MWPLS法在羊肉中TVB-N近紅外定量分析中的應(yīng)用

史智佳，田寒友，鄒 昊，劉文營，喬曉玲*

（中國肉類食品綜合研究中心，北京 1 00068）

MWPLS法在羊肉中TVB-N近紅外定量分析中的應(yīng)用

史智佳，田寒友，鄒 昊，劉文營，喬曉玲*

（中國肉類食品綜合研究中心，北京 1 00068）

將移動窗口偏最小二乘（moving window partial least squares，MWPLS）法應(yīng)用于羊肉中揮發(fā)性鹽基氮（total volatile basic nitrogen，TVB-N）含量的近紅外定量分析模型的構(gòu)建中，通過改變MWPLS的窗口寬度，優(yōu)選與羊肉中TVB-N含量高度 相關(guān)的光譜區(qū)域。模型評價及驗(yàn)證結(jié)果顯示，移動窗口寬度為160 個波長點(diǎn)時優(yōu)選得到的光譜區(qū)域（1 325～1 484 nm）所構(gòu)建的定量分析模型最佳，其預(yù)測相關(guān)系數(shù)、預(yù)測標(biāo)準(zhǔn)偏差、主因子數(shù)和預(yù)測偏差比率分別為0.856 84、0.564 29 mg/100 g、 5和2.9，這說明MWPLS可以有效地篩選羊肉中TVB-N的近紅外光譜信息區(qū)間，提高定量分析模型的預(yù)測能力，并降低數(shù)據(jù)的處理量（數(shù)據(jù)點(diǎn)由800 個減少為160 個）。

近紅外光譜；波段選擇；移動窗口偏最小二乘法；揮發(fā)性鹽基氮

揮發(fā)性鹽基氮（total volatile basic nitrogen，TVB-N）是動物性食品腐敗過程中，由酶和細(xì)菌的作用產(chǎn)生的氨及胺類等堿性含氮物，其含量會隨著生鮮肉的腐敗加劇而增加，是鑒定生鮮肉新鮮度的重要指標(biāo)。近紅外光譜分析技術(shù)具有快速、無損等優(yōu)點(diǎn)，可以應(yīng)用于TVB-N含量的快速檢測[1-5]。

近紅外光譜偏最小二乘（partial least squares，PLS）法是近紅外定量分析中廣泛應(yīng)用的一種多元建模方法。在建立近紅外光譜PLS定量分析模型時，為了簡化模型，提高模型的預(yù)測能力和穩(wěn)健性，常通過特定方法對近紅外光譜進(jìn)行特征波長或波長區(qū)間的篩選，剔除不相干或非線性變量[6-9]。移動窗口偏最小二乘（moving window partial least squares，MWPLS）法是一種基于PLS法的波段選擇方法[10]。采用它優(yōu)選光譜波段建立的PLS模型，預(yù)測精度可得到顯著的改善[11-19]，并降低數(shù)據(jù)處理量。本實(shí)驗(yàn)對MWPLS法應(yīng)用于生鮮羊肉中TVB-N含量近紅外定量分析模型的構(gòu)建效果進(jìn)行了研究。

1 材料與方法

1.1 材料與試劑

生鮮羊肉 市購。

碳酸鉀、甲基紅（均為分析純） 國藥集團(tuán)化學(xué)試劑有限公司；鹽酸（分析純） 北京化工廠；次甲基藍(lán)（分析純） 北京科拓器化玻璃有限公司。

1.2 儀器與設(shè)備

SupNIR-1520便攜式近紅外分析儀 聚光科技（杭州）股份有限公司；2257型分析天平 上海民橋精密科學(xué)儀器有限公司；擴(kuò)散皿（標(biāo)準(zhǔn)型）；微量滴定管（最小刻度0.01 mL）。

1.3 方法

1.3.1 近紅外光譜采集

將近紅外光譜儀光學(xué)探頭壓在待測羊肉表面，于室溫條件下采集肉樣近紅外光譜，肉樣溫度始終保持在0～4 ℃。采集的近紅外光譜波長范圍為1 000～1 800 nm，波長間隔為1 nm，儀器分辨率為10 nm；每個樣品進(jìn)行2 次光譜采集，每次間隔5 s；每次光譜采集，光譜掃描次數(shù)為10 次。

1.3.2 肉中TVB-N含量的測定

采用GB/T 5009.44—2003《肉與肉制品衛(wèi)生標(biāo)準(zhǔn)的分析方法》中的微量擴(kuò)散法。具體方法為：采集近紅外光譜后，將對應(yīng)部位的羊肉按照國標(biāo)方法進(jìn)行TVB-N值測定。

1.3.3 MWPLS

MWPLS的基本思想是將1 個窗口沿著光譜軸連續(xù)移動，每移動1 個波長點(diǎn)，采用交互驗(yàn)證方式確定最佳因子數(shù)并建立相應(yīng)的PLS最優(yōu)模型。改變移動窗口的寬度，最終得到系列不同窗口（移動波長點(diǎn)）和主因子數(shù)對應(yīng)的殘差平方和（the sums of squared residues，SSR）。據(jù)此選擇與待測組分相關(guān)的高信息量的光譜區(qū)間[20]。本實(shí)驗(yàn)設(shè)定窗口寬度為100～200 個波長點(diǎn)，間隔為10 個波長點(diǎn)。SSR計算公式如下：

1.3.4 定量分析模型的建立及評價

樣本化學(xué)值數(shù)據(jù)的處理借助Version 17.0 SPSS統(tǒng)計軟件。近紅外光譜的波段優(yōu)選采用MWPLS方法，借助Matlab軟件（R2012b, Version 8.0.0.783，美國MathWorks公司）實(shí)現(xiàn)。優(yōu)選獲取最佳波段后，借助聚光世達(dá)近紅外分析測量分析軟件（RIMP.P003.V01B.001，北京聚光世達(dá)科技有限公司）進(jìn)行光譜預(yù)處理后，建立PLS法定量分析模型并進(jìn)行模型評價。

2 結(jié)果與分析

2.1 數(shù)據(jù)預(yù)處理

建立模型前，首先利用樣品化學(xué)值t化殘差來判斷樣品是否為異常樣品。當(dāng)t化殘差值大于2.5時，認(rèn)為光譜可能異常。進(jìn)一步考察光譜是否有明顯缺陷，考慮是否剔除該樣品。本研究中有效樣本數(shù)共計94 個，采集光譜數(shù)188 條。將樣本按TVB-N含量梯度排序，依3∶1分為模型校正集和驗(yàn)證集，其中TVB-N含量最大和最小樣品歸為校正集。表1列出羊肉中TVB-N含量的統(tǒng)計結(jié)果。

表1 羊肉中TVB-N含量統(tǒng)計表Table1 Statistics of TVB-N content in mutton

2.2 MWPLS優(yōu)選光譜信息區(qū)間

將采集的近紅外原始光譜及TVB-N含量數(shù)據(jù)分別導(dǎo)入Matlab軟件中，通過MWPLS從全譜中選取與待測組分相關(guān)的高信息量的光譜區(qū)間。在不同窗口寬度下選擇的光譜區(qū)間及其對應(yīng)PLS模型的評價結(jié)果見表2。

表2 原始光譜在不同窗口下MWPLS選取的最優(yōu)波段及模型評價結(jié)果Table2 PLS calibration results and corresponding spectral ranges selected by MWPLSR with different window widths of original spectra

表2中，模型的主因子數(shù)對建模效果至關(guān)重要。主因子數(shù)過少會導(dǎo)致用模型不能解釋光譜-組分濃度數(shù)據(jù)的變化。兩組數(shù)據(jù)之間相關(guān)性減弱，導(dǎo)致預(yù)測結(jié)果不準(zhǔn)確。主因子數(shù)過多，用模型對包括極其細(xì)微的變化（如光譜的噪聲信號）在內(nèi)的光譜數(shù)據(jù)的變化進(jìn)行解釋，導(dǎo)致“過擬合”現(xiàn)象發(fā)生，模型對組分的特異性降低，分析結(jié)果不準(zhǔn)確。按照概率統(tǒng)計，通過預(yù)測標(biāo)準(zhǔn)偏差（standard error of prediction，SEP）可以估計預(yù)測值與參考方法實(shí)際值之間的偏差。如光譜方法的預(yù)測值為，則參考方法實(shí)際值落在范圍的概率為67%左右，落在范圍的概率為95%左右[12]。SEP值越小，結(jié)果越準(zhǔn)確。決定系數(shù)（R2）反映因變量（吸光度）和自變量（成分含量）之間的密切程度。R2值越接近于1，自變量對因變量的解釋程度越高，自變量引起的變異占總變異的比例越高，模型的準(zhǔn)確度越高。預(yù)測偏差比率（residual prediction deviation，RPD）為驗(yàn)證集標(biāo)準(zhǔn)偏差與SEP的比值，其值越大，說明模型的預(yù)測精度越高，建模效果越好。

從表2可以看出，不同移動窗口寬度下應(yīng)用MWPLS法所優(yōu)選的波段及建立PLS模型評價結(jié)果不盡相同。當(dāng)移動窗口寬度為160個波長點(diǎn)時，優(yōu)選的波段范圍為1 325～1 484 nm，此時建立的PLS模型的各項(xiàng)評價參數(shù)最優(yōu)，其主因子數(shù)為5，SEP為0.669 9 mg/100g，小于其他窗口寬度的值；決定系數(shù)（R2）為0.827 4，大于其他窗口寬度的值；交互檢驗(yàn)RPD為2.41，亦是最大值，也即此光譜波段最佳。

從化學(xué)歸類上進(jìn)行分析，光譜區(qū)域1 325～1 484 nm處覆蓋了—CH3的C—H組合頻（2ν＋2δ）、亞甲基的C—H組合頻（2ν＋3δ）、芳香族—CH的組合頻（2ν＋3δ）、OH的組合頻（νas＋νs）和1st倍頻（νas＋νs）、—NH2的1st倍頻（1 449～1 475 nm）、—CONH2—的2st倍頻（1 441～1 460 nm）和—CONH—的2st倍頻（1 460～1 511 nm）等信息[9,21]。這些信息為利用近紅外光譜分析技術(shù)準(zhǔn)確預(yù)測肉中TVB-N含量提供了理論基礎(chǔ)。

2.3 PLS模型的建立及評價

借助RIMP光譜處理軟件對光譜進(jìn)行正交信號校正（orthogonal signal correction，OSC）后，建立全譜定量分析PLS模型和波段優(yōu)選定量分析PLS模型，并將外部驗(yàn)證集代入模型進(jìn)行預(yù)測能力評價，得到的結(jié)果見表3。預(yù)測相關(guān)系數(shù)（Rp）反映了TVB-N含量與光譜信息的線性相關(guān)性，其值越接近于1，兩者的線性相關(guān)性越強(qiáng)。通常認(rèn)為，如果RPD≥3.0，說明定標(biāo)效果良好，建立的定標(biāo)模型可以用于實(shí)際檢測；如果2.5＜RPD＜3.0，說明利用NIR對該成分進(jìn)行定量分析是可行的，但預(yù)測精度有待于提高；如果RPD＜2.5，則說明該成分難于進(jìn)行NIRS定量分析[22]。

表3 指定光譜區(qū)間PLS建模結(jié)果Table3 Results of PLS modeling using given spectral regions

從表3可以看出，近紅外光譜經(jīng)過經(jīng)OSC后，波段優(yōu)選定量分析PLS模型好于全光譜定量分析PLS模型，其SEP值小于后者，而Rp、RPD值大于后者。OSC是一種基于濃度陣參與的光譜預(yù)處理方法[23-25]，可通過正交投影除去光譜陣中與待測組分無關(guān)的信息。張海東等[26]采用OSC對蘋果的近紅外光譜（1 300～2 100 nm）進(jìn)行預(yù)處理，并結(jié)合PLS建立了蘋果光譜對糖度的預(yù)測模型，結(jié)果證明OSC可濾除原始光譜中的部分噪聲，保留原光譜中的主要信息，同時由于采納的因子數(shù)少，模型變得十分簡潔。

以上說明，MWPLS可以用于篩選近紅外光譜信息區(qū)間，在減少所用數(shù)據(jù)點(diǎn)（由800 個減少到160個）數(shù)目，降低數(shù)據(jù)量并提高運(yùn)算速度的同時，提高了羊肉中TVB-N含量定量分析模型的預(yù)測精確度。

3 結(jié) 論

本研究應(yīng)用近紅外光譜分析技術(shù)對羊肉中TVB-N的含量進(jìn)行了檢測。通過設(shè)置MWPLS的窗口寬度優(yōu)選了光譜信息區(qū)間。借助RIMP光譜分析軟件，對篩選出的最佳光譜區(qū)域（1 325～1 484 nm）進(jìn)行PLS建模并評價。結(jié)果顯示，由MWPLS篩選的波段所建立的定量分析模型的預(yù)測精度好于全譜模型，且用于建模的光譜數(shù)據(jù)點(diǎn)由800 個減少到160 個，其Rp、SEP、主因子數(shù)和RPD分別為0.856 84、0.564 29 mg/100 g、5和2.9，說明采用MWPLS可以篩選羊肉中TVB-N近紅外光譜信息區(qū)間，在保證模型預(yù)測精度的前提下簡化模型，提高建模效率。同時也說明近紅外光譜分析技術(shù)可用于羊肉中TVB-N的定量分析。

[1] 侯瑞鋒, 黃嵐, 王忠義, 等. 用近紅外漫反射光譜檢測肉品新鮮度的初步研究[J]. 光譜學(xué)與光譜分析, 2006, 26(12): 2193-2196.

[2] 熊來怡, 胡耀華, 劉聰, 等. 近紅外光譜檢測豬肉揮發(fā)性鹽基氮含量及其品質(zhì)安全判別研究[C]//中國農(nóng)業(yè)工程學(xué)會2011年學(xué)術(shù)年會論文集. 北京: 中國農(nóng)業(yè)工程學(xué)會, 2011: 5.

[3] 劉兆豐. 基于近紅外光譜技術(shù)的豬肉新鮮度快速預(yù)測與識別[D]. 杭州: 浙江工商大學(xué), 2012.

[4] 趙松瑋, 彭彥昆, 王偉, 等. 基于近紅外光譜的生鮮豬肉新鮮度實(shí)時評估[J]. 食品安全質(zhì)量檢測學(xué)報, 2012, 3(6): 580-584.

[5] 郭培源, 林巖, 付妍, 等. 基于近紅外光譜技術(shù)的豬肉新鮮度等級研究[J]. 激光與光電子學(xué)進(jìn)展, 2013, 50(33): 183-189.

[6] YING Yibin, LIU Yande. Nondestructive measurement of internal quality in pear using genetic algorithms and FT-NIR spectroscopy[J]. Journal of Food Engineering, 2008, 84(2): 206-213.

[7] 鄒小波, 趙杰文, 夏蓉, 等. 蘋果糖度近紅外光譜小波去噪和iPLS建模[J]. 農(nóng)業(yè)機(jī)械學(xué)報, 2006, 37(6): 79-82.

[8] ZOU Xiaobo, ZHAO Jiewen, LI Yanxiao. Selection of the efficient wavelength regions in FT-NIR spectroscopy for determination of SSC of ‘Fuji’ apple based on BiPLS and FiPLS models[J]. Vibrational Spectroscopy, 2007, 44(2): 220-227.

[9] 褚小立. 化學(xué)計量學(xué)方法與分子光譜分析技術(shù)[M]. 北京: 化學(xué)工業(yè)出版社, 2011.

[10] JIANG Jianhui, BERRY R J, SIESLER H W, et al. Wavelength interval selection in multicomponent spectral analysis by moving window partial least-squares regression with applications to midinfrared and near-infrared spectroscopic data[J]. Analytical Chemistry, 2002, 74(14): 3555-3565.

[11] KASEMSUMRAN S, DU Y P, MURAYAMA K, et al. Near-infrared spectroscopic determination of human serum albumin, γ-globulin, and glucose in a control serum solution with searching combination moving window partial least squares[J]. Analytica Chimica Acta, 2004, 512: 223-230.

[12] DU Yiping, LIANG Yizeng, JIANG Jianhui, et al. Spectral regions selection to improve prediction ability of PLS models by changeable size moving window partial least squares and searching combination moving window partial least squares[J]. Analytica Chimica Acta, 2004, 501(2): 183-191.

[13] DAVIES T, NORRIS K H. NIR spectroscopy[J]. NIR News, 2005, 16(7): 9-12.

[14] KANG N, KASEMSUMRAN S, WOO Y A, et al. Optimization of informative spectral regions for the quantification of cholesterol, glucose and urea in control serum solutions using searching combination moving window partial least squares regression method with near infrared spectroscopy[J]. Chemometrics and Intelligent Laboratory Systems, 2006, 82(1): 90-96.

[15] KASEMSUMRAN S, DU Y P, MARUO K, et al. Improvement of partial least squares models for in vitro and in vivo glucose quantifications by using near-infrared spectroscopy and searching combination moving window partial least squares[J]. Chemometrics and Intelligent Laboratory Systems, 2006, 82: 97-103.

[16] 潘濤, 吳振濤, 陳華舟. 土壤總氮近紅外光譜分析的波段優(yōu)選[J]. 分析化學(xué), 2012, 40(6): 920-924.

[17] 劉振堯, 潘濤. 可見-近紅外光譜測定血紅蛋白的等效波段選擇[J].光學(xué)精密工程, 2012, 20(10): 2170-2175.

[18] 陳華舟, 唐國強(qiáng), 艾武, 等. FT-NIR光譜應(yīng)用于柚子皮果膠定量分析的波段優(yōu)選[J]. 科學(xué)技術(shù)與工程, 2013, 13(12): 3232-3237.

[19] 張南楠, 張國鵬. 近紅外光譜測定清熱解毒口服液中綠原酸與黃芩苷的波段優(yōu)選[J]. 安徽農(nóng)業(yè)科學(xué), 2013, 41(9): 4080-4081.

[20] JIANG Jianhui, BERRY R J , SIESLER H W, et al. Wavelength interval selection in multicomponent spectral analysis by moving window partial least-squares regression with applications to mid infrared and near infrared spectroscopic data[J]. Analytical Chemistry, 2003, 74(14): 3555-3565.

[21] 杰爾·沃克曼, 洛伊斯·文依. 近紅外光譜解析實(shí)用指南[M]. 褚小立, 許育鵬, 田高友, 譯. 北京: 化學(xué)工業(yè)出版社, 2009.

[22] 黃光群, 韓魯佳, 楊增玲. 近紅外漫反射光譜法快速測定畜禽糞便堆肥多組分含量[J]. 光譜學(xué)與光譜分析, 2007, 27(11): 2203-2207.

[23] FEARN T. On orthogonal signal correction[J]. Chemometrics and Intelligent Laboratory Systems, 2000, 50(1): 47-52.

[24] FERRé J, FABER N M. Net analyte signal calculation for multivariate calibration[J]. Chemometrics and Intelligent Laboratory Systems, 2003, 69(1/2): 123-136.

[25] NI Wangdong, BROWN S D, MAN R. The relationship between net analyte signal/preprocessing and orthogonal signal correction algorithms[J]. Chemometrics and Intelligent Laboratory Systems, 2009, 98(2): 97-107.

[26] 張海東, 趙杰文, 劉木華. 基于正交信號校正和偏最小二乘(OSC/ PLS)的蘋果糖度近紅外檢測[J]. 食品科學(xué), 2005, 26(6): 189-192.

Quantitative Analysis of Total Volatile Basic Nitrogen (TVB-N) in Mutton by Near-Infrared (NIR) Spectroscopy with Moving Window Partial Least Squares (MWPLS)

SHI Zhijia, TIAN Hanyou, ZOU Hao, LIU Wenying, QIAO Xiaoling* (China Meat Research Centre, Beijing 100068, China)

Moving window pa rtial least squares (MWPLS) is a method of regional optimization, which is most frequently used for selecting spectral region including large information related to the components to be determined in the samples. In this study, MWPLS was used to select the appropriate frequency range for setting up a partial least squares (PLS) model for quanti tative analysis of the total volatile basic nitrogen (TVB-N) in mutton. The near infrared refl ectance (NIR) spectra were processed by MWPLS and different spectral regions relevant to TVB-N content in meat were selected by chan ging the window width of MWPLS. T he evaluation and validation results showed that the optimal region for setting up a best PLS model was the original spectrum between 1 325 nm and 1 484 nm. and the corresponding correlation coeffi cie nt of prediction (Rp), standard error of prediction (SEP), rank and residual prediction deviation (RPD) were 0.856 84, 0.564 29 mg/100 g, 5 and 2.9, separately, suggesting that MWPLS is a valid method to select the spectral feature that reduces spectral data (from 800 reduce to 160) and enhances the prediction ability of the quantitative analysis model of TVB-N in mutton.

NIR spectroscopy; wavelength region selection; moving window partial least squares; TVB-N

TS251.7；O657.3；S37

A

1002-6630（2015）20-0218-04

10.7506/spkx1002-6630-201520042

2014-10-17

“十二五”農(nóng)村領(lǐng)域國家科技計劃課題（2012BAD28B01）

史智佳（1982—），男，工程師，碩士，研究方向?yàn)槿馄焚|(zhì)量安全控制。E-mail：szj2006@sina.com

*通信作者：喬曉玲（1964—），女，教授級高級工程師，本科，研究方向?yàn)槿馄房茖W(xué)和加工技術(shù)。E-mail：cmecsen@126.com