李嘉儀，余 梅，李脈泉，鄭 郁，李 跑, 3*

1. 湖南農業(yè)大學食品科學技術學院，湖南 長沙 410128 2. 湖南師范大學醫(yī)學院，湖南 長沙 410013 3. 湖南省農業(yè)科學院，湖南省農產品加工研究所，湖南 長沙 410125

引 言

菊花為菊科植物菊的干燥頭狀花序。 滁菊、貢菊、杭菊和亳菊是常見的幾類藥用菊花品種[1-2]。 不同品種菊花化學組成如萜類、黃酮、有機酸和生物堿等存在一定差異，藥理作用和功能也有所差別，但其外觀相似度較大，非專業(yè)人員僅通過肉眼難以實現(xiàn)對不同品種菊花的準確鑒別分析。

目前用于菊花品種鑒別的方法主要有感官評價法和儀器分析法。 前者通過對外形、氣味等進行分析以實現(xiàn)對菊花品種的鑒別，易受主觀因素影響，鑒別正確率較低；后者是通過對不同品種菊花的化學組成和含量進行檢測以實現(xiàn)鑒別分析。 Wang等[3]通過高效液相色譜-二極管陣列-電噴霧串聯(lián)質譜對9個產地菊花的主要化學成分進行了表征，實現(xiàn)了菊花產地的準確鑒別分析。 肖作兵等[4]采用氣相色譜-質譜/氣相色譜-電子鼻對精油特征香氣成分的分析實現(xiàn)了不同廠家菊花精油的鑒別。 然而此類方法前處理繁雜、檢測成本較高、耗時較長，且對樣品具有破壞性，影響了產品的二次銷售。 因此，亟需開發(fā)一種不同品種菊花無損鑒別新方法。

近紅外光譜的波長介于可見光譜和中紅外光譜之間，有機物中的含氫基團化學健伸縮振動的倍頻及合頻信息與這一譜區(qū)相關[5]。 然而近紅外光譜譜帶較寬、吸收峰重疊嚴重、吸收較弱，信息復雜，需要結合化學計量學方法對其進行解析。 光譜預處理及其組合算法被提出來用于消除光譜中的基線漂移、背景以及噪聲干擾[6-8]。 此外，大量模式識別方法被提出來用于挖掘樣品的類別信息。 無監(jiān)督模式識別的主成分分析方法(PCA)[9]以及有監(jiān)督的軟獨立模式分類法(SIMCA)[10]和Fisher線性判別分析(FLD)[11]是最常用的模式識別方法。 近紅外光譜因具備檢測速度快、重現(xiàn)性好、可實現(xiàn)無損檢測等優(yōu)點，近年來在中藥品種識別、產地鑒別以及真?zhèn)舞b定等領域得到了廣泛應用。 Li等[11]利用傅里葉臺式近紅外光譜儀結合FLD方法實現(xiàn)了不同年份陳皮的準確鑒別分析。 Han等[12]通過傅里葉近紅外光譜儀結合偏最小二乘判別分析算法建立了不同品種菊花粉末的鑒別模型。 然而該方法依舊無法實現(xiàn)完整菊花的鑒別分析。 傅里葉臺式近紅外光譜儀分辨率高、光通量大，但是抗震性差，較難做成便攜式儀器，且價格昂貴。 固定光路陣列檢測型便攜式近紅外光譜儀是最常見的便攜式近紅外儀器，因其價格低、體積小等優(yōu)點得到了廣泛關注，但不同陣列像元間有串擾，儀器的信噪比較差[13]。 李慶等[14]利用云端-互聯(lián)便攜式近紅外技術結合化學計量學方法實現(xiàn)了對西紅花真?zhèn)舞b別和摻偽品摻偽量預測。 然而，菊花不同于其他樣品，其物理性狀不均勻，且便攜式近紅外信號中易受到較大背景和噪聲的干擾，現(xiàn)階段尚缺乏菊花品種無損鑒別的研究。

因此，提出了一種基于便攜式近紅外光譜儀結合化學計量學方法的菊花品種無損鑒別方法。 通過便攜式近紅外光譜儀采集不同品種菊花完整和粉末狀樣品的光譜信息，同時考察物理性狀對光譜的影響，基于預處理方法以及模式識別方法建立菊花品種的準確鑒別模型。

1 實驗部分

1.1 材料

從本地藥店購買滁菊、貢菊、杭菊和亳菊干樣各30份(直徑約為2.5 cm)，共計120份完整樣品。 同時考察樣品物理性狀對光譜的影響，對每個品種菊花打粉，各制備30份，共計120份粉末狀樣品。

1.2 儀器與光譜采集

便攜式近紅外光譜儀(必達泰克光電科技(上海)有限公司)用于采集不同品種菊花漫反射光譜信息，范圍11 100～6 200 cm-1，共采集433個數(shù)據(jù)點。 將完整樣品以及裝有粉末樣品的石英樣品杯直接置于光斑的中心處且完全覆蓋光斑，進行光譜采集。 每份樣品重復測定3次，取平均值作為該樣品的原始光譜。

1.3 光譜數(shù)據(jù)分析

使用MATLAB R2010b(The Mathworks, Natick, USA)軟件對光譜數(shù)據(jù)進行分析。 120份完整、粉末狀樣品數(shù)據(jù)根據(jù)Kennard-Stone方法按照7∶3的比例分為84個校正集和36個預測集。 采用去偏移(De-bias)、去趨勢(DT)、標準正態(tài)變量變換(SNV)、多元散射校正(MSC)、最大最小歸一化(Min-Max)、一階導數(shù)(1st)、二階導數(shù)(2nd)和連續(xù)小波變換(CWT)等8個光譜預處理對數(shù)據(jù)進行優(yōu)化，CWT預處理的小波基為“haar”小波基，小波基的尺度參數(shù)為20。 為了消除光譜中的多種干擾，考慮CWT以及1st等求導算法可以有效消除光譜中的背景以及基線漂移干擾，SNV和MSC方法可以消除菊花固體樣品帶來的光散射干擾，因此采用1st-DT，1st-SNV，1st-MSC，CWT-SNV和CWT-MSC等5種預處理組合對光譜進行優(yōu)化。 為了實現(xiàn)菊花品種的準確鑒別，采用PCA、SIMCA和FLD方法分別建立鑒別模型。

2 結果與討論

2.1 不同品種菊花原始光譜特征

圖1為不同品種菊花完整和粉末狀樣品的原始光譜圖。 樣品的光譜存在相同的變化趨勢，完整及粉末狀樣品的光譜均在8 500 cm-1處出現(xiàn)較為明顯的吸收峰，可能是與C—H第三泛頻帶振動有關，在7 100 cm-1出現(xiàn)的吸收峰與C—H第二泛頻帶振動相關。 受便攜式儀器及樣品物理性狀的影響，光譜存在明顯的噪聲干擾。 一方面便攜式儀器不同陣列像元間有串擾，儀器的信噪比要差一些，另一方面，菊花樣品中水分含量較少，近紅外吸收強度較弱，導致噪聲非常明顯。 圖1(a)中完整樣品光譜中基線漂移極其嚴重；由于減少了物理性狀的干擾，圖1(b)中粉末狀樣品光譜基線漂移干擾有所緩解。 然而，無論是完整樣品還是粉末狀樣品，均無法從原始光譜中發(fā)現(xiàn)不同品種菊花的差異信息。

2.2 基于PCA的菊花品種鑒別分析

為了實現(xiàn)不同品種菊花的鑒別分析，采用PCA方法對光譜數(shù)據(jù)進行處理。 圖2為4個品種菊花完整以及粉末狀樣品原始光譜的PCA結果，紅色、藍色、紫色和綠色圖標分別代表滁菊、貢菊、杭菊和亳菊。 圖中不同形狀的實心圖標代表校正集，空心圖標代表預測集。 由于第一主成分(PC1)與第二主成分(PC2)的累計方差貢獻率之和大于90%，因此選用PC1及PC2繪制PCA圖。 由圖2(a)可知，不同品種完整菊花樣品的置信橢圓呈現(xiàn)重疊交織狀，校正集和預測集鑒別正確率均為8.33%。 由圖2(b)可知，由于減少了物理性狀的干擾，粉末狀樣品的鑒別結果優(yōu)于完整樣品的結果，貢菊與杭菊得到了準確鑒別，而亳菊和滁菊的置信橢圓呈現(xiàn)重疊交織狀態(tài)，校正集鑒別正確率為52.38%，驗證集鑒別正確率為61.11%。 此外，無論是完整樣品還是粉末狀樣品，結合預處理的PCA鑒別結果均低于結合原始光譜PCA結果。 僅利用完整及粉末狀樣品的原始光譜及優(yōu)化后的光譜無法實現(xiàn)對不同品種菊花的準確鑒別分析。

圖2 基于完整樣品的(a)及粉末狀樣品(b)原始光譜的PCA圖Fig.2 PCA results of the original spectra of complete (a) and powdered sample (b)

2.3 基于SIMCA的菊花品種鑒別分析

PCA方法僅利用方差信息實現(xiàn)數(shù)據(jù)的分類，鑒別能力較弱；而SIMCA方法利用先驗信息為每一類樣品建立獨立的PCA模型，從而實現(xiàn)對未知樣品的鑒別。 表1為采用SIMCA結合預處理的鑒別結果。 與PCA模型結果相比，SIMCA模型的鑒別正確率得到了明顯提高，完整樣品原始光譜的鑒別正確率為70%，采用預處理方法優(yōu)化光譜后，采用1st-MSC組合預處理方法可得到最佳鑒別結果，鑒別正確率為95%。 粉末狀樣品原始光譜數(shù)據(jù)的鑒別正確率為92.5%，采用預處理方法優(yōu)化數(shù)據(jù)后，其鑒別正確率有所下降，可能原因是預處理方法在扣除干擾信息同時，也扣除了隱藏在光譜中的菊花品種差異信息。

2.4 基于FLD的菊花品種鑒別分析

采用FLD模式識別方法對光譜數(shù)據(jù)進行處理。 表1為FLD結合預處理方法后的鑒別結果。 FLD模型鑒別結果優(yōu)于PCA和SIMCA模型結果。 采用完整樣品原始光譜數(shù)據(jù)便可獲得87.5%的鑒別正確率。 采用預處理方法優(yōu)化光譜數(shù)據(jù)后，采用CWT預處理可獲得最佳的鑒別結果，鑒別正確率為97.5%。 在FLD方法的幫助下，粉末狀樣品采用原始光譜數(shù)據(jù)便可實現(xiàn)100%的鑒別分析，采用De-bias，DT和1st預處理同樣可以獲得100%鑒別正確率。 圖3為不同品種菊花的FLD結果。 結果表明： 與PCA和SIMCA模型結果相比，F(xiàn)LD方法獲得的菊花品種鑒別結果最佳，且當采用合適的預處理和建模方法，完整和粉末狀樣品鑒別結果較為一致，表明該方法可以實現(xiàn)菊花品種的無損鑒別分析。

表1 不同預處理方法結合SIMCA和FLD方法的鑒別正確率Table 1 Identification accuracies obtained by SIMCA/FLD and pretreatment methods

續(xù)表1

圖3 完整樣品CWT-FLD結果(a)，粉末狀樣品原始光譜FLD結果(b)Fig.3 CWT-FLD result of the complete samples (a), FLD result of original spectra of the powdered samples (b)

3 結 論

基于便攜式近紅外光譜儀結合化學計量學方法建立了一種菊花品種無損鑒別方法。 結果表明： 與PCA和SIMCA模型結果相比，采用FLD方法可以達到更好的鑒別結果，且當采用合適的預處理和建模方法，完整樣品和粉末狀樣品FLD模型鑒別結果較為一致，完整樣品光譜數(shù)據(jù)經(jīng)CWT預處理后的鑒別正確率為97.5%，粉末狀樣品采用原始光譜即可獲得100%鑒別正確率。 以上結果表明，便攜式近紅外光譜儀結合化學計量學方法可以實現(xiàn)菊花品種的無損鑒別分析，為食藥同源產品的無損鑒別分析提供了新途徑。