低場(chǎng)核磁共振結(jié)合多元校正對(duì)休閑豆干水分含量的快速測(cè)定

夏霞明，夏阿林，吉琳琳

(邵陽(yáng)學(xué)院食品與化學(xué)工程學(xué)院，湖南邵陽(yáng) 422000)

豆腐干營(yíng)養(yǎng)豐富、均衡，容易被人體消化吸收，常被譽(yù)為“植物肉”之稱。休閑豆干是將豆腐干經(jīng)過鹵制、調(diào)味、殺菌等工藝加工而成的小包裝食品，其風(fēng)味多樣，味美可口，越來(lái)越受消費(fèi)者喜愛[1]。水分是休閑豆干食品的重要組成部分。在豆干加工過程中，控制好豆干的水分含量，不僅能夠保持好休閑豆干良好的感觀性狀，也能維持豆干食品中其他組分的相互平衡關(guān)系。水分含量過高會(huì)使豆干食品容易滋生微生物而變質(zhì)。在許多情況下，豆干的水分含量將會(huì)影響休閑豆干的保質(zhì)期。休閑豆干的水分含量作為其品質(zhì)的一項(xiàng)重要質(zhì)量指標(biāo)，必須進(jìn)行嚴(yán)格監(jiān)控。傳統(tǒng)的水分測(cè)定方法，一般采用干燥法、蒸餾法等。這些方法耗時(shí)費(fèi)力，難以滿足大批量樣品的測(cè)定。

低場(chǎng)核磁共振(LF-NMR)是應(yīng)用于食品領(lǐng)域的一項(xiàng)新技術(shù)，與目前可知的其他技術(shù)相比，具有快速、無(wú)損、準(zhǔn)確，且無(wú)需任何化學(xué)試劑等優(yōu)點(diǎn)，現(xiàn)已廣泛應(yīng)用于食品行業(yè)[2-7]?；瘜W(xué)計(jì)量學(xué)是當(dāng)代化學(xué)與分析化學(xué)的重要發(fā)展前沿[8-14]，是復(fù)雜樣品體系解析的重要工具，該方法引入食品領(lǐng)域[15-17]，為休閑豆干的快速分析提供了新的血液。多元校正是化學(xué)計(jì)量學(xué)研究中的一個(gè)十分重要的內(nèi)容，它從化學(xué)量測(cè)數(shù)據(jù)出發(fā)，通過解析量測(cè)數(shù)據(jù)與目標(biāo)指標(biāo)之間的關(guān)系來(lái)獲取體系的定量結(jié)果，是分析復(fù)雜體系的一個(gè)有力手段。常用的多元校正方法包括偏最小二乘法、支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)等[18]，近年來(lái)在農(nóng)業(yè)和食品領(lǐng)域得到了相當(dāng)廣泛的應(yīng)用[19-20]。筆者利用低場(chǎng)核磁共振分析儀，以休閑豆干為研究對(duì)象，結(jié)合偏最小二乘和人工神經(jīng)網(wǎng)絡(luò)法，對(duì)豆干水分含量進(jìn)行快速檢測(cè)。

1　材料與方法

1.1試材休閑豆干樣品全部購(gòu)于某大型超市。分批次購(gòu)買5個(gè)品牌不同風(fēng)味的休閑豆干作為研究對(duì)象。豆干都為獨(dú)立包裝，每小包質(zhì)量為20～30 g。各個(gè)品牌和風(fēng)味隨機(jī)挑選，共獲得186小包，每小包作為一個(gè)樣品，即共獲得186個(gè)樣品。

1.2儀器與設(shè)備MQC-23臺(tái)式核磁共振儀(氫的共振頻率為23 MHz，配套數(shù)據(jù)分析軟件WinDXP和26mm核磁共振專用樣品管)，英國(guó)牛津公司(Oxford-instruments)。電子天平，精度0.000 1 g，梅特勒-托利多儀器(上海)有限公司。AHS-101A電熱鼓風(fēng)干燥箱。

1.3方法

1.3.1低場(chǎng)核磁共振檢測(cè)。將要測(cè)量的小包豆干的包裝拆開，取出豆干，切成小塊，混合后用電子天平稱取約5 g作為測(cè)量樣品，再將該樣品裝入26 mm核磁樣品管，放入儀器的測(cè)量池中，在32 ℃(儀器磁體溫度)下放置10 min后，開始采樣，采用Carr-Purcell-Meiboom-Gill(CPMG)脈沖序列測(cè)量樣品的橫向弛豫時(shí)間(T2)。儀器參數(shù)設(shè)置如下：90°硬脈沖寬度(P90)=5.45 μs，180°硬脈沖脈寬(P180)=10.9 μs，采樣頻率(SW)=1 000 kHz，重復(fù)采樣時(shí)間(RD)=1 000 ms，累加次數(shù)(NS)=16，半回波時(shí)間(TAU)=3 000 μs，回波個(gè)數(shù)(NECH)=256個(gè)。測(cè)得的回波曲線經(jīng)反演后獲得橫向弛豫時(shí)間反演譜(T2譜)，取它們平均值作為測(cè)量結(jié)果，共獲得186個(gè)樣品的T2譜數(shù)據(jù)。所有樣品T2譜如圖1所示。

圖1　豆干樣品的橫向弛豫時(shí)間(T2)反演曲線Fig.1　Inversional curves of the transverse relaxation time (T2) for dried tofu samples

1.3.2偏最小二乘法。偏最小二乘方法(PLS)本質(zhì)上是一種基于特征變量的回歸方法，在多元校正中得到了廣泛應(yīng)用[21]。該研究采用留一交互驗(yàn)證法[21]來(lái)確定最佳主成分?jǐn)?shù)。評(píng)價(jià)標(biāo)準(zhǔn)采用交互驗(yàn)證均方根誤差(RMSECV)，表達(dá)式：

1.3.3人工神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)、自組織和自學(xué)習(xí)的特點(diǎn)，信息并行處理及分布式地存儲(chǔ)于各連接權(quán)重中，進(jìn)而具有很強(qiáng)的容錯(cuò)和非線性映照能力。它采用的機(jī)理完全不同于傳統(tǒng)人工智能和信息處理技術(shù)，克服了傳統(tǒng)的基于邏輯符號(hào)的人工智能在處理直覺、非結(jié)構(gòu)化信息方面的缺陷[22]。誤差反向人工神經(jīng)網(wǎng)絡(luò)(BP-ANN)是應(yīng)用最廣的人工神經(jīng)網(wǎng)絡(luò)方法，一般由輸入層、隱含層和輸出層三部分構(gòu)成。該研究采用誤差反向人工神經(jīng)網(wǎng)絡(luò)方法，使用Levenberg-Marquardt優(yōu)化方法作為訓(xùn)練函數(shù)。學(xué)習(xí)函數(shù)采用帶動(dòng)量梯度下降的權(quán)值和偏置值學(xué)習(xí)函數(shù)。輸入和輸出層的節(jié)點(diǎn)數(shù)是按照分析的要求來(lái)設(shè)計(jì)的。輸入層節(jié)點(diǎn)數(shù)可以按照需要求解的問題和數(shù)據(jù)表示的方式而定。一般來(lái)說(shuō)，問題確定之后，輸入與輸出層的節(jié)點(diǎn)數(shù)就可以確定了。該研究的輸入層節(jié)點(diǎn)數(shù)為核磁共振譜橫向弛豫時(shí)間反演曲線(T2譜)數(shù)據(jù)點(diǎn)數(shù)(即128個(gè)點(diǎn))。

隱含層單元數(shù)的選擇是神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)中非常重要的一個(gè)環(huán)節(jié)，也是一個(gè)十分復(fù)雜的問題。往往根據(jù)前人設(shè)計(jì)者的經(jīng)驗(yàn)和自己通過多次試驗(yàn)來(lái)確定，迄今為止還未找到一個(gè)理想的解析式來(lái)表示。一般在選擇隱含層節(jié)點(diǎn)數(shù)時(shí)，都會(huì)參考以下經(jīng)驗(yàn)公式[23]：

(1)

n1=log2n

(2)

(3)

式中,n為輸入節(jié)點(diǎn)數(shù);m為輸出節(jié)點(diǎn)數(shù);常數(shù)a=1～10;n1為隱含層節(jié)點(diǎn)數(shù)。

隱含層和輸出層的轉(zhuǎn)換函數(shù)都采用雙曲線正切函數(shù)(tansig函數(shù))：

(4)

人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)收斂判別方法采用誤差平方和(SSE)計(jì)算：

(5)

式中,m為訓(xùn)練集中樣本數(shù)，n為輸出節(jié)點(diǎn)數(shù)，Eij為期望輸出值，Oij為訓(xùn)練實(shí)際輸出值。

1.4數(shù)據(jù)處理NMR測(cè)量采用CPMG脈沖序列測(cè)得樣品的回波信號(hào)衰減數(shù)據(jù)。用WinDXP軟件對(duì)樣本回波數(shù)據(jù)進(jìn)行反演擬合，可得到T2譜。人工神經(jīng)網(wǎng)絡(luò)和偏最小二乘算法程序都在MATLAB軟件平臺(tái)上編寫或調(diào)用MATLAB工具箱，作圖軟件使用Origin軟件。

2　結(jié)果與分析

2.1樣品及參考值分析從全部186個(gè)豆干樣品中，隨機(jī)選取116個(gè)作為校正樣品，剩余70個(gè)樣品作為預(yù)測(cè)樣品。每個(gè)樣品被低場(chǎng)核磁共振儀測(cè)量后，將樣品從樣品管中移出，切碎至顆粒小于2 mm，稱取2～5 g試樣(精確至0.000 1 g)，放入稱量瓶中，試樣厚度不超過5 mm，加蓋，置于102 ℃干燥箱中。測(cè)定方法按照國(guó)標(biāo)GB 5009.3—2016(食品中水分的測(cè)定)第一法進(jìn)行水分測(cè)定。豆干水分的化學(xué)值統(tǒng)計(jì)結(jié)果如表1所示。

表1　豆干水分化學(xué)值的統(tǒng)計(jì)結(jié)果

2.2建模與預(yù)測(cè)使用偏最小二乘方法(PLS)對(duì)校正集豆干樣品進(jìn)行訓(xùn)練。采用留一交互驗(yàn)證法來(lái)確定最佳主成分?jǐn)?shù)并建模。RMSECV與所選主成分的關(guān)系如圖2所示。由圖2可知，主成分?jǐn)?shù)為10時(shí)，RMSECV最小，故選擇10作為模型最佳主成分?jǐn)?shù)。訓(xùn)練完成后，建立 PLS校正模型。運(yùn)用所建模型對(duì)70個(gè)預(yù)測(cè)集樣本進(jìn)行預(yù)測(cè)，預(yù)測(cè)值與化學(xué)值(參考值)的相關(guān)曲線如圖3所示。由圖3可見，PLS方法獲得的水分預(yù)測(cè)值與化學(xué)值之間具有較好的相關(guān)性。使用誤差反向傳播人工神經(jīng)網(wǎng)絡(luò)方法(BP-ANN)也對(duì)校正集豆干樣品進(jìn)行訓(xùn)練。經(jīng)過訓(xùn)練優(yōu)化后，固定權(quán)值和偏置值參數(shù)，獲得BP-ANN校正模型。運(yùn)用所建模型對(duì)預(yù)測(cè)集豆干樣品進(jìn)行預(yù)測(cè)，結(jié)果發(fā)現(xiàn)(圖4)，預(yù)測(cè)值與化學(xué)值之間也具有較好的相關(guān)性。從2種方法模型的分析結(jié)果(表2)可看出，對(duì)于校正集均方根誤差(RMSEC)與校正集相關(guān)系數(shù)(Rc)，相比BP-ANN方法，PLS方法預(yù)測(cè)結(jié)果要稍微好些；對(duì)于預(yù)測(cè)集均方根誤差(RMSEP)與預(yù)測(cè)集相關(guān)系數(shù)(Rp)，相比PLS方法，BP-ANN方法預(yù)測(cè)結(jié)果好一點(diǎn)。由此可見，2種多元校正方法均能較好地快速測(cè)定休閑豆干中的水分。

圖2　交互驗(yàn)證均方根誤差與主成分?jǐn)?shù)的關(guān)系Fig.2　The relationship between RMSECV and the number of principal component

圖3　豆干預(yù)測(cè)集樣品水分的化學(xué)值與PLS方法獲得的預(yù)測(cè)值關(guān)系Fig.3　Correlation of chemical value and predicted value by PLS for dried tofu moisture of prediction set samples

圖4　豆干預(yù)測(cè)集樣品水分的化學(xué)值與BP-ANN方法獲得的預(yù)測(cè)值關(guān)系Fig.4　Correlation of chemical value and predicted value by BP-ANN for dried tofu moisture of prediction set samples

3　結(jié)論

低場(chǎng)核磁共振信號(hào)橫向弛豫時(shí)間(T2)與氫質(zhì)子的存在狀態(tài)和所處物理化學(xué)環(huán)境有關(guān)，因此T2譜包含許多樣品內(nèi)部的信息，這樣可以使用化學(xué)計(jì)量學(xué)多元校正的方法對(duì)T2譜進(jìn)行信息提取，建立模型，實(shí)現(xiàn)對(duì)休閑豆干的水分快速檢測(cè)。該研究采用PLS和BP-ANN方法分析休閑豆干樣品的低場(chǎng)核磁共振橫向弛豫時(shí)間反演數(shù)據(jù)，快速測(cè)定豆干水分含量，結(jié)果顯示，這2種多元校正方法模型預(yù)測(cè)均能獲得較好的結(jié)果。因此，采用低場(chǎng)核磁共振技術(shù)結(jié)合多元校正方法能夠快速且準(zhǔn)確地對(duì)休閑豆干的水分含量進(jìn)行預(yù)測(cè)，為豆干品質(zhì)的快速測(cè)定與完善豆干質(zhì)量保障和監(jiān)督體系提供理論與技術(shù)支持。

表2PLS和BP-ANN分析豆干水分的結(jié)果

Table2TheresultsofdriedtofumoistureforPLSandBP-ANN

方法MethodRMSECRcRMSEPRpPLS0.02720.92350.02480.9189BP-ANN0.02810.91760.02230.9215

[1] 楊倩.調(diào)味豆腐干加工及保藏的研究[D].無(wú)錫:江南大學(xué),2012:3-15．

[2] CHEN L,TIAN Y Q,SUN B H,et al.Rapid, accurate, and simultaneous measurement of water and oil contents in the fried starchy system using low-field NMR[J].Food chemistry,2017,233: 525-529.

[3] RENOU J P,KOPP J,GATELLIER P,et al.NMR relaxation of water protons in normal and malignant hyperthermia-susceptible pig muscle[J].Meat science,1989,26(2): 101-114.

[4] BERTRAM H C.Field gradient CPMG applied on postmortem muscles[J].Magnetic resonance imaging,2004,22(4): 557-563.

[5] SANGPRING Y,FUKUOKA M,BAN N,et al.Evaluation of relationship between state of wheat flour-water system and mechanical energy during mixing by color monitoring and low-field1H NMR technique[J].Journal of food engineering,2017, 211:7-14.

[6] CARNEIRO C D S,MRSICO E T,RIBEIRO R D O R,et al.Low-field nuclear magnetic resonance (LF NMR 1H) to assess the mobility of water during storage of salted fish (Sardinellabrasiliensis)[J].Journal of food engineering,2016,169:321-325.

[7] DEFERNEZ M,WREN E,WATSON A D,et al.Low-field1H NMR spectroscopy for distinguishing between arabica and robusta ground roast coffees[J].Food chemistry, 2017,216: 106-113.

[8] BOOKSH K S,KOWALSKI B R.Theory of analytical chemistry[J].Analytical chemistry,1992, 66(15): 782-791.

[9] AHMADVAND M,PARASTAR H,SERESHTI H,et al.A systematic study on the effect of noise and shift on multivariate figures of merit of second-order calibration algorithms[J].Analytica chimica acta, 2017,952:18-31.

[10] CARABAJAL M D,ARANCIBIA J A,ESCANDAR G M.Excitation-emission fluorescence-kinetic data obtained by Fenton degradation.Determination of heavy-polycyclic aromatic hydrocarbons by four-way parallel factor analysis[J].Talanta,2017,165:52-63.

[11] PARASTAR H,AKVAN N.Multivariate curve resolution based chromatographic peak alignment combined with parallel factor analysis to exploit second-order advantage in complex chromatographic measurements[J].Analytica chimica acta,2014,816:18-27.

[13] XIA A L,WU H L,FANG D M,et al.Alternating penalty trilinear decomposition for second-order calibration with application to interference-free analysis of excitation-emission matrix fluorescence data[J].Journal of chemometrics,2005,19(2): 65-76.

[14] THOMAS R,KAI U T.Quantification of pH-dependent speciation of organic compounds with spectroscopy and chemometrics[J].Chemosphere,2017,172:175-184.

[16] ELCOROARISTIZABAL S,CALLEJ N R M, AMIGO J M,et al.Fluorescence excitation-emission matrix spectroscopy as a tool for determining quality of sparkling wines[J].Food chemistry,2016,206:284-290.

[17] BERTRAM H C,STRAADT I K,JENSEN J A,et al.Relationship between water mobility and distribution and sensory attributes in pork slaughtered at an age between 90 and 180 days[J].Meat science, 2007,77(2): 190-195.

[18] 梁逸曾,俞汝勤.化學(xué)計(jì)量學(xué)[M].3版.北京:高等教育出版社,2003: 191-226.

[19] QIU S S,WANG J.The prediction of food additives in the fruit juice based on electronic nose with chemometrics[J].Food chemistry,2017,230: 208-214.

[20] CHEN L,TIAN Y Q,SUN B H,et al.Rapid, accurate, and simultaneous measurement of water and oil contents in the fried starchy system using low-field NMR[J].Food chemistry,2017,233: 525-529.

[21] 陸婉珍,袁洪福,徐廣通,等.現(xiàn)代近紅外光譜分析技術(shù)[M].北京:石油化工出版社,1999.

[22] HAYKIN S.神經(jīng)網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)[M].申富饒,徐燁,等譯.3版.北京: 機(jī)械工業(yè)出版社,2017: 197.

[23] GUTIERREZ-OSUNA R.Pattern analysis for machine olfaction:A review[J].IEEE Sensors Journal, 2002, 2(3):189-202.