近红外光是指介于紫外-可见光和中红外光之间的电磁波, 是人们认识最早的非可见光区域, 其光谱范围为14 286~4 000 cm^-1。 近红外光谱主要反映的是物质中含氢基团X— H(如C— H、 N— H、 O— H等)振动的倍频和合频吸收^[6]。

表1归纳了鱼油的主要结构官能团在近红外光谱区的谱峰及其振动类型归属。 鱼油的脂肪酸组成主要为中长链饱和脂肪酸和不饱和脂肪酸, 其中饱和脂肪酸含量较低, 以棕榈酸(C16∶ 0)为主; 不饱和脂肪酸中二十碳五烯酸(eicosapentaenoic acid, EPA)(C20∶ 5n3)、 二十二碳六烯酸(docosahexaenoic acid, DHA)(C22∶ 6n3)等含量丰富。 脂肪酸的结构官能团主要有甲基(— CH₃)、 亚甲基(— CH₂— )、 羰基(C=O)、羟基(O— H)、 碳碳双键(— HC=CH— )等, 可在10 400~10 200、 8 700~5 500、 5 230~5 130和4 690~4 595 cm^-1等范围内找到相关的近红外特征峰, 其中在4 690~4 595 cm^-1范围内有归属于不饱和结构的特征峰, 在7 350~6 900 cm^-1范围内的特征峰变化通常表示氢过氧化物的形成^[7], 可作为近红外光谱分析鱼油品质的依据。

表1

Table 1

表1(Table 1)

表1 鱼油主要基团在近红外光谱区的谱峰及振动类型归属[8, 9] Table 1 Spectral peak and vibration type attribution of main groups of fish oil in near infrared spectrum region[8, 9] 波数/cm-1 基团 归属的振动形式 10 400~10 200 O— H 伸缩振动(二级倍频) 8 700~8 200 伸缩振动(二级倍频) 7 350~6 900 C— H(CH3, CH2) 伸缩振动和弯曲振动(组合频) 6 020~5 500 伸缩振动(一级倍频) 5 230~5 130 C=O 伸缩振动(二级倍频) 4 690~4 595 — HC=CH— =C— H和C=C伸缩振动, 组合频 C— H不对称和C=C伸缩振动, 组合频

表1 鱼油主要基团在近红外光谱区的谱峰及振动类型归属[8, 9] Table 1 Spectral peak and vibration type attribution of main groups of fish oil in near infrared spectrum region[8, 9]

MIR即中红外光谱, 其光谱范围为4 000~400 cm^-1。 MIR光谱仪对固体和液体样品的分析效果较好, 对基团的分辨能力也较强, 尤其对于结构接近的物质能够很好地区分, 在物质鉴定、 质量把控、 实时监测反应过程等方面应用较为广泛^[6]。

鱼油的主要结构官能团在中红外光谱区的谱峰及其振动模式归纳如表2所示。 鱼油红外谱图的指纹特征很强, 高频区3 100~2 700 cm^-1是C— H键的伸缩振动区域, 其强度与油脂中氢过氧化物及其分解产物相关。 2 500~1 600 cm^-1区域的强吸收峰主要为羰基基团(C=O)的振动峰, 若鱼油发生氧化水解, 会产生醛酮及游离脂肪酸中羰基(C=O)的振动峰^[10], 可为中红外光谱分析鱼油品质提供相关依据。

表2

Table 2

表2(Table 2)

表2 鱼油主要基团在中红外光谱区的谱峰及其振动模式[11] Table 2 Spectral peaks and vibration modes of main groups of fish oil in mid-infrared spectral region[11] 波数/cm-1 基团振动模式 3 100~2 700 =C— H 约3 000 =CH2对称伸缩 1 760~1 660 羧酸羰基 C=O 伸缩 1 750~1 650 酮羰基 C=O 伸缩 1 750~1 730 饱和脂肪酸酯 C=O 伸缩 1 750~1 720 饱和赚肪醛 C=O 伸缩 1 420~1 390 羧酸根 COO 对称

表2 鱼油主要基团在中红外光谱区的谱峰及其振动模式[11] Table 2 Spectral peaks and vibration modes of main groups of fish oil in mid-infrared spectral region[11]

拉曼光谱是激光激发物质产生光子非弹性散射形成的分子振动光谱, 通过从分子的振动跃迁中获得样品的分子结构和化学成分等信息, 可实现物质的定性鉴别和定量分析, 具有快速、 无损、 准确率高以及无需预处理等优点^[12]。

鱼油的主要结构基团在拉曼光谱图的谱峰及类型归属情况归纳如表3所示。 3 100~3 000 cm^-1范围内的谱峰代表顺式不饱和键, 该谱峰变化可能与油脂的不饱和程度有关; 1 860~1 680 cm^-1范围内是C=O基团的伸缩振动, 该谱峰变化可能与油脂的水解有关^[8]。 一些对红外光吸收较弱的非极性基团, 可在拉曼光谱中得到较为明显的特征谱带^[6], 反之, 拉曼光谱没有与醇、 羧酸、 羧酸盐等官能团相关的强谱带, 而红外对脂肪族甲基、 亚甲基、 羧酸、 羧酸盐等官能团具有较强的谱带^[13]。 两者相辅相成, 各为互补。

表3

Table 3

表3(Table 3)

表3 Raman光谱检测的鱼油主要化学键的谱峰位置[14] Table 3 Chemical bonds and Raman peak positions of fish oil[14] 波数/cm-1 化学键 3 730~3 500 O— H 3 520~3 100 O— H(络合) 3 100~3 000 =C— H 3 030~3 010 — CH3 2 931~2 921 2 855~2 845 — CH2— 2 250~2 100 C=C 1 820~1 680 C=O 1 760~1 720 C=O(酯) 1 725~1 715 C=O(醛) 1 300~600 CC(脂环族和脂肪族链)

表3 Raman光谱检测的鱼油主要化学键的谱峰位置[14] Table 3 Chemical bonds and Raman peak positions of fish oil[14]

利用光谱技术建立鱼油品质预测模型的基本流程归纳如下: 首先, 挑选出数量充足、 代表性强、 分布均匀的样品作为建模样本集, 采集样本集的光谱信息和通过一般化学检测方法得到的目标成分标准值, 并对光谱数据集进行预处理(如导数、 均值化等)、 特征变量提取等处理以提取有效信息; 之后, 将光谱数据同样品的实测值组成校正数据阵, 通过化学计量学方法建立校正模型, 并采用一组已知样本(验证集样本)对模型的准确性、 稳定性、 可重复性等性能进行验证; 最后, 通过收集未知样本的光谱信息放入所建模型中进行预测分析, 以评估模型的适用性^[6]。 以上光谱数据建模流程可分为采集样品的光谱信息、 光谱信息的预处理、 目标成分真实值测定、 校正模型的建立及评价、 模型预测未知样本等部分, 其在鱼油品质方面的应用流程图如图1所示。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 利用光谱技术建立鱼油品质预测模型的主要步骤[15]Fig.1 Main steps of establishing calibration assessment models for fish oil quality using spectral technique[15]

在预测模型建立过程中, 对原始光谱数据进行预处理极为重要。 在光谱信息采集阶段, 常会受样品状态、 仪器性能、 光学参数以及一些外部干扰因素(例如: 气态水、 二氧化碳等)的影响, 使目标信息中包含大量无关信息, 导致光谱的基线漂移和重复性差等问题^[16]。 通过对原始光谱信息进行预处理, 可以有效消除背景干扰、 提高信噪比, 进而提高模型的检测精确度和稳健性。 根据不同样本的光谱数据特点, 选择适用的单一或复合预处理方法可有效提高模型的稳健性^[17]。

常用的光谱预处理算法有移动平均平滑法(moving average, MA)、 Savitzky-Golay卷积平滑法(SG)、 Norris求导珐(N)、 Savitzky-Golay卷积一阶求导法(Savitzky Golay-first derivative, SG-FD)、 Savitzky-Golay卷积二阶求导法(Savitzky Golay-second derivative, SG-SD)、 归一化(normalization, NOR)、 标准正态变换(standard normal variate, SNV)、 多元散射校正(multiplicative scattering correction, MSC)、 线性基线校正(linear baseline correction, LBC)等。 其基本原理、 作用特点及局限性归纳如表4所示^{[8, 18]}。

表4

Table 4

表4(Table 4)

表4 常见光谱预处理方法的概述 Table 4 Overview of common spectral pre-treatment methods 类型 预处理方法 基本原理 作用特点 局限性 平滑法 MA 通过计算数序列中每个数据点周围的数据点均值以减少随机波动, 从而平滑数据 平滑光谱; 提高信噪比 平滑点数太大易造成信号失真; 平滑点数太小易造成效果不佳 SG 对每个数据点的邻近数据进行多项式拟合以实现信号的平滑处理 受平滑点数影响较小; 适用于噪声较多情况 对峰型变化较敏感 求导法 N 通过对离散光谱数据求导的方法 简单易行, 计算速度快; 适用于一些简单求导场景 处理稀疏波长采样点光谱时误差较大 SG-FD/SD 通过最小二乘法计算出与平滑系数相似的导数系数从而求得导数光谱 可分辨重叠峰、提高灵敏度、分辨率 相比原始光谱会降低光谱信噪比; 计算较为复杂 其他 NOR 将数据转换为统一的比例尺度, 以消除光谱之间幅度差异 可有效消除光谱间微小差异; 提高模型训练效率 对异常值敏感; 存在过度调整问题 SNV 通过对原始数据进行线性变换, 使其符合标准正态分布 消除样品光谱中线性平移的不利影响 处理时可能损失某些非线性变化信息 MSC 通过数学方法将光谱中散射光信号与化学信息分离 可有效去除光散射影响; 增强与成分信息相关的光谱信号 不适用于成分信息与光谱信息非线性大的样品处理 LBC 通过计算光谱在零信号区的平均信号强度以得到校正光谱 平滑曲线、消除基线漂移 不适用复杂、非线性较高的光谱处理

表4 常见光谱预处理方法的概述 Table 4 Overview of common spectral pre-treatment methods

光谱数据中存在的大量冗余会影响建模效率及准确性, 为降低数据维度、 获取更多光谱有效信息, 对光谱信息进行变量筛选及优化是很有必要的。 常见的变量筛选算法主要有连续投影算法(successive projections algorithm, SPA)、 遗传算法(genetic algorithm, GA)、 竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS)、 无信息变量消除方法(uninformative variable elimination, UVE)等。 其基本原理、 作用特点及局限性归纳如表5所示^[19]。

表5

Table 5

表5(Table 5)

表5 光谱变量筛选方法概述 Table 5 Overview of spectral variable selection methods 变量筛选方法 基本原理 作用特点 局限性 SPA 一种用于求解非线性优化问题的迭代算法 缩小变量之间的共性线性、避免信息重复 提升模型的性能有限 GA 利用选择、交换、突变等算法对变量实施逐步淘汰的选择 可较好保留变量之间的组合优势 计算量大; 收敛速度较慢 CARS 通过比较样本与其邻近样本的相似性, 识别异常样本并降低其影响 能够有效地处理数据中存在的异常值 计算复杂度高; 对参数选择较敏感 UVE 基于PLS回归系数建立的一种波长提取方法 筛选变量的可靠性及预测能力较高 对阈值的选择较敏感

表5 光谱变量筛选方法概述 Table 5 Overview of spectral variable selection methods

对鱼油的品质分析涉及到了解原料本身的性质, 以及是否有掺假问题等, 光谱技术与化学计量学中的模式识别方法结合可以建立起对物质定性、 分类识别的模型。 常用的模式识别方法包括主成分分析(principal component analysis, PCA)、 系统聚类分析(hierarchical cluster analysis, HCA)、 判别偏最小二乘法(discriminant partial least squares, DPLS)等。 上述所列光谱定性方法的归纳如表6所示^[20]。

表6

Table 6

表6(Table 6)

表6 常见光谱定性校正方法概述 Table 6 Overview of common spectral qualitative correction methods 定性方法 基本原理 作用特点 局限性 PCA 将高维数据投影到较低维空间, 使新变量能尽可能多地反映原有变量特征 适用于高维数据降维; 分析快、效果好 对于非线性数据应用效果较差 HCA 采用非迭代分级聚类策略使样本聚为一类 适用于不确定聚类数量的情况; 算法较简单、易于理解 计算速度较慢, 对噪声较敏感 DPLS 结合了PLS与判别分析的优势, 可最大化提取不同类别光谱的差异 适用于处理多个响应变量, 比PCA具有更优的分类判别结果 模型解释性较差

表6 常见光谱定性校正方法概述 Table 6 Overview of common spectral qualitative correction methods

光谱定量预测模型的建立需要光谱信息与化学计量学方法的结合, 模型的优劣程度关系着预测能力的强弱, 实际应用中常根据样本数据数量、 复杂度等特性选取合适的定量校正方法。 常用的定量校正方法分为线性和非线性两类模式, 线性建模方法主要有多元线性回归(multi linear regression, MLR)、 主成分回归(principal component regression, PCR)、 偏最小二乘回归(partial least squares regression, PLSR)等^[21]。 线性校正方法所应用的光谱体系需要具有一定的线性加和性, 但在实际检测中, 样品的含量范围较大或是仪器噪声干扰等问题会引起光谱变量与待测性质之间的非线性, 此时可通过非线性建模方法来解决^[22]。 常见的非线性建模方法包括人工神经网络(artificial neural networks, ANN)、 支持向量机(support vector machines, SVM)、 相关向量机(relevance vector machines, RVM)等。

综上, 两类定量校正方法的原理及作用特点归纳如表7所示^{[23, 24]}。

表7

Table 7

表7(Table 7)

表7 常见光谱定量校正方法概述 Table 7 Overview of common spectral quantitative correction methods 类型 校正方法 基本原理 作用特点 局限性 线性 MLR 通过最小化观测值与模型预测值之间的残差平方和来确定回归系数, 以提高模型预测能力 适用于多重线性少的简单体系; 计算过程简单清晰 易丢失部分有用光谱信息; 易造成过拟合 PCR 核心为主成分分析的一种多元线性回归分析 适用于较复杂的分析体系; 可解决MLR的多重共线性问题 计算速度较慢, 对模型的理解不如MLR直观 PLSR 通过寻找即部分最小服乘回归方向来降低自变量之间的多重共线性, 并用这些潜在变量建立回归模型 结合了MLR和PCR的分析特点, 分析速度快、精度高 样本需要量大; 较复杂或非线性情况下不适用 非线性 ANN 由大量人工神经元(模拟生物神经元)组成, 通过连接和传递信息来进行计算和学习 具有较强的自适应、自学习、容错能力和非线性表达能力 样本需求量大; 要求计算设备性能高 SVM 通过找到一个最优的超平面, 将不同类别的数据点有效地分隔开来并使间隔最大, 以实现最优分类面 可有效克服ANN预测能力不稳定的缺点; 适用于小样本数量、数据维度较高的体系 对于大样本集不适用 RVM 一种基于核函数映射将低维空间非线性问题转为高维空间线性问题的新的监督学习方法 可降低核函数的运算量; 预测能力优于SVM 计算复杂性较高; 存在过度拟合风险

表7 常见光谱定量校正方法概述 Table 7 Overview of common spectral quantitative correction methods

深度学习(deep learning, DL)是一种机器学习方法, 通过模仿人类大脑的神经网络结构对数据进行学习、 建模。 同传统的神经网络相比, 深度学习模型通过改进训练机制、 优化网络结构等方式加深了模型结构的层次结构, 使分类或预测变得更加容易^[25]。 自动编码器(auto encoder, AE)、 卷积神经网络(convolutional neural networks, CNN)等为常用的深度学习方法^[26]。 近年来, AE结合近红外光谱技术在食品、 药品鉴别分类、 定量预测领域的应用日益增多, 例如用于建立发酵基质中酒精、 葡萄糖含量的预测模型^[27], 用于预测南美白对虾中挥发性盐基氮含量等预测模型^[28], AE算法建模均能在一定程度上提升模型的预测准确性。 与传统多元校正方法相比, CNN在处理量大且多成分数据样本等方面更具优势, 对光谱预处理、 变量提取方法的要求也较低, 具有的强大学习能力和容错能力^[29], 尤其对于样本量大、 成分复杂、 非线性明显的鱼油品质分析有明显优势, 能够更有效地解决建模稳定性差、 重复性差等问题。

建立起样品的预测模型后, 通常会根据模型的性能评价指标来判断所建模型的稳定性和精确性。 常用的模型性能评价指标有预测集相关系数(correlation coefficient of prediction set, R_P)、 校正集相关系数(correlation coefficient of calibration set, R_C)、 决定系数(coefficient of determination, R²)、 预测均方根误差(root mean square error of prediction, RMSEP)、 校正均方根误差(root mean square error of calibration, RMSEC)、 交叉验证均方根误差(cross-validation root mean square error, CV-RMSE)以及剩余预测偏差(residual prediction deviation, RPD)等。 稳定性和精确度较好的模型其R_P、 R_C、 R²和RPD值较高, RMSECV和RMSEP值较小且接近^[30]。

3.1.1 近红外光谱技术用于检测鱼油营养成分

鱼油中含有的的营养成分主要有脂肪酸、 磷脂、 虾青素等, 其化学结构式分别如图2— 图4^{[31, 32, 33]}所示。 王楠^[34]等利用NIR技术建立了测定鱼油中EPA和DHA含量的快速方法, 以几种富含ω -3 PUFA的鱼油产品为对象, 对12 800~4 000 cm^-1波数范围内采集的光谱信息进行SNV、 MSC、 NOR等预处理方法, 通过比对多种单一和复合预处理方法发现: NOR-SNV和去趋势(Detrend)-MSC分别为EPA和DHA预测模型最佳的预处理方法, 所建EPA、 DHA两个预测模型的决定系数R²分别为0.966和0.945, 标准偏差为1.96和1.28, 结果表明NIRS技术可作为快速测定鱼油产品中EPA和DHA含量的有效方法。 针对市场上不同鱼油产品, Cascant^[35]等以三文鱼油中油酸、 棕榈酸、 亚油酸、 亚麻酸及ω -3 PUFA、 ω -6 PUFA含量为检测指标, 基于14 000~4 500 cm^-1范围内采集的光谱信息建立起PLS定量预测模型, 每个模型的RMSEP在0.03%~0.30%之间, RPD在1.27~6.44内, 结果表明所建立的PLS-NIR模型对鱼油中多种脂肪酸具有良好的预测能力。 与常规台式光谱仪器相比, 微型、 手持式光谱仪具有小巧方便、 适用于现场实时检测的特点。 Nieto-Ortega^[36]等利用手持式NIR仪检测从鱼副产品中提取的工业鱼油的脂肪酸含量。 分别建立了关于饱和脂肪酸、 单不饱和脂肪酸、 多不饱和脂肪酸、 ω -3 PUFA的PLS-NIR预测模型, R²分别为0.98、 0.97、 0.97、 0.99, RMSE分别为0.94、 1.71、 1.11、 0.98, 对于不可接受的偏差通过应用偏差和斜率校正进行纠正。 结果表明, 手持式NIR与化学计量学相结合可用于现场快速检测鱼油的脂肪酸含量, 为市场中加工产品的准确分类提供一定的技术支持。 苗钧魁^[17]等利用NIR技术快速检测磷虾油中EPA、 DHA、 磷脂、 虾青素等物质含量, 对10 000~4 000 cm^-1范围内采集的光谱信息进行预处理后采用PLS算法建立了相对应的预测模型。 结果显示在5 500~4 500 cm^-1范围内, 可识别出P— OH中O— H基团的振动峰, 在4 650~4 500 cm^-1范围内, 可识别出反映不饱和脂肪酸的C=C和C— H基团的组合特征峰^[37], 建立的EPA、 DHA、 磷脂的模型相关系数均可达到0.95以上。 而虾青素模型的相关系数则为0.60以下, 表明其稳定性较差。 这可能是由于虾青素在磷虾油中含量较低, 其与红外区域振动带之间缺乏明显的相关性, 导致虾青素的红外预测模型性能不佳^[17]。 综上, NIR技术用于检测鱼油活性成分的应用如表8所示。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 游离脂肪酸的化学结构[31]Fig.2 Chemical structure of free fatty acids[31]

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 磷脂的分子结构[32] 根据X基团(极性头基)不同分为磷脂酸(PA)、 磷脂酰胆碱(PC)、 磷脂酰乙醇胺(PE)、 磷脂酰肌醇(PI)、 磷脂酰甘油(PG)、 磷脂酰丝胺酸(PS)Fig.3 The molecular structures of phospholipids[32] According to the difference of polar headgroup (X), it can be divided into phosphatidic acid (PA), phosphatidylcholines (PC), phosphatidylethanolamines (PE), phosphatidylglycerols (PG), phosphatidylinositols (PI)andphosphatidylserines (PS)

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 游离虾青素及虾青素酯的化学结构[33] (a): 游离虾青素3S, 3'S; (b): 虾青素单酯3S, 3'S; (c): 虾青素双酯3S, 3'S; (d): 虾青素立体异构体3R, 3'S; (e): 虾青素立体异构体3R, 3'RFig.4 Chemical structure of free astaxanthin and astaxanthin ester (a): free astaxanthin 3S, 3'S; (b): astaxanthin monoester 3S, 3'S; (c): astaxanthin diester 3S, 3'S; (d): astaxanthin stereoisomer 3R, 3'S; (e): astaxanthin stereoisomer 3R, 3'R

表8

Table 8

表8(Table 8)

表8 NIR光谱应用于检测鱼油营养成分 Table 8 The applications of NIR spectrum in the detection of nutritional components in the fish oil 检测指标 样品 光谱范围 /cm-1 预处理方法 最优波段 筛选方法 最优波段 /cm-1 建模方法 模型性能评价 参考 文献 脂肪酸 鱼油 11 000~5 800 SNV、SNVd、 MSC、SG-FD、 SG-SD - - PLS SFAs: RC=0.98 RMSE=0.94% PUFAs: RC=0.97 RMSE=1.11% MUFA: RC=0.97 RMSE=1.71% ω -3 PUFA: RC=0.99 RMSE=0.98% [36] 脂肪酸 三文鱼油 14 000~4 000 SG-FD、SG-SD、 SNV - - PLS ω -3 PUFA: RC=0.91 ω -6 PUFA: RC=0.89 [35] 脂肪酸 鱼油 10 000~4 000 NOR、SG-FD、 SG-SD - - PLS EPA: R2=0.97 RMSECV=1.1% DHA: R2=0.99 RMSECV=0.97% [37] 脂肪酸、 虾青素、 磷脂 磷虾油 10 000~4 000 FD、SD、 FD+SG 导数处理 7 000~4 000 PLS EPA、DHA、 磷脂: RCV> 0.95 [17] 脂肪酸 鱼油 12 800~4 000 SNV、MSC、 SG-SD、 SG-FD SPA 9 218.67~4 590 PLS EPA: R2=0.966 RMSEC=1.96% EPA: R2=0.945 RMSEC=1.28% [34]

表8 NIR光谱应用于检测鱼油营养成分 Table 8 The applications of NIR spectrum in the detection of nutritional components in the fish oil

3.1.2 近红外光谱技术用于检测鱼油理化指标

AV、 PV、 IV等理化指标同样是评价鱼油品质的重要标准之一, 其与鱼油的水解、 氧化程度、 不饱和程度息息相关。 Giese^[38]等利用NIR技术评估鱼油的AV、 PV、 AnV三个指标, 通过采集11 995~4 000 cm^-1范围内的光谱数据, 然后用MSC、 平滑、 求导等方法进行预处理, 并同时建立起了ANN和PLS两种预测模型。 结果表明NIR-ANN模型对三个指标的预测精度均高于NIR-PLS模型; 其中AV指标的NIR-ANN预测模型精度最好, R²为0.93, RMSEP为1.00, 具体如表9所示。 这表明ANN模型对于检测鱼油的AV、 PV等指标有良好适用性, 且其精度优于相同的PLS模型。 苗钧魁^[17]以磷虾油中包括AV在内的几种物质为指标利用NIR技术与PLS的结合建立起了快速检测模型, 结果显示AV模型的相关系数为0.917, 近红外可用于检测磷虾油中AV。 综上, 目前已报道的研究中, NIRS技术用于鱼油理化指标方面的检测还相对较少, 所建模型稳健性还有待进一步提高。

表9

Table 9

表9(Table 9)

表9 NIR技术应用于检测鱼油理化指标 Table 9 The applications of NIR technology in the detection of physical and chemical indexes of fish oil 检测指标 样品 光谱范围 /cm-1 预处理方法 最优波段 筛选方法 最优波段 /cm-1 建模方法 模型性能评价 参考 文献 AV 磷虾油 10 000~4 000 FD、SD、 FD+SG 导数处理 7 000~4 000 PLS AV: RCV=0.917 [17] IV 鱼油 12 000~4 000 - - 9 100~7 560 PLS IV: R2=0.999 [39] AV、PV、 AnV 鱼油 11 995~4 000 MSC、SG-FD、 SG-SD SPA、UVE - PLS、 ANN PV: R2=0.556(PLS)/ 0.726(ANN) AV: R2=0.561(PLS)/ 0.933(ANN) AnV: R2=0.503(PLS)/ 0.633(ANN) [38]

表9 NIR技术应用于检测鱼油理化指标 Table 9 The applications of NIR technology in the detection of physical and chemical indexes of fish oil

3.1.3 近红外光谱技术用于分析鱼油掺假辩伪

近年来, 受经济利益驱使, 一些不法商家常在鱼油中掺杂植物油或动物油脂, 导致鱼油品质良莠不齐, 严重影响鱼油制品市场稳定发展^[40]。 因此, 实现对鱼油掺假的快速检测对产业发展和消费者维权等都意义重大。 基于已有研究者成功开发出NIR技术应用于植物油掺假、 润滑油品种鉴别等的分析模型, 张瑜^[41]等利用可见光-近红外光谱对鱼油中掺入的植物油含量建立了预测模型。 作者通过向市售的不同品牌鱼油中掺入了不同含量的菜籽油和大豆油, 采集了3 077~930 cm^-1范围内的光谱信息, 基于PLS算法建立了预测模型。 结果显示菜籽油和大豆油检测模型的R²分别为0.932、 0.941, 表明该预测模型具有一定稳健性, 可实现快速检测鱼油掺假。 总之, NIR技术用于鱼油掺假鉴别具有一定的可行性, 但定量检测精度有待提高、 检测范围有待扩大。

3.2.1 中红外光谱技术用于检测鱼油理化指标

与NIR相比, 由于波段范围的不同, MIR可以检测许多NIR不能检测的信息。 对于结构极为相近的物质能更好区分^[6]。 根据鱼油中羧酸的O— H、 C=O等基团及氢过氧化物的O— H基团的特征峰在中红外波段均有显示, MIR技术同样适用于测定鱼油品质指标。 Giese^[38]等采用傅里叶中红外(FT-MIR)建立了评估鱼油AV、 PV、 AnV的ANN及PLS预测模型, 光谱采集范围为4 001~649 cm^-1。 结果表明MIR-ANN模型对AV的预测能力最好, R²可达0.988, 其余两个指标的模型性能相对较差一些。 Klaypradit^[42]等根据储存在自然光、 室温下鲱鱼鱼油的氧化情况, 利用MIR技术与ANN算法的结合, 针对鱼油的PV、 AnV指标建立起了预测模型, 结果发现位于3 500~1 700 cm^-1范围的吸光度变化与PV和AnV指标的相关性较高(相关系数R²均大于0.85); AnV预测模型的精度略高于PV模型, R²为0.939。 总体而言, MIR技术用于检测鱼油品质指标的报道还较少, 但已报道的研究成果表明MIR技术与非线性建模算法的结合可有效用于鱼油品质检测。

3.2.2 中红外光谱技术用于分析鱼油掺假辩伪

MIR技术在鱼油掺假鉴别方面的应用相对丰富。 XU^[43]等利用红外光谱(IR)结合PLS算法对鱼油中掺假陆生动物油脂建立了预测模型, 结果显示鱼油中掺有猪油、 鸡油、 牛油的预测模型的 RCV2分别为0.89、 0.94、 0.81, RMSECV分别为0.12、 0.09、 0.16, 表明该模型可用于鱼油中不同单一陆生动物油脂掺假的鉴定。 同样地, 高冰^[44]等将傅里叶红外(FTIR)技术与PLS结合用于预测鱼油中陆生动物脂质掺杂物的定量。 他们发现, 基于单个或者多个掺假的数据建模定量分析并不能很好地相互适用, 非目标陆生动物脂质的掺入会降低目标物定量模型的预测精度。 为了克服这一干扰, 作者建立了一种连续性测定模型, 用单、 多个掺假数据融合的总定量模型去预测单次或多次掺假鱼油中陆生动物脂质掺杂物的含量, 其预测精度系数均超过0.910。 结果表明, 在该连续分类策略中, IR技术与化学计量学的结合可以高效地鉴定鱼油中是否掺假陆生动物油脂, 以及在多种掺假物存在的情况下可实现对某种单一掺假物的定量分析。

拉曼光谱与红外光谱是结构分析中相辅相成、 互相补充的。 Bekhit^[45]等采用785 nm激发波长的拉曼光谱仪对来自不同国家地区生产的61种富含EPA、 DHA的鱼油胶囊进行光谱测量, 基于SNV、 SG-FD等预处理以消除荧光背景干扰, 并选定了不同波长范围的光谱数据建立起了EPA、 DHA及ω -3PUFA的PLS模型, 结果表明3 150~2 460和1 800~769 cm^-1两个波数范围内所建的模型可满足所有响应变量, 且以SNV的多项式曲线拟合处理后的PLS模型预测误差最小, 三个模型的R²均可达到0.96以上。 Hall^[46]等采用激发波长为785 nm的拉曼光谱仪获取3 200~90 cm^-1范围内鲨鱼肝油的光谱数据, 根据原始光谱数据与GC-MS所测定的角鲨烯浓度相关联, 经SNV等预处理后, 建立起PLS回归模型, 并用来预测后续样品集中的角鲨烯浓度, 该模型的预测相关系数R²大于0.98, 表明其拉曼模型可有效对鲨鱼肝油中的角鲨烯进行快速定量。 此外, 便携式拉曼光谱仪器的应用研究也在快速发展^{[47, 48]}, Killeen^[49]等利用手持式拉曼光谱仪对完整鱼油胶囊中的ω -3PUFA含量进行测定, 建立起PLS预测模型, 并同台式傅里叶拉曼(FT-Raman)仪器所测得数据的PLS预测模型相比较, 结果表明在一个较小样本集范围内, 手持式拉曼光谱仪所建立的预测模型与台式拉曼所建立的模型精度相似, 若要进一步提高预测模型的稳健性, 需要扩大样本集数量, 以保证脂肪酸浓度的连续性。

相比较于植物油或其他农产品, 拉曼光谱在鱼油品质检测中的应用较少, 可能是由于鱼油中含有的色素、 多种脂肪酸、 胆固醇等复杂成分使提取和分析拉曼信号变得困难^[50]。 基于拉曼光谱与红外光谱的相互补充性, 有研究者尝试将拉曼光谱与红外光谱数据相融合以探究其预测性能是否有提高。 Ahmmed^[51]等针对市场上售卖的7种富含ω -3PUFA的磷虾油, 分别采集其拉曼与红外光谱并建立了有关虾青素、 EPA和DHA指标的PLS模型, 结果显示在1 521、 1 158和1 006 cm^-1处, 拉曼光谱中具有强烈而特有的类胡萝卜素特征条带, 可有效检测磷虾油中的虾青素含量, 其模型相关系数R_P为0.98。 拉曼光谱也可有效检测磷虾油中EPA+DHA的含量, 其模型相关系数R_P为0.90。 且IR和拉曼数据融合后的模型性能均有一定提升, 虾青素、 EPA+DHA的相关系数R_P均可达0.99, 不同程度的数据融合会导致模型性能发生变化, 融合程度越高模型性能反而略有下降。