何媛 黃揚明 王瑤 趙悅婷 李小斌 張鳳俠 徐磊 彭軍倉 閔順耕

摘?要?分別采用近紅外光譜（NIRS）和氣相色譜-質(zhì)譜聯(lián)用（GC-MS）法分析了3種不同類型煙用爆珠。收集了清甜型、蜜甜型和薄荷型3種類型煙用爆珠的不同批次共27個樣品，采集其NIRS譜圖，通過光譜數(shù)據(jù)分析結(jié)合簇類獨立軟模式法（Soft independent modeling of class analogy，SIMCA）對3種煙用爆珠樣品建立了分類模型，采用線性判別分析法（Linear discriminant analysis，LDA）對同一類型不同批次的煙用爆珠進行質(zhì)量一致性評價，同時采用GC-MS法對3種類型煙用爆珠內(nèi)含物中揮發(fā)性及半揮發(fā)性成分進行了分析。結(jié)果表明，煙用爆珠香型不同，其內(nèi)含物揮發(fā)性及半揮發(fā)性成分差別較大;NIRS技術(shù)可以有效判別不同顏色壁材的爆珠;建立的SIMCA模型可區(qū)分3種類型煙用爆珠，且清甜型、蜜甜型和薄荷型煙用爆珠不同批次樣品的區(qū)分準確度均在90%以上，建立的LDA模型可很好地區(qū)分3種類型不同批次的煙用爆珠。

關(guān)鍵詞?近紅外光譜法; 氣相色譜-質(zhì)譜聯(lián)用法; 煙用爆珠; 簇類獨立軟模式法; 線性判別分析法

1?引 言

煙用爆珠是嵌在卷煙濾嘴中的一?；蚨嗔４嘈阅z囊，膠囊中包裹了特色香精香料及適量溶劑液體，能夠延緩揮發(fā)性香味物質(zhì)的自然損失，實現(xiàn)卷煙抽吸過程中特色香味物質(zhì)人為可控釋放[1]。隨著爆珠卷煙銷量的增長[2～4]，對煙用爆珠的研究日益增多。目前，煙用爆珠質(zhì)量的評價除了物理指標，如爆珠直徑、膠皮厚度、破碎壓力及外觀評價[5，6]外，對于煙用爆珠內(nèi)在質(zhì)量分析和控制的研究報道越來越多。本研究組曾采用氣相色譜-質(zhì)譜聯(lián)用（GC-MS）指紋圖譜對爆珠內(nèi)含物質(zhì)量穩(wěn)定性進行了分析評價[7];文獻[8，9]采用紫外-可見吸收光譜技術(shù)對煙用爆珠內(nèi)液質(zhì)量穩(wěn)定性進行了研究。GC-MS法雖然能夠獲取煙用爆珠內(nèi)含物中揮發(fā)性及半揮發(fā)性化學成分信息，結(jié)合指紋圖譜能夠分析煙用爆珠的質(zhì)量穩(wěn)定性，但其前處理及分析費時費力，對樣品具有破壞性。紫外-可見吸收光譜技術(shù)能夠快速判別煙用爆珠內(nèi)液質(zhì)量穩(wěn)定性，但在前處理時也需破壞樣品。因此，建立一種快速、無損的煙用爆珠判別方法具有重要意義。

近紅外光譜技術(shù)（Near-infrared spectroscopy，NIRS）具有操作簡單、快速、無損等特點[10，11]，結(jié)合化學計量學方法在化工、食品、農(nóng)業(yè)和生物學等領(lǐng)域廣泛應(yīng)用[12～14]，適用于樣品組分的快速定量分析[15]，還能夠利用光譜所反映的組成和結(jié)構(gòu)信息進行定性識別[16]。簇類獨立軟模式法（Soft independent modeling of class analogy，SIMCA）是一種基于主成分分析（Principal component analysis，PCA）基礎(chǔ)上的有監(jiān)督模式識別方法，其基本思想是先根據(jù)主成分分析分別對每類樣本建立相應(yīng)的分類模型，獲得每類樣本的空間分布，再利用這些模型對未知樣本進行識別判定[17]。線性判別分析（Linear discriminant analysis，LDA）是一種有監(jiān)督模式識別算法，通過最大化類間方差和最小化類內(nèi)方差，確定線性判別函數(shù)，是一種有效的特征提取和降維技術(shù)[18]。近年來，NIRS結(jié)合SIMCA方法已被成功應(yīng)用于區(qū)分不同類別的玉米[19]、咖啡豆[20]。Liu等[21]采用NIRS結(jié)合LDA方法進行建模，能夠快速、準確地對不同產(chǎn)地葡萄酒進行分類。Zhang等[22]采用NIRS法結(jié)合支持向量機對煙草常規(guī)化學成分如總糖、還原糖、煙堿及總氮進行了快速、準確的定量分析。Jing等[23]將NIRS法與多區(qū)組偏最小二乘法結(jié)合，測定了煙草薄片中的煙堿和糖含量。杜文等[24]研究了基于煙葉的NIRS數(shù)據(jù)通過SIMCA識別不同產(chǎn)地、等級、品種煙葉的方法，且識別準確率高。張峰等[25]建立了一種基于NIRS信息的SIMCA輔助卷煙配方的方法。彭軍倉等[26]采用NIRS法結(jié)合規(guī)則深度分類器對煙用香精香料樣品進行了分類判別。然而，目前利用NIRS技術(shù)分析煙用爆珠的研究尚未見文獻報道。

本研究采用NIRS法結(jié)合SIMCA建立了快速判別不同類型煙用爆珠的模型，LDA模型可將3種類型不同批次的煙用爆珠有效分開; 同時，采用GC-MS法對3種類型煙用爆珠內(nèi)含物中揮發(fā)性及半揮發(fā)性化學成分進行定性分析。本研究對煙用爆珠類別快速判定及質(zhì)量穩(wěn)定性研究進行了初步探索，為煙用爆珠類別判別分析提供了一種簡便、快速、準確的分析方法。

2?實驗部分

2.1?儀器與試劑

7890B-5977A氣相色譜-質(zhì)譜聯(lián)用儀、HP-5MS毛細管柱（30 m×0.32 mm，0.25 μm）（美國Agilent公司）;KQ-700DB數(shù)控超聲萃取儀（昆山市超聲儀器有限公司）;HY-8型振蕩儀（常州國華電器有限公司）;有機相針頭濾膜（0.45 μm，天津市津騰實驗設(shè)備有限公司）;MPA傅立葉變換近紅外光譜儀（Bruker公司）。

清甜型、蜜甜型和薄荷型3種煙用爆珠樣品不同批次共計27個樣品，由廣州興葉生物科技有限公司生產(chǎn)，均為球狀，顆粒直徑3.5～4.0 mm，爆珠中的內(nèi)含物為液體狀，通常每支卷煙的過濾嘴會放置1～2粒爆珠。

正己烷（色譜純，≥95%，美國Sigma-Aldrich公司）;正十七烷（99%，比利時Acros公司）;無水乙醇（分析純，≥99.7%，北京化工廠）。

2.2?GC-MS分析

參照文獻[7]的方法，將煙用爆珠破碎后取內(nèi)含物，采用正己烷振蕩萃取內(nèi)含物成分，以GC-MS方法分別對清甜型、蜜甜型和薄荷型3類煙用爆珠內(nèi)含物的揮發(fā)性及半揮發(fā)性成分進行分析，通過檢索NIST14標準譜庫進行匹配度比對及定性分析。

2.3?NIR分析

2.3.1?光譜采集?在室溫下，采集煙用爆珠樣品的NIRS。爆珠放置一層，在此上方添加金屬蓋，用于反射近紅外光。光譜采集范圍：12000～4000 cm1;光譜分辨率：16 cm1;掃描次數(shù)：64次。通過樣品杯旋轉(zhuǎn)，一個樣品掃描5～6點，獲得此樣品5或6張光譜。由于批次數(shù)量有限，在不同天重復采集每批次爆珠產(chǎn)品3次。在收集光譜數(shù)據(jù)的過程中，樣品杯與金屬蓋在樣品測試之前用無水乙醇擦拭。最終共收集416張光譜，其中，清甜型6批次92張光譜;蜜甜型14批次212張光譜;薄荷型7批次112張光譜。

2.3.2?光譜數(shù)據(jù)預處理?針對固體樣品，本研究采用5種預處理方法：歸一化（Normalization）、均值中心化（Mean centering）、標準化（Auto-scaling）、多元散射校正（Multiplicative scatter correction，MSC）和標準正態(tài)變量變換（Standard normal variate transformation，SNV）。歸一化常被用于校正由微小光程差異引起的光譜變換;均值中心化是被使用非常普遍的預處理方法;標準化特別適用于樣品間差異很小的情況。MSC首先分離光譜中的物理光散射信息和化學光吸收信息，然后消除不同光譜之間的物理散射信息差異，盡量使所有樣品中的光譜校正信息在同一水平上[27]。MSC主要是為了消除顆粒分布不均及顆粒大小產(chǎn)生的散射影響，在固體漫反射和漿狀物透射光譜中應(yīng)用較多。SNV認為每張光譜中各波長點的吸光度值應(yīng)滿足一定的分布，如正態(tài)分布。通過該假設(shè)對每張光譜進行校正，可有效降低固體顆粒大小以及儀器狀態(tài)對紅外譜圖的影響[28]。通過比較光譜數(shù)據(jù)不同處理方法后建立的模型預測識別準確度，選出最優(yōu)的光譜數(shù)據(jù)處理方法。

2.3.3?模式識別算法與模型性能評價指標?采用SIMCA算法對3種煙用爆珠建立類型判別模型;采用LDA算法對同一類型不同批次的爆珠質(zhì)量一致性進行評價。LDA屬于有監(jiān)督的模式識別方法，分別計算類內(nèi)和類間的協(xié)方差矩陣。對于未知類別樣品光譜，需計算其與每類均值的距離平方，然后將其判定到距離最小的類型中，本研究采用的是馬氏距離。

計算校正模型的識別率和誤判率，利用二者判斷分類器的好壞。識別率是識別自身樣本個數(shù)與預測樣本總個數(shù)的比值; 誤判率是誤判其它類的樣本個數(shù)與其它類樣本參與識別個數(shù)的比值。通常，識別率數(shù)值越大越好，誤判率數(shù)值則越小越好。

其中，A為識別率，S為識別自身樣本個數(shù)，TS為預測樣本總個數(shù)，E為誤判率，W為誤判其它類的樣本個數(shù)，TW為其它類樣本參與識別總個數(shù)。

3?結(jié)果與討論

3.1?3種類型煙用爆珠GC/MS分析

圖1為清甜型煙用爆珠內(nèi)含物GC-MS總離子流圖，采用NIST14標準譜庫對圖1中色譜峰進行匹配度比對及定性分析，結(jié)果如表1所示，共鑒定出10種化合物：醇類1種，酮類4種，酯類2種，酚類1種，醛類2種。其中，特征香味成分有乙基麥芽酚、香蘭素和乙基香蘭素。添加乙基麥芽酚不僅可提升香味，還起到增甜作用;香蘭素俗稱香草醛，具有強烈又獨特的香莢蘭豆香氣，且香氣穩(wěn)定;乙基香蘭素具有類似香莢蘭豆香氣，其香氣是香蘭素的3～4倍，且留香持久。

蜜甜型及薄荷型煙用爆珠內(nèi)含物GC-MS總離子流圖、定性分析數(shù)據(jù)請見電子版文后支持信息圖S1～2及表S1～2。在蜜甜型煙用爆珠內(nèi)含物中共鑒定出17種化學成分：醇類2種，酮類1種，酯類7種，烯烴類5種，醛類1種，其它類1種。特征香味成分有己酸乙酯、2，6-二甲基-5-庚烯醛與L-薄荷醇，都可起到增香作用。薄荷型煙用爆珠內(nèi)含物共鑒定出26種化學成分：醇類4種，酮類5種，酯類9種，烯烴類有7種，其它類有1種。在這些化學成分中，以L-薄荷醇的含量最高，是薄荷型爆珠主要的特征香味成分。

采用GC-MS分析3種煙用爆珠內(nèi)含物的揮發(fā)性及半揮發(fā)性成分，由定性分析結(jié)果可知，3種煙用爆珠香型不同，其內(nèi)含物中的揮發(fā)性及半揮發(fā)性成分、特征香味成分差別很大。

3.2?3種類型煙用爆珠近紅外光譜數(shù)據(jù)分析

采用Unscrambler X10.3軟件進行數(shù)據(jù)預處理和建模，對3種類型煙用爆珠的不同批次27個樣品的416張光譜進行分析。原始光譜數(shù)據(jù)和分別進行歸一化、均值中心化、標準化、MSC、SNV預處理后的數(shù)據(jù)進行建模，每類選出20%的樣品光譜（清甜型19個，蜜甜型43個，薄荷型23個）用于外部預測，對所建模型進行驗證。

3.2.1?SIMCA分類模型?SIMCA又稱相似分析法，是建立在主成分分析基礎(chǔ)上的一種有監(jiān)督模式識別方法，該算法的基本思路是對訓練集中每類樣本的光譜矩陣分別進行主成分分析，建立每類的主成分分析模型，在此基礎(chǔ)上對未知樣本進行類別歸屬[29]。結(jié)合不同光譜預處理方法，采用SIMCA方法（5個主成分，90%置信度）分別對3種類型煙用爆珠進行建模。

表2為原始光譜數(shù)據(jù)和經(jīng)5種預處理方法后的光譜數(shù)據(jù)的SIMCA建模分類效果。相對其余光譜預處理，MSC、SNV的模型分類效果顯著提高，識別率均超過90%，3種類型煙用爆珠可被有效分開，同時SIMCA所建立的模型不存在誤判現(xiàn)象;相對MSC與SNV而言，原始光譜直接建模，其分類器性能差，清甜型、蜜甜型識別率均較低，并存在誤判的現(xiàn)象，與光譜經(jīng)過MSC與SNV處理所建的分類器有明顯差距;歸一化、均值中心化、標準化處理后的模型效果未得到明顯改善，說明這3種預處理方法并不適用于本研究體系。事實上，MSC與SNV的目的基本相同，主要是為了消除固體顆粒分布不均勻及顆粒大小產(chǎn)生的散射影響。二者分類器潛力基本相近，很有可能消除了散射光對光譜數(shù)據(jù)的影響。

值得注意的是，本研究所用的蜜甜型爆珠壁材為黃色，清甜型、薄荷型爆珠壁材為綠色，采用近紅外光譜法結(jié)合SIMCA算法可將3種類型煙用爆珠在一定程度上成功分開，說明NIRS結(jié)合數(shù)據(jù)處理可有效判別不同顏色壁材的爆珠。

用預測集對建立的SIMCA模型進行性能測試，分類結(jié)果見表3，MSC、SNV光譜數(shù)據(jù)預處理的驗證效果良好，對3種類型煙用爆珠的識別率均在90%以上;MSC與SNV的結(jié)果相近，與訓練集的行為基本一致，很有可能消除了散射光的影響。MSC與SNV分類器的分類結(jié)果表明，所建立的SIMCA模型具有較高的預測準確度和預測穩(wěn)定性。

圖2A與圖2B分別為煙用爆珠未經(jīng)處理和SNV處理的NIRS數(shù)據(jù)圖。由圖2可見，光譜SNV處理可以明顯地消除基線漂移的影響。

3.2.2?煙用爆珠質(zhì)量一致性評價?采用LDA算法（PCA聯(lián)用馬氏距離，選取5個主成分）對同一類型不同批次的煙用爆珠進行質(zhì)量一致性評價。

表4為原始及預處理之后光譜數(shù)據(jù)LDA模型的訓練集識別準確度，5種預處理方法和無預處理的光譜數(shù)據(jù)的LDA模型分類效果均很好，都基本接近100%。3種類型煙用爆珠的不同批次均能被很好地分開。不同光譜預處理的LDA模型需用外部檢驗的方法，以尋求最佳的分類器。所建立的各個LDA模型通過預測集進行性能測驗。

表5為預測外部樣本批次歸屬的準確度，所有LDA模型的預測準確度均很好，其中，MSC的分類結(jié)果略優(yōu)，對3種類型煙用爆珠類內(nèi)不同批次均能很好地分開。

本研究采用GC/MS方法可獲取3種煙用爆珠內(nèi)含物的化學成分，說明3種煙用爆珠香型不同，其內(nèi)含物揮發(fā)性及半揮發(fā)性成分不同，每種香型煙用爆珠中特征香味成分差異很大。近紅外光譜結(jié)合SIMCA建?？煽焖佟蚀_地判別不同香型的爆珠。采用GC/MS方法對3種煙用爆珠內(nèi)含物成分測定結(jié)果進一步說明，NIRS能夠準確判別不同香型的爆珠。

4?結(jié) 論

分別采用NIRS技術(shù)和GC-MS法分析3種類型煙用爆珠。GC-MS方法對3種類型煙用爆珠內(nèi)含物揮發(fā)性及半揮發(fā)性成分進行定性分析，NIRS法結(jié)合SIMCA模式識別算法對3種煙用爆珠樣品建立了分類模型，LDA算法對同一類型不同批次的煙用爆珠進行質(zhì)量一致性評價。結(jié)果表明，3種煙用爆珠香型不同，其內(nèi)含物揮發(fā)性及半揮發(fā)性成分差別較大;采用NIRS技術(shù)可以有效判別不同顏色壁材的爆珠，建立的SIMCA模型可將3種類型煙用爆珠有效分開;蜜甜型、清甜型和薄荷型煙用爆珠不同批次樣品的準確度分別為97.67%、100%和100%，所建立的LDA模型對3種類型煙用爆珠的不同批次均能很好地分開;光譜預處理方法顯著影響所建立SIMCA模型的性能。NIRS技術(shù)操作簡單，為煙用爆珠不同類型分類、質(zhì)量一致性評價提供了一種新穎、快速、無損、識別準確度高的分析方法。

References

1?HONG Guang-Feng，QIU Ji-Qing，LI Guo-Zheng，ZHANG Qi-Dong，ZHANG Shi-Hua，HONG Qun-Ye，JIA Nan，ZHOU Hao，WANG Jin-Bang. Acta Tabacaria Sinica，2019，25（4）： 124-134

洪廣峰，邱紀青，李國政，張其東，張仕華，洪群業(yè)，賈 楠，周 浩，王金棒. 中國煙草學報，2019，25（4）： 124-134

2?Abad-Vivero E N，Thrasher J F，Arillo-Santilln E，Pérez-Hernández R，Barrientos-Gutíerrez I，Kollath-Cattano C，Mejía R，Sargent J D. Tob. Control，2016，25（E2）： E113-E119

3?Thrasher J F，Abad-Vivero E N，Moodie C，O′Connor R J，Hammond D，Cummings K M，Yong H H，Salloum R G，Czoli C，Reynales-Shigematsu L M. Tob. Control，2016，25（3）： 275-283

4?Thrasher J F，Islam F，Barnoya J，Mejia R，Valenzuela M T，Chaloupka F J. Tob. Control，2017，26（4）： 468-470

5?ZHANG Jin，ZHANG Lin. China Patent，201610368564.X，2016

張 晉，張 琳. 中國專利，201610368564.X，2016

6?Kim H S，Pack E C，Koo Y J，Lee Y J，Sung D K，Lee S H，Kim Y S，Kwon K H，Lim K M，Jang D Y，Choi D W. Regul. Toxicol. Pharm，2018，92： 420-428

7?HE Yuan，PENG Jun-Cang，L Juan，YANG Fang，F(xiàn)AN Ya-Ling，CAO Yong-Yan，WANG Yao，LI Xiao-Bin，WANG Yong-Hong，DENG Bao-An，CAO Wen，LEI Dong-Feng，HUANG Zhong-Bo. Tobacco Science & Technology，2018，51（7）： 54-60

何 媛，彭軍倉，呂 娟，楊 芳，樊亞玲，曹永艷，王 瑤，李小斌，王永紅，鄧寶安，曹 穩(wěn)，雷東鋒，黃仲波. 煙草科技，2018，51（7）： 54-60

8?TANG Jie，ZHU Ling，XU Jia-Dong，HU Xing-Feng，PENG Zhong，TAN Guang-Lu，ZHU Li-Jun. Tobacco Science & Technology，2019，52（3）： 39-45

唐 杰，朱 玲，許嘉東，胡興鋒，彭 忠，譚廣璐，朱立軍. 煙草科技，2019，52（3）： 39-45

9?ZHU Ling，TANG Jie，XU Jia-Dong，HU Xing-Feng，PENG Zhong，TAN Guang-Lu，ZHU Li-Jun. Acta Tabacaria Sinica，2019，25（3）： 29-36

朱 玲，唐 杰，許嘉東，胡興鋒，彭 忠，譚廣璐，朱立軍. 中國煙草學報，2019，25（3）： 29-36

10?Jan U P，Dietmar R K，Reinhold C. Trends Food Sci. Tech. ，2015，46： 211-230

11?LI Mao-Gang，YAN Chun-Hua，XUE Jia，ZHANG Tian-Long，LI Hua. Chinese J. Anal. Chem.，2019，47（12）： 1995-2003

李茂剛，閆春華，薛 佳，張?zhí)忑垼?華. 分析化學，2019，47（12）： 1995-2003

12?Ebrahiema A，Olaniyi A F，Lembe S M，Umezuruike L O. J. Food Eng.，2018，217： 11-23

13?ZHENG Nian-Nian，LUAN Xiao-Li，LIU Fei. Spectroscopy and Spectral Analysis，2018，38（10）： 3096-3100

鄭年年，欒小麗，劉 飛. 光譜學與光譜分析，2018，38（10）： 3096-3100

14?Su W H，He H J，Sun D W. Crit. Rev. Food Sci. Nutri.，2017，57（5）： 1039-1051

15?WANG Fan，LI Yong-Yu，PENG Yan-Kun，SUN Hong-Wei，LI Long. Chinese J. Anal. Chem.，2018，46（9）： 1424-1431

王 凡，李永玉，彭彥昆，孫宏偉，李 龍. 分析化學，2018，46（9）： 1424-1431

16?Celio P. Anal. Chim. Acta，2018，1026： 8-36

17?Mees C，Souard F，Delporte C，Deconinck E，Stoffelen P，Stévigny C，Kauffmann J M，Braekeleer K. Talanta，2018，177（15）： 4-11

18?BonaM T，Andrés J M. Talanta，2007，72（4）： 1423-1431

19?Jones R W，Reinot T，F(xiàn)rei U K，Tseng Y，Lubberstedt T，Mcclelland J F. Appl. Spectrosc.，2012，66（4）： 447-450

20?Okubo N，Kurata Y. Foods，2019，8（82）： 1-7

21?Liu L，Cozzolino D，Cynkar W U，Gishen M，Colby C B. J. Agric. Food Chem.，2006，54（18）： 6754-6759

22?Zhang Y，Cong Q，Xie Y，Yang J，Zhao B. Spectrochim. Acta A，2008，71（4）： 1408-1413

23?Jing M，Cai W，Shao X. Anal. Lett.，2010，43（12）： 1910-1921

24?DU Wen，YI Jian-Hua，TAN Xin-Liang，LIU Jin-Yun. Acta Tabacaria Sinica，2009，15（5）： 1-5

杜 文，易建華，譚新良，劉金云. 中國煙草學報，2009，15（5）： 1-5

25?ZHANG Feng，CHEN Xiao-Ming，CHEN Qun，LI Bin，LAN Hong-Qiao，LU Hong-Liang，YI Yong-Tao，CAO Xiao-Liang，HONG Zu-Can，ZHUANG Wu-Yong. China Patent，201210344034.3，2012

張 峰，陳小明，陳群，李 斌，藍洪橋，鹿洪亮，伊勇濤，操曉亮，洪祖燦，莊吳勇. 中國專利，201210344034.3，2012

26?PENG Jun-Cang，HUANG Yang-Ming，WANG Yao，KANG Shi-Ping，ZHANG Feng-Xia，ZHANG Meng-Meng，SUN Zhao-Lin，MIN Shun-Geng. Analytical Instrumentation，2019，（2）： 111-117

彭軍倉，黃揚明，王 瑤，康世平，張鳳霞，張萌萌，孫趙麟，閔順耕. 分析儀器，2019，（2）： 111-117

27?SHI Rong-Mao，LIU Jing. Modern Computer，2017，（20）： 44-48

時榕茂，劉 靜. 現(xiàn)代計算機，2017，（20）： 44-48

28?Bi Y，Yuan K，Xiao W，Wu J，Shi C，Xia J，Chu G，Zhang G，Zhou G. Anal. Chim. Acta，2016，909： 30-40

29?Lobato K B S，Alamar P D，Caramês E T S，Pallone J A L. J. Food Eng.，2018，224： 105-111