高 冰，吳鵬飛，許曉棟，楊增玲，劉 賢

(中國農(nóng)業(yè)大學(xué) 工學(xué)院，北京 100083)

為保障消費(fèi)者權(quán)益，維護(hù)市場(chǎng)秩序，植物油的真實(shí)性問題受到了廣泛的關(guān)注與研究[1-2]?，F(xiàn)有的植物油真實(shí)性檢測(cè)技術(shù)主要為色譜法[3-5]、光譜法[6-9]等，單一方法雖然可以達(dá)到檢測(cè)植物油真實(shí)性的目的，但基于單一信息源的分析技術(shù)的檢測(cè)精度不足，且檢測(cè)模型的魯棒性差[10-11]。為解決這一問題，數(shù)據(jù)融合的方法得到了廣泛研究[12-16]，其中，基于數(shù)據(jù)融合方法的食用油植物源定性判別研究鮮有報(bào)道。

本文以葵花籽油、玉米油、大豆油和花生油4種不同植物源食用油為研究對(duì)象，基于氣相色譜和近紅外光譜技術(shù)，獲取植物油的多源信息。氣相色譜法可對(duì)食用油的脂肪酸組成進(jìn)行量化表征[17]，近紅外光譜可對(duì)食用油中的含氫化學(xué)基團(tuán)產(chǎn)生響應(yīng)[18]，兩種技術(shù)從不同角度對(duì)植物油樣本進(jìn)行分析。理論上，將這兩種技術(shù)源的數(shù)據(jù)進(jìn)行融合分析具有提高模型檢測(cè)精度以及魯棒性的潛力，并可為食用油植物源的定性分析提供新思路。

1 實(shí)驗(yàn)部分

1.1 樣品收集與制備

實(shí)驗(yàn)樣本共272個(gè)，來自山東省金勝糧油食品公司，包括葵花籽油樣本41個(gè)，玉米油樣本40個(gè)，大豆油樣本40個(gè)，花生油樣本151個(gè)；樣本均為不同生產(chǎn)批次的成品油，樣本原料的地理來源廣闊，加工工藝及品質(zhì)指標(biāo)多樣。采樣前于室溫樣本庫中密封存放。

1.2 氣相色譜分析方法

植物油樣本經(jīng)皂化、甲酯化、脫水后得到脂肪酸甲酯，通過氣相色譜儀(7820，美國安捷倫公司)進(jìn)行脂肪酸種類及含量測(cè)定，采用氫離子火焰檢測(cè)器(FID，美國安捷倫公司)；石英毛細(xì)管柱(聚二氰丙基硅氧烷強(qiáng)極性固定相)長度100 m，內(nèi)徑0.25 mm，膜厚0.25 μm。色譜分析條件：進(jìn)樣量1 μL，進(jìn)樣口溫度為250 ℃；分流比為60∶1；初始溫度175 ℃，保持10 min，以3 ℃/min速率升溫至210 ℃，保持10 min,以3 ℃/min速率升溫至225 ℃，保持15 min。檢測(cè)溫度250 ℃，載氣為氮?dú)?純度為99.999%)，氫氣流速為30 mL/min，氮?dú)饬魉贋?2 mL/min，空氣流速為300 mL/min，尾吹流速為25 mL/min。每個(gè)樣品做3次平行。脂肪酸甲酯混合標(biāo)準(zhǔn)品(47885-U)購于Sigma-Aldrich公司(美國)。

1.3 近紅外光譜分析方法

室溫下，用膠頭滴管吸取搖勻后的植物油樣本約2 mL于透明平底玻璃圓管中，在25 ℃控溫裝置內(nèi)放置5～10 min；采用傅里葉變換近紅外光譜儀(QuasIRTM1000,Galaxy Scientific，美國)進(jìn)行近紅外光譜掃描，光譜掃描范圍為10 000 ～4 000 cm-1；光譜分辨率為8 cm-1；掃描次數(shù)為32次。每個(gè)樣本重復(fù)掃描3次，取平均值作為樣本光譜。

1.4 數(shù)據(jù)處理方法

采用主成分分析(PCA)和偏最小二乘判別分析(PLS-DA)對(duì)氣相色譜和近紅外光譜數(shù)據(jù)進(jìn)行探索性分析和建模；算法實(shí)現(xiàn)軟件為Matlab(R2014a，美國Mathworks公司)；使用SPSS20.0程序(美國SPSS公司)中單因素方差分析法(one-way ANOVA)中的鄧肯多重檢驗(yàn)法對(duì)不同植物源食用油的脂肪酸組成與差異進(jìn)行統(tǒng)計(jì)學(xué)比較分析。置信水平設(shè)為95%(P<0.05)；采用殘差統(tǒng)計(jì)剔除異常值，置信區(qū)間設(shè)為95%；為避免過擬合，在校正模型中使用“venetian blinds”法進(jìn)行交互驗(yàn)證(CV)[19]，數(shù)據(jù)級(jí)隨機(jī)劃分8次，保留樣本比率為13%；采用PLS toolbox自帶的Kennard-Stone算法對(duì)樣品進(jìn)行分集處理，75%的樣品作為校正集，建立定性判別模型，25%的樣品作為獨(dú)立驗(yàn)證集對(duì)建立的定性模型進(jìn)行檢驗(yàn)；采用平滑、導(dǎo)數(shù)、標(biāo)準(zhǔn)正態(tài)變換等方法進(jìn)行光譜預(yù)處理；在數(shù)據(jù)級(jí)上對(duì)氣相色譜(脂肪酸含量)和近紅外光譜(吸光度)數(shù)據(jù)進(jìn)行融合，多源數(shù)據(jù)分別進(jìn)行歸一化處理，連接構(gòu)建融合數(shù)據(jù)，繼而進(jìn)行后續(xù)數(shù)據(jù)融合模型的建立；對(duì)于定性分析模型，靈敏度(Sensitivity)、特異度(Specificity)越接近于1，分類誤差(Classification error)越接近于0，定性判別效果越好[20]。

(1)

(2)

式中，TP為真陽性的樣本個(gè)數(shù)；TN為真陰性的樣本個(gè)數(shù)；FP為假陽性的樣本個(gè)數(shù)；FN為假陰性的樣本個(gè)數(shù)。

2 結(jié)果與討論

2.1 不同植物源食用油脂肪酸組成差異分析

如表1所示，棕櫚酸(C16∶0)、硬脂酸(C18∶0)和山崳酸(C22∶0)含量在4種植物油之間具有顯著性差異(P<0.05)；玉米油和花生油中豆蔻酸(C14∶0)和反式油酸(C18∶1t)含量與其余兩種植物油具有顯著性差異，其中花生油中C18∶1t含量顯著高于大豆油(P<0.05)；油酸(C18∶1)和亞油酸(C18∶2)在4種植物油中的含量均大于21%，其中花生油中C18∶1的含量顯著高，C18∶2的含量顯著低(P<0.05)；玉米油和大豆油中反式亞油酸(C18∶2t)、反式亞麻酸(C18∶3t)、亞麻酸(C18∶3)和反式脂肪酸(TFA)含量顯著高于其他兩種植物油，其中大豆油中C18∶3含量顯著高于玉米油，TFA含量顯著低于玉米油(P<0.05)；C20∶0、花生一烯酸(C20∶1)、芥酸(C22∶1)和木焦油酸(C24∶0)含量在花生油中顯著高，C20∶0和C20∶1含量在葵花籽油中顯著低，C24∶0含量在玉米油和大豆油中顯著低(P<0.05)；花生油中飽和脂肪酸(SFA)含量顯著高，葵花籽油中SFA含量顯著低。上述分析表明，不同植物油間脂肪酸組成差異較大，該差異性數(shù)據(jù)具有進(jìn)一步區(qū)分其植物源的潛力。

表1 不同植物油脂肪酸組成差異性統(tǒng)計(jì)分析Table 1 Statistical analysis on the difference of fatty acid composition of vegetable oils (%)

圖1 基于脂肪酸組成的不同植物油Biplot圖Fig.1 Biplot of vegetable oils based on the fatty acid

2.2 食用油植物源氣相色譜主成分分析

基于4種植物油的氣相色譜數(shù)據(jù)進(jìn)行主成分分析，得到不同植物源食用油的Biplot圖如圖1所示，前兩個(gè)主成分分別占總變異量的60.28%和12.09%?；ㄉ蜆颖军c(diǎn)均分布在第一主成分的正半軸，其余3種植物油分布在第一主成分的負(fù)半軸，且玉米油樣本均位于第三主成分的負(fù)半軸；C22∶0、C20∶0、C24∶0和C18∶1t對(duì)鑒別花生油的貢獻(xiàn)較大，該結(jié)論與上述脂肪酸組成差異性結(jié)果一致，花生油中C22∶0、C20∶0、C24∶0和C18∶1t含量相比其余3種植物油差異顯著(P<0.05)；C16∶0和C18∶2t對(duì)玉米油的鑒別貢獻(xiàn)較大，玉米油中C16∶0和C18∶2t含量顯著高(P<0.05)；C14∶0和C18∶2分別與葵花籽油和玉米油樣本鄰近，且靠近大豆油樣本，C14∶0在葵花籽油和大豆油中含量無顯著差異，并且顯著高于其余兩種植物油(P<0.05)；大豆油中C18∶2含量顯著低于玉米油(P<0.05)，這導(dǎo)致C18∶2更靠近大豆油；C18∶0、C18∶3和C18∶3t對(duì)于大豆油的鑒別貢獻(xiàn)較大，這一結(jié)論與上述脂肪酸含量的顯著性分析結(jié)果一致(表1)。以上主成分分析表明，氣相色譜數(shù)據(jù)具備區(qū)分食用油植物源的能力，區(qū)分效果良好，脂肪酸的組成差異對(duì)主成分區(qū)分的貢獻(xiàn)較大。

2.3 不同植物源食用油近紅外光譜差異分析

圖2 不同植物油近紅外光譜的差異Fig.2 Differences of near infrared spectra for vegetable oils

2.4 食用油植物源近紅外光譜主成分分析

對(duì)4種植物油的近紅外光譜數(shù)據(jù)進(jìn)行主成分分析，得到主成分得分圖(圖3A)以及PC1和PC2的載荷圖(圖3B)。第一和第二主成分占總變異量的90.02%，與圖2結(jié)論相似，花生油樣本位于第一主成分正半軸，與其余植物油樣本距離較遠(yuǎn)，區(qū)分明顯，這與上述光譜差異分析結(jié)果一致；葵花籽油、大豆油和玉米油樣本相互區(qū)分明顯，但樣本之間的距離較近；葵花籽油樣本均位于第二主成分的正半軸；大部分的玉米油和大豆油樣本位于第二主成分的負(fù)半軸。由主成分得分圖可知，光譜波長變量在第一主成分的得分普遍偏高，這可能與花生油的近紅外光譜與其余3種植物油在吸收強(qiáng)度上差異較大有關(guān)，而第一主成分又將花生油與其余3種植物油明顯區(qū)分；PC2得分圖中，光譜的差異主要由C—H鍵的一級(jí)倍頻振動(dòng)(6 029 cm-1)、二級(jí)倍頻振動(dòng)(8 681 cm-1)和合頻振動(dòng)(8 043 cm-1)導(dǎo)致。以上主成分分析結(jié)果表明，近紅外光譜技術(shù)具有區(qū)分食用油植物源的潛力，其中光譜的吸收強(qiáng)度差異以及對(duì)C—H鍵振動(dòng)的表征對(duì)定性判別的貢獻(xiàn)較大。

圖3 基于近紅外光譜的不同植物油主成分分析Fig.3 PCA of vegetable oils based on near infrared spectraA.score plots of PCA,B.loading of PC1 and PC2

2.5 食用油植物源判別分析模型結(jié)果

進(jìn)一步對(duì)氣相色譜和近紅外光譜數(shù)據(jù)進(jìn)行PLS-DA判別分析，結(jié)果如表2所示，氣相色譜和近紅外光譜均可對(duì)食用油植物源進(jìn)行判別分析，模型交互驗(yàn)證集的靈敏度和特異度均不低于0.929，分類誤差不大于0.061；花生油PLS-DA判別分析的靈敏度和特異度均為1.000，分類誤差為0.000，這一結(jié)果與主成分分析中花生油的區(qū)分良好有關(guān)；近紅外光譜對(duì)其余3種植物油的PLS-DA判別分析結(jié)果較氣相色譜差。與現(xiàn)有文獻(xiàn)中基于近紅外光譜判別分析食用油植物源100%正確判別率的結(jié)果相比，該結(jié)論的偏差可能是樣本范圍擴(kuò)大導(dǎo)致：植物油的收集包含了不同原料品種、產(chǎn)地、生產(chǎn)工藝和存儲(chǔ)時(shí)間的樣本。采用數(shù)據(jù)級(jí)數(shù)據(jù)融合方法，融合氣相色譜和近紅外光譜數(shù)據(jù)進(jìn)行建模，結(jié)果表明，食用油植物源判別分析的靈敏度和特異度均為1.000，分類誤差為0.000；說明數(shù)據(jù)融合的方法具有提高模型精度的能力，并且數(shù)據(jù)融合模型對(duì)于復(fù)雜來源樣本的包容性更好。

表2 食用油植物源PLS-DA判別分析結(jié)果Table 2 PLS-DA discriminant analysis results of vegetable oils type

進(jìn)一步對(duì)PLS-DA判別分析模型的交互驗(yàn)證平均分類誤差進(jìn)行統(tǒng)計(jì)[22]，基于氣相色譜數(shù)據(jù)、近紅外光譜和數(shù)據(jù)融合的交互驗(yàn)證平均分類誤差對(duì)比分析如圖4所示。隨著建模主成分?jǐn)?shù)的增加，交互驗(yàn)證平均分類誤差下降，并在8～20主成分處趨于平穩(wěn)。單一的氣相色譜法和近紅外光譜法在判別分析中均表現(xiàn)良好，交互驗(yàn)證平均分類誤差在0.1以下。近紅外光譜在主成分?jǐn)?shù)小于8時(shí)，判別分析效果優(yōu)于氣相色譜，數(shù)據(jù)融合的分類效果介于兩者之間;主成分?jǐn)?shù)大于8時(shí)，氣相色譜模型的交互驗(yàn)證平均分類誤差最低，數(shù)據(jù)融合方法的交互驗(yàn)證平均分類誤差介于兩種單一方法模型之間。

圖4 PLS-DA判別模型的交互驗(yàn)證平均分類誤差Fig.4 Average CV classification error in the PLS-DA models

3 結(jié) 論

本研究采用氣相色譜技術(shù)和近紅外光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)方法對(duì)食用油的植物源進(jìn)行判別分析，探究了數(shù)據(jù)級(jí)數(shù)據(jù)融合的可行性，構(gòu)建了基于色譜和光譜數(shù)據(jù)融合區(qū)分食用油植物源的方法與模型。氣相色譜、近紅外光譜和兩者的數(shù)據(jù)融合均可對(duì)食用油植物源進(jìn)行分類，數(shù)據(jù)融合模型最優(yōu)，靈敏度和特異度均為1.000，分類誤差為0.000，提高了模型的檢測(cè)精度；交互驗(yàn)證平均分類誤差顯示數(shù)據(jù)融合的模型效果介于兩種單一方法模型之間，模型的魯棒性得到了提升。本研究為食用油植物源的分類提供了新的解決思路。