 500 cm-1，聚焦深度為200 ?m。

1.3.3 光譜預處理

由于受激光及拉曼散射光的發(fā)射噪聲、暗電流噪聲及讀出噪聲、樣品的熒光背景、樣品及其周圍環(huán)境的黑體輻射、環(huán)境中射線導致的尖峰等熒光干擾的影響，致使基線漂移較大，干擾有用信息，進而影響校正模型的建立和待測樣品的預測效果。為了有效獲取光譜信息，除去噪聲信號、熒光背景、基線漂移等干擾，故需采用卷積（Savitzky-Golay，SG）平滑法對光譜進行預處理[18-21]。

1.3.4 SVR分析

SVR分析主要是在高維空間中構(gòu)造線性決策函數(shù)來實現(xiàn)線性回歸，運用拉曼光譜所得到的數(shù)據(jù)大部分都是非線性的，因此需要引入SVR中的核函數(shù)，將非線性數(shù)據(jù)映射到高維線性空間中，處理輸入與輸出之間的非線性關系。在應用SVR建立模型時，首先要對所有的數(shù)據(jù)集進行分類，然后根據(jù)自己的需要選擇建模所需要的數(shù)據(jù)集，在進行建模時，需要進行懲罰參數(shù)C、不敏感函數(shù)ε、核函數(shù)g的設置，以此來獲取最佳模擬曲線。在進行SVR模型建立時，為了驗證系統(tǒng)所獲取的模型是否有效，需要引入“模型驗證”模塊來進行進一步驗證?；驹頌閷⒔o定數(shù)據(jù)隨機劃分為2 個獨立的集合，即校正集和驗證集，使用校正集導出模型，然后利用驗證集數(shù)據(jù)評估其準確性[22-24]。

1.4 數(shù)據(jù)處理

首先用Origin 8.0軟件對譜圖進行SG平滑處理，然后利用The Unscrambler X 10.3（CAMO Software AS，OSLO，Norway）軟件對牛肉樣品進行PCA，并隨機選取采集得到的樣本的3/4做校正集，1/4做驗證集，建立SVR模型。

2 結(jié)果與分析

2.1 純牛肉餡及摻雞肉牛肉餡樣品的拉曼光譜分析

由圖1～2可知，純牛肉餡及摻雞肉牛肉餡樣品的拉曼譜圖非常相似，均在433、611、835、1 183、1 374 cm-1處產(chǎn)生吸收峰。處在拉曼光譜區(qū)611 cm-1處的吸收峰是由于C—S伸縮振動所引起的，位于835 cm-1處的吸收峰是由于異丙基基團的骨架伸縮振動所產(chǎn)生的，位于1 183 cm-1處的吸收峰是由于對稱—SO2伸縮振動所產(chǎn)生的，位于1 374 cm-1處的吸收峰是環(huán)伸縮振動產(chǎn)生的。而433 cm-1在可見光范圍內(nèi)，反映了純牛肉餡及摻雞肉牛肉餡樣品的顏色變化[25-28]。由于2 種肉樣的拉曼譜圖非常相似，難以從譜圖上直接判別，本研究通過PCA和SVR建立模型，對2 類樣品進行進一步的分類研究。

2.2 混合肉樣鑒別模型的建立

2.2.1 純牛肉餡及摻雞肉牛肉餡的PCA

采用PCA對原始數(shù)據(jù)進行降維，從大量數(shù)據(jù)中提取有用信息，并將其轉(zhuǎn)為能直接判斷的PCA圖。

由圖3可知，前10 個主成分對光譜矩陣的累積方差貢獻率高達98%，而總貢獻率大于70%～85%的方法即可使用[29-30]，因此，本研究選擇主成分1和主成分2建立分析模型。

通常，PCA圖中主成分1和主成分2的貢獻率越大，說明提取的主成分可以代表更多的原始變量信息。PCA圖顯示了樣本的分散和差異，具有相同或相近性質(zhì)的樣本聚集在一起，樣品之間的間距越大，則說明樣品之間的品質(zhì)差距越明顯。

由圖4可知，每一個大圈代表一類樣品的整體特性，而不同的小點代表不同的樣品，主成分1和主成分2的得分貢獻率分別為97%和3%，累計貢獻率為100%。純牛肉餡與摻入不同比例雞肉的牛肉餡樣品在主成分1軸上得到很好的區(qū)分，各組樣本由左向右規(guī)律分布，并且各組樣本之間不存在明顯差異。隨著摻雞肉比例的增大，摻雞肉牛肉餡在主成分1軸上與純牛肉餡的距離增大，說明差異越明顯。這說明拉曼光譜技術結(jié)合PCA可以很好地區(qū)分純牛肉餡和摻雞肉牛肉餡樣本，并且可以很好地區(qū)分不同雞肉添加量對牛肉餡品質(zhì)的影響。

2.2.2 不同混合肉樣SVR模型的建立

在PCA的基礎上，建立SVR模型，對不同牛肉餡樣品進一步進行驗證。由SVR建?？芍?，當C=10、ε=0.1、g=0.01時的建模效果最好。

由表1可知：SVR校正模型的相關系數(shù)R2c為0.999 4，RMSE為0.230 0；交互驗證R2cv為0.999 3，RMSE為0.298 0；SVR預測模型的相關系數(shù)R2p為0.971 6，RMSE為0.236 0。從模型的各個參數(shù)可以看出，R2c、R2cv和R2p分別為0.999 4、0.999 3和0.971 6，說明實驗數(shù)據(jù)與擬合函數(shù)之間的吻合程度較高，校正模型R2c和交互驗證R2cv相差0.000 1，且RMSE比較接近，說明SVR模型穩(wěn)定；此外，校正集模型和預測集模型的RMSE分別為0.230 0和0.236 0，均小于0.5，說明其可以對不同牛肉餡進行有效判別。

由圖5可知，校正集和驗證集建模效果良好，模型穩(wěn)定，可以實現(xiàn)對摻假牛肉餡的快速鑒別。

3 結(jié) 論

利用拉曼光譜技術對摻入不同比例雞肉的摻假牛肉餡進行快速鑒別，結(jié)合化學計量學中的PCA和SVR法針對不同肉樣建立模型。結(jié)果表明：摻入不同比例雞肉的牛肉餡樣品在PCA圖中有規(guī)律的排列分布，且主要主成分對光譜矩陣的貢獻率達到98%左右，說明PCA能將摻假牛肉餡快速鑒別出來；應用SVR建立的分析模型中，當C=10、ε=0.1、g=0.01時的建模效果最好；校正模型的相關系數(shù)R2c為0.999 4，RMSE為0.230 0，交互驗證R2cv為0.999 3，RMSE為0.298 0，預測模型的相關系數(shù)R2p為0.971 6，RMSE為0.236 0；從模型的各個參數(shù)可以看出，R2c、R2cv和R2p分別為0.999 4、0.999 3和0.971 6，均接近1，說明實驗數(shù)據(jù)與擬合函數(shù)之間的吻合程度較高，校正模型R2c和交互驗證R2cv相差0.000 1，且RMSE比較接近，說明SVR模型穩(wěn)定，可以實現(xiàn)對摻雞肉牛肉餡的快速、準確判別。

參考文獻：

[1] 張玉卿， 孫寶忠， 郎玉苗， 等. 不同形態(tài)牛肉食用品質(zhì)和營養(yǎng)品質(zhì)分析[J].

肉類研究， 2015， 29（6）： 1-4. DOI：10.7506/rlyj1001-8123-201506001.

[2] 麻海峰， 常征， 楊光輝. 牛肉的營養(yǎng)價值及排酸、速凍工藝研究[J]. 農(nóng)業(yè)科技與裝備， 2010（7）： 34-36. DOI：10.3969/j.issn.1674-1161.2010.07.011.

[3] 石力安， 郭輝， 彭彥昆， 等. 牛肉含水率無損快速檢測系統(tǒng)研究[J]. 農(nóng)業(yè)機械學報， 2015， 46（7）： 203-209. DOI：10.6041/j.issn.1000-1298.2015.07.029.

[4] 田瀟瑜. 基于光譜與圖像分析的生鮮牛肉嫩度快速檢測技術研究[D].

北京： 中國農(nóng)業(yè)大學， 2014.

[5] 歐陽文， 江發(fā)潮， 彭彥昆， 等. 基于可見/近紅外光譜技術的牛肉嫩度快速無損檢測[C]//中國農(nóng)業(yè)工程學會2011年學術年會論文集. 北京： 中國農(nóng)業(yè)工程學會， 2011.

[6] 代芬， BERGHOLT M S， BENJAMIN A J V， 等. 近紅外激發(fā)熒光光譜與拉曼光譜快速鑒別馬鈴薯品種[J]. 光譜學與光譜分析， 2014， 34（3）： 677-680. DOI：10.3964/j.issn.1000-0593（2014）03-0677-04.

[7] 陳倩， 李沛軍， 孔保華. 拉曼光譜技術在肉品科學研究中的應用[J]. 食品科學， 2012， 33（15）： 307-313.

[8] CHOI S M， MA C Y. Structural characterization of globulin from common buckwheat （Fagopyrum esculentum Moench） using circular dichroism and Raman spectroscopy[J]. Food Chemistry， 2007， 102（1）： 150-160.

[9] 王桂文， 彭立新， 陳萍， 等. 重型a地中海貧血紅細胞的拉曼光譜[J]. 中國激光， 2009， 36（10）： 2651-2656.

[10] 張平麗， 孟耀勇， 肖軍， 等. 顯微拉曼光譜法定量檢測碳氧血紅蛋白飽和度[J]. 科學通報， 2012， 57（14）： 1222-1226.

[11] 劉平. 基于近紅外和高光譜檢測雞蛋粉摻假的研究[D]. 武漢： 華中農(nóng)業(yè)大學， 2017.

[12] 殷明. 基于寬頻太赫茲光譜和化學計量學的食用油脂鑒別及摻假檢測研究[D]. 北京： 中國礦業(yè)大學， 2017.

[13] 斯仁達來. 利用低場核磁共振技術快速檢測摻假駝乳的研究[D]. 呼和浩特： 內(nèi)蒙古農(nóng)業(yè)大學， 2016.

[14] 王丹丹， 任虹， 李婷， 等. 蜂蜜摻假鑒別檢測技術研究進展[J]. 食品工業(yè)科技， 2016， 37（16）： 362-367. DOI：10.13386/j.issn1002-0306.2016.16.064.

[15] 田曉靜. 基于電子鼻和電子舌的羊肉品質(zhì)檢測[D]. 杭州： 浙江大學， 2014.

[16] 竇穎， 孫曉榮， 劉翠玲， 等. 基于拉曼光譜技術的面粉品質(zhì)快速檢測[J]. 食品科學， 2014， 35（22）： 185-189. DOI：10.7506/spkx1002-6630-201422035.

[17] GEORGOULI K， RINCON J M D， KOIDIS A. Continuous statistical modelling for rapid detection of adulteration of extra virgin olive oil using mid infrared and Raman spectroscopic data[J]. Food Chemistry， 2017， 217： 735-742.

[18] 王風麗. 拉曼光譜退偏度實驗數(shù)據(jù)處理方法改進[J]. 物理與工程， 2017（增刊1）： 276-280.

[19] 張煒， 何石軒， 杜春雷， 等. 一種拉曼光譜預處理方法： 中國， CN 103217409 B[P]. 2015.

[20] 陳珊. 拉曼光譜的熒光背景扣除及其用于藥物聚類分析[J]. 光譜學與光譜分析， 2010， 30（8）： 2157-2160. DOI：10.3964/j.issn.1000-0593（2010）08-2157-04.

[21] 夏磊， 張樹霖. 拉曼光譜數(shù)據(jù)的分析和處理[C]//第十四屆全國光散射學術會議論文摘要集. 北京： 中國物理學會光散射專業(yè)委員會， 2007.

[22] 郭虎升， 王文劍. 動態(tài)粒度支持向量回歸機[J]. 軟件學報， 2013（11）： 2535-2547.

[23] 楊芳. 基于支持向量回歸（SVR）的材料熱加工過程建模[D]. 上海： 上海交通大學， 2010.

[24] 肖建， 于龍， 白裔峰. 支持向量回歸中核函數(shù)和超參數(shù)選擇方法綜述[J]. 西南交通大學學報， 2008， 43（3）： 297-303.

[25] VOL N. The applications of Raman spectroscopy in food science[J]. Trends in Food Science and Technology， 1996， 7： 361-370. DOI：10.1016/S0924-2244（96）10037-6.

[26] LI H， LIANG Y， XU Q. Support vector machines and its applications in chemistry[J]. Chemometrics and Intelligent Laboratory Systems， 2009， 95（2）： 188-198.

[27] 劉燕德， 劉濤， 孫旭東， 等. 拉曼光譜技術在食品質(zhì)量安全檢測中的應用[J]. 光譜學與光譜分析， 2010， 30（11）： 3007-3012. DOI：10.3964/j.issn.1000-0593（2010）11-3007-06.

[28] 阮榕生. 核磁共振技術在食品和生物體系中的應用[M]. 北京： 中國輕工業(yè)出版社， 2009.

[29] LAURENT W， BONNY J M， RENOU J P. Muscle characterisation by NMR imaging and spectroscopic techniques[J]. Food Chemistry， 2000， 69（4）： 419-426. DOI：10.1016/S0308-8146（00）00051-0.

[30] 陳亞斌， 劉梅紅， 王松磊， 等. 低場核磁技術結(jié)合化學計量學法快速檢測摻假牛奶[J]. 食品與機械， 2016（7）： 51-55. DOI：10.13652/j.issn.1003-5788.2016.07.012.