基于MCCV奇異樣本篩選和CARS變量選擇法對(duì)蜂蜜pH值和酸度的近紅外光譜檢測(cè)

李水芳，單 楊*，范 偉，尹 永，周 孜，李高陽(yáng)

(1.中南林業(yè)科技大學(xué)理學(xué)院，湖南 長(zhǎng)沙 410004；2.湖南省食品測(cè)試分析中心，湖南 長(zhǎng)沙 410025；3.中南大學(xué)化學(xué)化工學(xué)院，湖南 長(zhǎng)沙 410083；4.湖南明園蜂業(yè)有限公司，湖南 長(zhǎng)沙 410005)

基于MCCV奇異樣本篩選和CARS變量選擇
法對(duì)蜂蜜pH值和酸度的近紅外光譜檢測(cè)

李水芳1，單 楊2,*，范 偉3，尹 永4，周 孜4，李高陽(yáng)2

(1.中南林業(yè)科技大學(xué)理學(xué)院，湖南 長(zhǎng)沙 410004；2.湖南省食品測(cè)試分析中心，湖南 長(zhǎng)沙 410025；3.中南大學(xué)化學(xué)化工學(xué)院，湖南 長(zhǎng)沙 410083；4.湖南明園蜂業(yè)有限公司，湖南 長(zhǎng)沙 410005)

采用Norris平滑加一階微分?jǐn)?shù)據(jù)預(yù)處理，蒙特卡洛交互驗(yàn)證(MCCV)的奇異樣本篩選和CARS(competitive adaptive reweighted sampling)變量選擇法，用Kennard-Stone(KS)法劃分訓(xùn)練集和預(yù)測(cè)集，偏最小二乘(PLS)回歸近紅外光譜建模，對(duì)蜂蜜pH值和酸度進(jìn)行定量分析。pH值和酸度校正模型的交互驗(yàn)證決定系數(shù)(Rcv2)、交互驗(yàn)證均方差(RMSECV)、預(yù)測(cè)集決定系數(shù)(Rp2)、預(yù)測(cè)均方差(RMSEP)分別為0.8516和0.8723、0.1214和2.1734、0.8205和0.8250、0.1196和2.4674。結(jié)果表明，該方法適于蜂蜜pH值的測(cè)定，而不宜用于測(cè)定蜂蜜酸度。

近紅外光譜；蒙特卡洛交互驗(yàn)證的奇異樣本篩選；CARS變量選擇；蜂蜜；pH值；酸度

蜂蜜是蜜蜂采集植物的花蜜、分泌物或蜜露，與自身分泌物結(jié)合后，經(jīng)充分釀造而成的天然甜味物質(zhì)，主要成分為葡萄糖和果糖，此外，還含有糊精、蛋白質(zhì)、蠟質(zhì)、氨基酸、礦物質(zhì)、芳香化合物、有機(jī)酸、色素、揮發(fā)油、酶類、維生素、花粉、類黃酮、羥甲基糠醛等多種成分[1-2]，是一種深受廣大消費(fèi)者喜愛(ài)的天然保健食品。

pH值是描述氫離子活度的參數(shù)。蜂蜜的pH值可作為區(qū)分花蜜和甘露蜜[3]以及判斷單花蜜是否真實(shí)[4]的一個(gè)重要參數(shù)。酸度一般是指中和100g試樣中的酸性物質(zhì)所需要的氫氧根離子(OH―)的毫摩爾數(shù)。蜂蜜中的酸性物質(zhì)包括有機(jī)酸和無(wú)機(jī)酸，有機(jī)酸有葡萄糖酸、乳酸、醋酸、丁酸、甲酸和苯甲酸等，無(wú)機(jī)酸有磷酸和鹽酸等[5]。蜂蜜酸度反映了蜂蜜中酸性物質(zhì)含量的高低，是衡量蜂蜜是否發(fā)酵的重要指標(biāo)[6]，也可作為區(qū)分花蜜和甘露蜜的一個(gè)重要參數(shù)[3]。我國(guó)蜂蜜國(guó)家標(biāo)準(zhǔn)規(guī)定蜂蜜酸度不得大于40mL/kg(1mol/L氫氧化鈉)[6]。

近紅外光譜(near infrared spectroscopy，NIR)技術(shù)是一種快速無(wú)損的檢測(cè)技術(shù)，能實(shí)現(xiàn)對(duì)物質(zhì)多種理化指標(biāo)的快速無(wú)損分析，已有文獻(xiàn)報(bào)道該技術(shù)可用于測(cè)定食品的pH值和酸度[7-9]，蜂蜜中糖類成分的NIR檢測(cè)已有報(bào)道[10-11]，而蜂蜜pH值和酸度的NIR檢測(cè)國(guó)內(nèi)還未見(jiàn)報(bào)道，國(guó)外雖有報(bào)道[12-13]，但模型預(yù)測(cè)結(jié)果差。本實(shí)驗(yàn)利用NIR技術(shù)結(jié)合基于蒙特卡洛交互驗(yàn)證(Monte-Carlo cross-validation，MCCV)的奇異樣本篩選法[14]和CARS(competitive adaptive reweighted sampling)變量選擇法[15]，對(duì)蜂蜜pH值和酸度進(jìn)行分析，以期實(shí)現(xiàn)NIR檢測(cè)，為快速評(píng)價(jià)蜂蜜質(zhì)量提供一定的參考依據(jù)。

1 材料與方法

1.1 樣品及處理

樣本集包括真假蜂蜜樣本共134個(gè)。真蜂蜜樣本包括2008年和2009年收集的15個(gè)品種(油菜、柑橘、荔枝、洋槐、荊條、枸杞、益母草、野菊花、九龍?zhí)?、黃芪、桂圓、棗花、山桂花、老瓜頭、蘋果)，共122個(gè)，來(lái)自全國(guó)10個(gè)省區(qū)(湖南、湖北、廣西、四川、寧夏、貴州、山西、陜西、河南、云南)。摻假蜂蜜樣本分別用果葡糖漿和麥芽糖漿按不同比例摻假得到，每種摻假物得到6個(gè)摻假樣本，共12個(gè)。蜂蜜收集后，貯藏在6～8℃冰箱中。采集光譜時(shí)，先將蜂蜜從冰箱內(nèi)取出，放置至室溫，再在55℃水浴下溶解晶體。

1.2 儀器與設(shè)備

AntarisⅡ傅里葉變換近紅外光譜儀(帶TQ軟件) 美國(guó)Thermo Nicolet公司；PHS-320型pH計(jì) 成都世紀(jì)方舟科技有限公司。

1.3 方法

1.3.1 近紅外光譜條件

掃描范圍10000～4000cm-1，分辨率為8cm-1，增益2，掃描次數(shù)32次。

1.3.2 pH值

采用pH計(jì)測(cè)定。平行測(cè)定3次，取平均值。

1.3.3 酸度

對(duì)顏色較深的蜂蜜，參照國(guó)標(biāo)方法[16]測(cè)定并做一定修改：準(zhǔn)確稱取10g左右蜂蜜溶于100mL蒸餾水中，用0.05mol/L NaOH溶液滴定到pH8.3，記錄消耗的NaOH溶液體積(mL)，再換算為中和1000g蜂蜜所需消耗的1mol/L NaOH溶液毫升數(shù)。平行3次測(cè)定，取平均值。

1.3.4 光譜采集

先將樣品攪拌均勻，再置于離心試管中離心10min除去氣泡，取約10g樣品倒入一專用玻璃容器內(nèi)，用金箔控制樣品厚度為0.1mm，以空氣為背景，每小時(shí)掃描一次背景，采用透反射方式在約25℃下采集光譜。取4次的平均光譜為該樣品的原始光譜。每采集完1個(gè)樣品，先用自來(lái)水洗凈玻璃容器和金箔，再用蒸餾水潤(rùn)洗兩遍，然后冷風(fēng)吹干。光譜采集完成后即進(jìn)行pH值和酸度測(cè)定。同一批樣品，光譜采集和數(shù)據(jù)測(cè)定在同一天進(jìn)行。

2 結(jié)果與分析

2.1 原始光譜和預(yù)處理光譜

平滑可提高分析信號(hào)的信噪比，微分能有效消除光譜漂移，二者都是常用的光譜預(yù)處理方法。本實(shí)驗(yàn)通過(guò)比較8種光譜預(yù)處理方法的效果，分別為原始光譜、1階微分(first derivative，1D)、2階微分(second derivative，2D)、Savitzky-Golay(S-G)平滑、Norris平滑＋1D、Norris平滑＋2D、S-G平滑＋1D、S-G平滑＋2D，最終選擇 Norris平滑＋1D為本實(shí)驗(yàn)的最優(yōu)光譜預(yù)處理方法。圖1(A)為樣本原始光譜，存在較明顯的基線漂移。圖1(B)為(Norris平滑＋1D)預(yù)處理后的光譜，光譜經(jīng)平滑和微分處理后，能有效降低基線漂移，消除光譜變量間的差異。

圖1 樣本原始光譜圖(A)和(Norris平滑＋1D)預(yù)處理后的光譜圖(B)Fig.1 Original (A) and (Norris smoothing + 1D) pretreated (B)spectra of samples

2.2 MCCV的奇異樣本的剔除

MCCV的奇異樣本篩選法是一種新近提出的篩選奇異樣本的方法，能夠在一定程度上降低由掩蔽效應(yīng)帶來(lái)的風(fēng)險(xiǎn)，有效檢出光譜陣和性質(zhì)陣方向的奇異點(diǎn)，與傳統(tǒng)方法相比具有較高的識(shí)別奇異樣本的能力。用PLS確定最佳主成分?jǐn)?shù)后，用蒙特卡洛隨機(jī)取樣(Monte Carlo sampling，MCS)法取80%的樣本作校正集建立PLS回歸模型，剩余部分作預(yù)測(cè)集，循環(huán)2000次，得到各樣本的一組預(yù)測(cè)殘差，求各樣本預(yù)測(cè)殘差的均值(MEAN)與方差(STD)，作MEAN-STD圖(圖2)。

圖2 pH值(A) 和酸度(B)的均值-方差分布圖Fig.2 Mean value and variance distribution of pH value (A) and acidity (B)

從圖2可知，某些樣本明顯偏離主體樣本，如A中的33、34、35、36、45和46，B中的27、40、79、109、123和131，這些樣本可視為奇異樣本，應(yīng)剔除。從表1可知，奇異樣本剔除前后PLS校正模型的交互驗(yàn)證均方差(RMSECV)的變化情況：pH值的RMSECV由0.3545降到0.1854，降低顯著，酸度的RMSECV由 3.1779降到3.0891。

2.3 CARS法選擇變量

CARS變量選擇法是最新提出的變量篩選方法，可有效選擇與所測(cè)性質(zhì)相關(guān)的最優(yōu)變量組合，預(yù)測(cè)結(jié)果往往優(yōu)于MC-UVE、全譜偏最小二乘法(FS-PLS)和移動(dòng)窗口偏最小二乘法(MW-PLS)[11]。用CARS變量選擇法(CARS變量選擇的Matlab源代碼獲取自http://code.google.com/p/carspls/downloads/list)篩選出的pH值和酸度的最優(yōu)變量子集的變量個(gè)數(shù)都為59個(gè)。從表1可知，變量選擇前后pH值和酸度PLS校正模型的交互檢驗(yàn)結(jié)果：交互驗(yàn)證決定系數(shù)(Rcv2)分別由0.6404增大到0.8563(pH)和0.7399增大到0.8714(酸度)；RMSECV分別由0.1854降低到0.1172(pH)和3.0891降低到2.1718(酸度)。

表1 奇異樣本剔除前后和變量選擇前后的PLS校正模型的交互檢驗(yàn)結(jié)果Table 1 Results of cross-calibration of PLS models

2.4 模型的建立與評(píng)價(jià)

pH值的范圍為3.18～4.80，平均值為3.65，酸度的范圍為2.70～32.6mL/kg，平均值為16.8mL/kg。采用Norris平滑＋1D的光譜預(yù)處理方法，剔除奇異樣本，用選擇的最優(yōu)變量子集，通過(guò)Kennard-Stone(KS)法劃分訓(xùn)練集和預(yù)測(cè)集，所建立的PLS校正模型的預(yù)測(cè)結(jié)果見(jiàn)表2，真實(shí)值與預(yù)測(cè)值之間的相關(guān)圖見(jiàn)圖3。

表2 pH值和酸度校正模型的預(yù)測(cè)結(jié)果Table 2 Forecasting results of models of pH value and acidity

圖3 pH值(A)和酸度(B)真實(shí)值與近紅外光譜預(yù)測(cè)值相關(guān)圖Fig.3 Relationships between real and predicted values for pH (A) and acidity (B)

表3列出了相關(guān)文獻(xiàn)報(bào)道的蜂蜜pH值和酸度的NIR模型檢驗(yàn)結(jié)果，表中數(shù)據(jù)表明本實(shí)驗(yàn)?zāi)Ｐ皖A(yù)測(cè)結(jié)果最好。

表3 相關(guān)文獻(xiàn)報(bào)道的蜂蜜pH值和酸度的NIR定量校正模型檢驗(yàn)結(jié)果Table 3 Previously reported NIR models of pH and acidity of honey and those obtained from this study

3 結(jié) 論

本實(shí)驗(yàn)利用NIR技術(shù)結(jié)合新近開發(fā)的MCCV的奇異樣本篩選法和CARS變量選擇法，對(duì)蜂蜜pH值和酸度進(jìn)行了分析，比較了奇異樣本篩選前后和變量選擇前后的PLS模型預(yù)測(cè)結(jié)果，剔除奇異樣本后，模型的預(yù)測(cè)結(jié)果有了顯著提高，用篩選出的變量建立的模型的預(yù)測(cè)結(jié)果也優(yōu)于用全部變量建模的預(yù)測(cè)結(jié)果。pH值PLS近紅外光譜最優(yōu)校正模型的Rcv2為 0.8516、RMSECV為0.1214，用該模型對(duì)驗(yàn)證集樣本進(jìn)行預(yù)測(cè)，預(yù)測(cè)集Rp2為0.8205、RMSEP為0.1196，表明該模型可用于蜂蜜pH值的測(cè)定。酸度PLS近紅外光譜最優(yōu)校正模型的Rcv2為 0.8723、RMSECV為2.1734，當(dāng)用該模型對(duì)驗(yàn)證集樣本進(jìn)行預(yù)測(cè)時(shí)，預(yù)測(cè)集Rp2為0.8250、RMSEP為2.4674，表明本實(shí)驗(yàn)所建立酸度模型還不宜用于蜂蜜酸度的測(cè)定。

[1] 侯瑞麗. 蜂蜜主要成分的近紅外光譜檢測(cè)技術(shù)的研究[D]. 沈陽(yáng): 沈陽(yáng)農(nóng)業(yè)大學(xué), 2007.

[2] DOWNEY G, FOURATIER V, KELLY J D. Detection of honey adulteration by addition of fructose and glucose using near-infrared transflectance spectroscopy[J]. Journal of Near Infrared Spectroscopy, 2003, 11(6):447-456.

[3] SANZ M L, GONZALEZ M, de LORENZO C, et al. A contribution to the differentiation between nectar honey and honeydew honey[J]. Food Chemistry, 2005, 91(2): 313-317.

[4] BENEDETTI S, MANNINO S, SABATINI A G, et al. Electronic nose and neural network use for the classification of honey[J]. Apidologie,2004, 35(4): 397-402.

[5] 董捷. 蜂產(chǎn)品加工技術(shù)[M]. 北京: 中國(guó)農(nóng)業(yè)出版社, 2003: 29-31.

[6] GB 18796—2005蜂蜜[S]. 2005.

[7] SHAO Yongni, HE Yong. Measurement of soluble solids and pH of Yogurt using visible/near infrared spectroscopy and chemometrics[J].Food Bioprocess Technol, 2009, 2(2): 229-233.

[8] TSUCHIKAWA S, HAMADA T J. Application of time-of-flight detecting sugar and acid contents in apples[J]. Agric Food Chem, 2004, 52(9):2434-2439.

[9] 廖宜濤, 樊玉霞, 伍學(xué)千, 等. 豬肉pH值的可見(jiàn)近紅外光譜研究[J].光譜學(xué)與光譜分析, 2010, 30(3): 681-684.

[10] 陳蘭珍, 薛曉鋒, 陳芳, 等. 蜂蜜中還原糖組分測(cè)定的近紅外光譜應(yīng)用研究[J]. 食品科學(xué), 2009, 30(8): 147-150.

[11] 屠振華, 朱大洲, 籍保平, 等. 蜂蜜中果糖和葡萄糖近紅外檢測(cè)的差異性分析與特征研究[J]. 分析化學(xué), 2010, 38(1): 45-50.

[12] RUOFF K, LUGINBUHL W, BOGDANOV S, et al. Quantitative determination of physical and chemical measurands in honey by near-infrared spectrometry[J]. Eur Food Res Technol, 2007, 225(3/4): 415-423.

[13] COZZOLINO D, CORBELLA E. Determination of honey quality components by near infrared reflectance spectroscopy[J]. Journal of Apicultural Research, 2003, 42(1/2): 16-20.

[14] 劉智超, 蔡文生, 邵學(xué)廣. 蒙特卡洛交叉驗(yàn)證用于近紅外光譜奇異樣本的識(shí)別[J]. 中國(guó)科學(xué), B輯: 化學(xué), 2008, 38(4): 316-323.

[15] LI Hongdong, LIANG Yizeng, XU Qingsong, et al. Key wavelengths screening using competitive adaptive reweighted sampling method for multivariate calibration[J]. Analytica Chimica Acta, 2009, 648(1): 77-84.

[16] SN/T 0852—2000 進(jìn)出口蜂蜜檢驗(yàn)方法[S].

Analysis of pH and Acidity of Honey by Near Infrared Spectroscopy Based on MCCV Outlier Detection and CARS Variable Selection

LI Shui-fang1，SHAN Yang2,*，F(xiàn)AN Wei3，YIN Yong4，ZHOU Zi4，LI Gao-yang2
(1. College of Science, Central South University of Forestry and Technology, Changsha 410004, China；2. Hunan Food Test and Analysis Center, Changsha 410025, China；3. School of Chemistry and Chemical Engineering, Central South University, Changsha 410083, China；4. Hunan Mingyuan Honey Products Co.Ltd., Changsha 410005, China)

The near infrared spectra of honey samples were calculated by the method of Norris smoothing combined with first derivative. The outliers were detected by Monte Carlo cross validation (MCCV), and the variables were selected by competitive adaptive reweighted sampling (CARS). The samples were divided into calibration set and validation set by Kennard-Stone (KS)algorithm. Partial least squares (PLS) regression was applied to build a quantitative calibration model of pH and acidity. The coefficient of cross-validation of the calibration set (Rcv2) was 0.8516, and the root mean square error of cross-validation (RMSECV)was 0.1214.The coefficient of determination of the validation set (Rp2) was 0.8205, and the root mean square error of prediction(RMSEP) was 0.1196 for pH value. For acidity, the Rcv2, RMSECV, Rp2and RMSEP were 0.8723, 2.1734, 0.8250 and 2.4674,respectively. The finding shows that this method is suitable for quantitative analysis of honey pH, while caution is needed for honey acidity analysis.

near infrared spectroscopy；outliers detection of Monte Carlo cross validation (MCCV)；competitive adaptive reweighted sampling for variable selection；honey；pH value；acidity

TS207.3

A

1002-6630(2011)08-0182-04

2010-05-29

“十一五”國(guó)家科技支撐計(jì)劃項(xiàng)目(2009BADB9B07)

李水芳(1968—)，女，副教授，碩士，研究方向?yàn)樯质澄镔Y源的開發(fā)與利用。E-mail：csfulishuifang@126.com

*通信作者：?jiǎn)螚?1963—)，男，研究員，博士，研究方向?yàn)檗r(nóng)產(chǎn)品安全檢測(cè)。E-mail：sy6302@163.com