三维同步荧光光谱法快速辩别葵花籽油品质
李双芳1,2, 郭玉宝1,*, 孙艳辉2, 顾海洋2
1. 安徽工程大学生物与化学工程学院, 安徽 芜湖 241000
2. 滁州学院生物与食品工程学院, 安徽 滁州 239000
*通讯联系人 e-mail: gyb346@ahpu.edu.cn

作者简介: 李双芳, 女, 1990年生, 安徽工程大学生物与化学工程学院硕士研究生 e-mail: 15212181135@163.com

摘要

利用三维同步荧光光谱法获取不同氧化状态下的葵花籽油荧光光谱数据, 同时采集葵花籽油品质指标。 运用平行因子法对三维同步荧光光谱矩阵进行降维处理, 通过iPLS(interval partial least squares), BiPLS(backward interval partial least squares)和SiPLS(synergy interval partial least squares)模式识别方法进行数学建模。 结果表明: 波长差Δ λ=50 nm时, 样品同步荧光光谱具有显著差异, 筛选用于数学建模初始数值。 不同模式识别方法建模结果显示, iPLS, BiPLS和SiPLS法所得校正集模型和预测集模型的相关系数分别为0.908 3, 0.961 2, 0.954 5和0.872 3, 0.925 2, 0.852 5, 交互验证均方根误差分别为0.050 3, 0.033 1, 0.035 9和0.073 3, 0.054 1, 0.065 5, 比较发现采用BiPLS法建模效果最好。 该研究将为葵花籽油品质快速辨别提供理论基础和技术支持, 为其他食用油脂的快速检测提供方法指导。

关键词: 三维同步荧光光谱; 平行因子法; 偏最小二乘法; 葵花籽油; 品质辨别
中图分类号:O657.3 文献标志码:A
Rapid Identification of Sunflower Seed Oil Quality by Three-Dimensional Synchronous Fluorescence Spectrometry
LI Shuang-fang1,2, GUO Yu-bao1,*, SUN Yan-hui2, GU Hai-yang2
1. College of Biological and Chemical Engineering, Anhui Polytechnic University, Wuhu 241000, China
2. School of Biological Science and Food Engineering, Chuzhou University, Chuzhou 239000, China
Abstract

Fluorescence spectra of sunflower oil under different oxidation conditions were obtained by three-dimensional synchronous fluorescence spectrometry, and the quality indexes were collected at the same time. The parallel-factor method was used to reduce the dimension of the three-dimensional synchronous fluorescence spectrum, and the mathematical models were established by iPLS, BiPLS and SiPLS pattern recognition methods. The results show: the two-dimensional synchronous fluorescence spectra of the samples have significant differences when the wavelength difference Δ λ=50 nm, which are used for mathematical modeling of initial values. The results of partial least squares modeling show that the correlation coefficients of calibration set and prediction set of iPLS, BiPLS, SiPLS are 0.908 3, 0.961 2, 0.954 5 and 0.872 3, 0.925 2, 0.852 5. It’s found that BiPLS method is test. The study provides the theoretical basis and technical support for rapid identification of sunflower oil quality, and offers a theoretical basis for other related oil rapid detection.

Keyword: Three-dimensional synchronous fluorescence spectrometry; Parallel factor analysis; Partical least squares; Sunflower seed oil; Quality discrimination

引 言

葵花籽油富含多种对人体有益的营养物质, 如亚油酸、 维生素 E、 胡萝卜素、 优良的蛋白质等, 且葵花籽油的人体消化吸收率达 96%以上[1]。 研究指出, 经常食用葵花籽油可以保护皮肤健康, 增强人体免疫系统功能, 改善心脑血管疾病, 预防白内障等疾病的发生[2]。 葵花籽油在国际市场上的消费量位居世界前列, 其中日本、 韩国的消费比例高达70%。 近几年我国葵花籽油的年消费量已达到80万~90万t[3]。 由于葵花籽油中富含不饱和脂肪酸等物质, 在长时间储藏过程中易受氧、 水、 光、 热、 微生物等作用, 影响油脂品质及货架期。 传统评价油脂品质检测方法主要分为三类[4]: (1)感官评价法, 该方法个体差异较大, 重现性及准确性较差; (2)理化检测法, 主要特征指标有酸价、 硫代巴比妥酸值、 过氧化值等[5], 但这些指标检测过程繁琐, 且消耗大量有毒有害试剂, 对检测人员及检测环境有一定要求, 难以被广泛应用; (3)仪器检测法, 如于瑞祥等采用反向高效液相色谱法(HPLC)测定了植物油中不同种类α -生育酚的含量[6], 李殷等采用静态顶空与气质联用法对潲水油样品和食用植物油样品中的挥发性成分进行检测, 实现不同品质油脂的判别[7], 但这些方法需要复杂的前处理, 操作成本高, 不便于大批量检测。

同步荧光光谱技术与其他分析技术相比, 具有灵敏度高、 选择性好、 简便快捷无污染等优势, 目前已广泛应用于食品分析、 环境监测等领域[8]。 植物油中含有的脂肪酸、 生育酚、 叶绿素、 胡萝卜素等具有荧光效应, 使得荧光光谱技术在食用油种类判别及品质评价方面取得快速发展[9, 10]。 Tomazzoni等[11]利用三维荧光光谱技术实现油脂的品种鉴别及定性分析。 陈明惠等[12]根据不同类别食用油的三维荧光光谱图的差异, 快速鉴别食用油中是否掺入了地沟油。 三维同步荧光光谱技术结合化学计量学方法, 可最大限度地提取复杂样品中的有效信息, 实现各种复杂物质的分析和鉴别。 Noelia等[13]采用三维荧光光谱结合平行因子方法研究了橄榄油的热氧化过程, 发现产生了氧化物质, 并研究了酚类物质、 维生素E与荧光强度的关系。 刘欢等利用同步荧光光谱技术结合PLS-DA(偏最小二乘-判别分析法), 实现了鲜牛乳中掺入复原乳的快速判别。

利用三维同步荧光光谱法获取不同氧化状态下的葵花籽油荧光光谱数据, 同时采集葵花籽油品质指标。 运用平行因子法对三维同步荧光光谱矩阵进行解析, 获取光谱数据中的有效信息特征波长差Δ λ , 用于数学建模初始值。 通过不同的模式识别方法iPLS, BiPLS和SiPLS建模, 比较不同模型精密度及预测准确性, 获取最优建模结果, 实现葵花籽油品质快速辨别, 为葵花籽油品质检测提供理论基础, 为其他食用植物油品质辨别提供技术参考。

1 实验部分
1.1 原料与试剂

冷榨葵花籽油: 葵花籽仁(购自安徽燕之坊食品有限公司)不经炒制直接由榨油机榨取得葵花籽原油(温度约60 ℃), 再经滤油袋过滤杂质, 即得澄清低温冷榨葵花籽油, 于棕色油瓶4 ℃避光保存备用;

乙醚、 乙醇、 氢氧化钾等均为分析纯: 上海国药集团化学试剂公司。

1.2 仪器

Cary Eclipse荧光分光光度计: 美国瓦里安有限公司; ZJ-609型冷热双用榨油机; 东莞市房太电器有限公司。

1.3 方法

1.3.1 葵花籽油Schaal烘箱氧化实验[14]

取澄清低温冷榨葵花籽油, 分装于体积40 mL棕色玻璃瓶中, 共计40瓶。 瓶盖半松, 置于(65± 1)℃烘箱箱避光保存, 分别于第1, 2, 6, 10, 14和18 d随机取三瓶, 采集样本的三维同步荧光光谱信息, 同时测定其品质指标。

1.3.2 葵花籽油品质指标的测定

采用冷溶剂指示剂滴定法测定酸价, 方法参照GB5009.229— 2016(食品中酸价的测定)。 平行实验3次, 结果取算术平均值。

1.3.3 葵花籽油光谱采集

三维同步荧光光谱扫描条件为: 激发波长Ex扫描范围为200~800 nm, 波长差Δ λ 为10~180 nm, 激发狭缝5 nm, 发射狭缝5 nm, 扫描速度1 200 nm· min-1, 间隔 2 nm。 平行扫描3次, 取3次扫描结果的平均值作为光谱数据。

1.3.4 数据处理方法

(1)平行因子法(PARAFAC)

平行因子法是基于三线性理论, 采用交替最小二乘算法实现多维数据分解的方法[15]。 该法将葵花籽油三维同步荧光光谱矩阵(EEMs)分解为3个载荷矩阵A, B, C, 分解模型可表示为

xijk=n=1Nainbjnckn+eijki=1, 2, , I;  j=1, 2, , J;  k=1, 2, , K(1)

式(1)中, xijk为三维数据矩阵X中的一个元素; ain, bjnckn分别为载荷矩阵A, B, C中的元素; N代表因子数; eijk为误差矩阵。

采用交替最小二乘算法求解平行因子模型, 基本步骤如下:

①确定体系的因子数N;

②设定BC的初始值, 其中B的维数为J× N, C的维数为K× N, 按照式(2)和式(3)求A

zn=bncn(2)A=XZT(ZZT)-1(3)

式中zn为一个列向量; bnB中表示第n个因子的列向量; cnC中表示第n个因子的列向量; 􀱋为求解张量积; X为三维矩阵X中的展开, 其维数为I× JK; Z为由列向量Zn构成的矩阵, 其维数为N× JK

③以所得的A的估计值和C的初值为基础, 用同样的方法估计矩阵B; 以AB的估计值估计矩阵C

④用每步所得的估计值按照②和③的过程, 逐次迭代重复直至收敛。

该法采用DOMFluor工具箱在MATLAB 2010a环境下运行。

(2) 偏最小二乘法(PLS)

PLS方法是一种多元线性回归方法, 目的是建立因变量集Y和自变量集X之间的统计关系, 具体步骤如下[16]:

①分别提取自变量集X和因变量集Y中的潜在变量t1u1, 要求潜在变量t1u1应尽可能多的包含各自原变量集XY中的变异信息, 且t1u1之间的相关程度最大;

②建立因变量Yt1之间回归方程;

③若方程精度满意, 则算法终止。 否则, 继续提取第二潜在变量, 重复上述步骤, 建立回归方程, 直至回归方程精度满意为止。

各偏最小二乘法工具包iToolbox在MATLAB 2010a环境下运行。

2 结果与讨论
2.1 不同氧化时间段葵花籽油的三维同步荧光光谱

图1为不同氧化时间段葵花籽油的三维荧光光谱图, Schaal烘箱氧化第1天, 葵花籽油样品在(Δ λ , Ex)为(20 nm, 312 nm)附近有强荧光峰, 这是由葵花籽油中维生素E、 脂肪酸、 蛋白质共同引起的[17, 18], 随着氧化天数的增加, 荧光光谱发射波长范围明显变宽, 荧光强度逐渐增强, 在Schaal烘箱氧化18 d时, 葵花籽油样品在(Δ λ , Ex)为(70 nm, 326 nm)处荧光强度达到106.38。 这是由于油脂在氧化过程中, 营养物质发生了氧化分解, 产生一系列小分子物质, 如醛类、 酮类、 酸类、 酯类、 醇类和短链烃类等[19], 这些小分子与葵花籽油中蛋白质结合生成一系列复合物, 小分子与蛋白质产生共电子效应, 使蛋白质体系中的电子云密度产生变化, 致使光谱峰产生位移[20]。 因此, 可通过三维荧光光谱的变化表征葵花籽油的不同氧化状态。

图1 不同氧化时间葵花籽油三维荧光光谱图Fig.1 Three-dimensional fluorescence spectra of sunflower seed oil with different oxidation time

2.2 平行因子法筛选特征波长差Δ λ

利用平行因子分析不同氧化时间段葵花籽油的三维荧光光谱数据, 解析出葵花籽油特征波长差Δ λ 。 首先通过预处理对样品进行光谱校正, 确定并移除可能的异常值, 然后采用一分为二法和残差分析法确定模型最佳因子数, 检验平行因子模型的有效性。 当模型的残差平方和随因子数变化不明显, 且因子数相对较小时, 则该因子所建立的平行因子模型准确性较好[21, 22]。 由图2可知, 模型的残差平方和随因子数的增加而逐渐变小, 因子数为7与因子数为6时模型的残差平方和接近, 但因子数为7时, 建模耗时较长。 综合考虑, 选用因子数为6, 建立平行因子模型。

图2 不同因子数残差平方和对比图Fig.2 The comparison of sum of squared error in different factor numbers

Δ λ 载荷值越高, 说明该Δ λ 对应的样本间差异越显著, 区分效果越好[22]。 图3为因子数为6时, 样本的Δ λ 载荷得分图, 在Δ λ =50 nm处, 载荷值最高, 因此作为葵花籽油的特征Δ λ 。 绘制Δ λ =50 nm时葵花籽油的二维荧光光谱图, 得图4。 可以看出, 不同氧化天数葵花籽油样本间差异较大, 且随着氧化天数的增加, 荧光强度整体呈增强趋势, 这与图1中三维荧光光谱变化特征一致, 说明因子数为6时能有效提取原始三维数据中的光谱信息。

图3 Δ λ 载荷得分图Fig.3 Δ λ loading

图4 葵花籽油二维同步荧光光谱(Δ λ =50 nm)Fig.4 The two dimensional synchronous fluorescence spectrum of sunflower seed oil(Δ λ =50 nm)

2.3 葵花籽油模型的建立

选用油脂酸价为模型因变量, 油脂特征光谱数据为自变量, 将样本数据划分为校正集和预测集, 分别运用iPLS, BiPLS和SiPLS模式识别方法建模, 用于预测食用油品质指标。

2.3.1 基于iPLS(区间偏最小二乘法)模型及最优子区间的选择

首先将样品三维荧光光谱的激发光谱区域(200~800 nm)分为20个等宽的子区间, 建立每个子区间的PLS回归模型。 交叉验证均方根误差(RMSECV)的值越小, 该子区间所包含的有效信息越多, 建模效果越好, 对应的因子数为最优因子数[23]。 如图5所示, 第10区间的RMSECV值为0.050 3, 与其他区间及全光谱模型的RMSECV相比最小, 可作为最优建模区间。 模型对应因子数为2, 预测相关系数r达到0.908 3, 对应波长区间为472~502 nm。

图5 iPLS所得最佳区间及最佳因子斜体数字为PLS模型中最优因子数, 虚线为全光谱模型的RMSECVFig.5 The optimum interval and best factor in iPLS
Italic numbers are optimal factor number of PLS model, thedashed line is the RMSECV of the full spectrum model

2.3.2 基于SiPLS(联合区间偏最小二乘)模型的建立及最优子区间的选择

将葵花籽油的三维荧光光谱的整个激发光谱区域(200~800 nm)分为20个等宽的子区间, 分别联合任意2个、 3个和4个区间组合建模, 选取相关系数r最大、 交叉验证均方根误差(RMSECV)最小的区间组合建立PLS模型, 结果见表1。 当区间组合为[2 4 10]时, 模型所采用的因子数为4, RMSECV值为0.035 9, 相关系数r达到0.954 5, PLS模型效果最佳, 对应的波长范围为232~262, 292~322和472~502 nm。

表1 选择不同子区间数的联合区间偏最小二乘分析模型结果 Table 1 The result of the SiPLS model with different interval number

2.3.3 基于BiPLS(向后区间偏最小二乘法)模型的建立及最优子区间的选择

将葵花籽油的三维荧光光谱的整个激发光谱区域(200~800 nm)分为20个等宽的子区间, 以 Cmn排列组合的方式, 每次排除一个区间, 联合余下的子区间建立PLS模型, 直到剩余1个子区间为止。 同样依据交叉验证均方根误差(RMSECV)值最小原则, 选取建模子区间。 由表2可以看出, PLS模型的RMSECV随着子区间数的减少, 呈先减小后增大的趋势, 当剩余子区间个数为4, 子区间组合为[4 7 8 20]时, 对应的RMSECV值为0.033 1, 相关系数r达到0.954 5, PLS模型最优, 对应的波长范围为292~322, 382~412, 412~442和772~800 nm。

表2 BiPLS模型优化结果 Table 2 Optimization results of BiPLS model

2.3.4 不同PLS模型性能分析

采用iPLS, BiPLS和SiPLS三种方法建立葵花籽油品质辨别模型, 比较每种方法最佳建模结果, 见表3。 iPLS, BiPLS和SiPLS法所得校正集模型和预测集模型的相关系数分别为0.908 3, 0.961 2, 0.954 5和0.872 3, 0.925 2, 0.852 5, 交互验证均方根误差分别为0.050 3, 0.033 1, 0.035 9和0.073 3, 0.054 1, 0.065 5, 比较发现采用BiPLS法建模效果最好, 建模组合区间[4 7 8 20], 对应波长范围分别为292~322, 382~412, 412~442和772~800 nm。 这是因为联合4个子区间时, 不仅包含的有效光谱信息相对更多, 而且有效剔除了干扰光谱区域, 能有效提高模型精度及预测性能, 从而实现葵花籽油品质快速辨别。

表3 不同PLS模型性能比较 Table 3 Comparison of different PLS model performance
3 结 论

通过平行因子分析法对葵花籽油样本的三维同步荧光光谱数据进行降维处理, 发现Δ λ =50 nm时, 不同氧化程度葵花籽油样本间差异信息最大, 因此选用50 nm为葵花籽油的特征Δ λ , 作为数据建模初始值。 采用iPLS, SiPLS和BiPLS三种模式识别方法建立葵花籽油品质辨别模型, 以模型的交叉验证均方根误差和相关系数为模型评价指标。 结果表明: 采用BiPLS法组合区间[4 7 8 20]的建模效果最佳, RMSECV和RMSEP分别为0.033 1和0.054 1, 校正集和预测集相关系数分别为0.961 2和0.925 2, 对应波长范围分别为292~322, 382~412, 412~442和772~800 nm。 因此, 采用三维同步荧光光谱技术结合平行因子法、 偏最小二乘法建模可以快速、 准确、 无损的实现葵花籽油品质的快速辨别, 为葵花籽油品质鉴定提供了理论基础。 采用同样的方法, 可获取得其他植物油的特征性Δ λ , 依次建立快速检测模型, 为其他食用植物油品质辨别提供新的方法。

The authors have declared that no competing interests exist.

参考文献
[1] Flagella Z, Rotunno T, Tarantino E, et al. European Journal of Agronomy, 2002, 17(3): 221. [本文引用:1]
[2] Kanti V, Grand e C, Stroux A, et al. Dermatology, 2014, 229(3): 230. [本文引用:1]
[3] WANG Rui-yuan(王瑞元). China Oils and Fats(中国油脂), 2016, 41(3): 1. [本文引用:1]
[4] Li J, Sun X, Liu Y. Lipid Technology, 2016, 28(8): 145. [本文引用:1]
[5] JIANG Xiao-fei, YANG Ye-bo, JIN Qing-zhe, et al(蒋晓菲, 杨叶波, 金青哲, ). China Oils and Fats(中国油脂), 2014, 39(8): 47. [本文引用:1]
[6] YU Rui-xiang, ZHANG Xin, ZHANG Xiu-qin, et al(于瑞祥, 张鑫, 张秀琴, ). Journal of Instrumental Analysis(分析测试学报), 2013, 32(6): 764. [本文引用:1]
[7] LI Yin, BI Cheng-lu, FENG Hua-gang, et al(李殷, 毕承路, 冯华刚, ). Journal of Chinese Mass Spectrometry Society(质谱学报), 2012, 33(5): 308. [本文引用:1]
[8] Sergiel I, Pohl P, Biesaga M, et al. Food Chemistry, 2014, 145(7): 319. [本文引用:1]
[9] SHI Ya-xin, GE Wu-peng, WU Xiao-yong, et al(石亚新, 葛武鹏, 吴小勇, ). Chinese Food Science(食品科学), 2016, 37(7): 276. [本文引用:1]
[10] DING Zhi-qun, WANG Jin-xia, ZHAO Hong-xia, et al(丁志群, 王金霞, 赵洪霞, ). Acta Photonica Sinica(光子学报), 2015, 44(6): 125. [本文引用:1]
[11] Tomazzoni G, Meira M, Quintella C M, et al. Journal of the American Oil Chemists’ Society, 2014, 91(2): 215. [本文引用:1]
[12] CHEN Ming-hui, LI Hao, CHEN Rong(陈明惠, 李 昊, 陈 荣). Optical Instruments(光学仪器), 2014, 36(1): 6. [本文引用:1]
[13] Tena N, Aparicio R, García-González D L. Food Research International, 2012, 45(1): 103. [本文引用:1]
[14] SUN Xi-hua, WANG Xin, CAO Wen-ming, et al (孙禧华, 王鑫, 曹文明, ) . Farm Machinery(农业机械), 2013, 26(18): 38. [本文引用:1]
[15] Airadorodri Guez D, Dura Nmera S I, Galeanodi Az T, et al. Journal of Food Composition & Analysis, 2011, 24(2): 257. [本文引用:1]
[16] Nemes S M, Orsat V, Vijaya Raghavan G S. Food Chemistry, 2012, 133(4): 1588. [本文引用:1]
[17] Dankowska A, Małecka M. European Journal of Lipid Science & Technology, 2010, 111(12): 1233. [本文引用:1]
[18] Mabood F, Boqué R, Folcarelli R, et al. Spectrochimica Acta Part A Molecular & Biomolecular Spectroscopy, 2016, 161: 83. [本文引用:1]
[19] Choe E, Min D B. Comprehensive Reviews in Food Science & Food Safety, 2010, 5(4): 169. [本文引用:1]
[20] Refsgaard H H, Tsai L, Stadtman E R. Proceedings of the National Academy of Sciences of the United States of America, 2000, 97(2): 611. [本文引用:1]
[21] Stedmon C A, Bro R. Limnology & Oceanography Methods, 2008, 6(11): 572. [本文引用:1]
[22] Murphy K R, Stedmon C A, Graeber D, et al. Analytical Methods, 2013, 5(23): 6557. [本文引用:2]
[23] XIAN Rui-yi, HUANG Fu-rong, LI Yuan-peng, et al(冼瑞仪, 黄富荣, 黎远鹏, ). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2016, 36(8): 2462. [本文引用:1]