基于低場核磁共振技術(shù)的大米水分含量及活度快速預(yù)測

吉琳琳 夏阿林

(邵陽學(xué)院食品與化學(xué)工程學(xué)院，湖南 邵陽 422000)

水分活度是一個(gè)反映產(chǎn)品穩(wěn)定性和微生物安全的重要參數(shù)，主要用來反映物料平衡狀態(tài)下的水分狀態(tài)，可以更加準(zhǔn)確地反映食品中自由水的含量。隨著周圍環(huán)境條件的不斷變動，大米中的水分活度也會隨之產(chǎn)生變化，活度值的大小對大米的質(zhì)構(gòu)與穩(wěn)定性有直接的影響[1-4]。因此探索一種快速而準(zhǔn)確的同時(shí)檢測大米水分含量及活度的方法，對控制大米口感、加工、儲藏、運(yùn)輸、微生物的穩(wěn)定性、保質(zhì)期、營養(yǎng)價(jià)值等具有重要意義。

低場核磁共振技術(shù)作為一種應(yīng)用于食品領(lǐng)域的新技術(shù)，具有無損、綠色以及快速等優(yōu)點(diǎn)。該技術(shù)使用特定的脈沖序列Carr-Purcell-Meiboom-Gill(CPMG)，使樣品中的氫質(zhì)子發(fā)生共振后由非平衡狀態(tài)恢復(fù)至平衡狀態(tài)的過程稱為弛豫過程，此過程中橫向矢量方向恢復(fù)平衡所需要的時(shí)間常數(shù)稱之為橫向弛豫時(shí)間(T2)。氫質(zhì)子在食品中含量極高，能產(chǎn)生很強(qiáng)的核磁共振信號。氫質(zhì)子的存在狀態(tài)與弛豫時(shí)間往往具有較好的相關(guān)性，其所處的物理化學(xué)環(huán)境不同，會引起弛豫時(shí)間的變化，從而獲取食品樣品的大量內(nèi)部信息。在不破壞樣品本身的情況下結(jié)合化學(xué)計(jì)量學(xué)算法直觀地顯示它們的變化，從而達(dá)到對樣品的定量定性分析[5-7]。測定水分的傳統(tǒng)方法大多為干燥法、蒸餾法、卡爾·費(fèi)休法等[8]，這些方法雖都具備穩(wěn)定性高、準(zhǔn)確度高的特點(diǎn)，但大都存在過程繁瑣、耗時(shí)費(fèi)力等缺點(diǎn)，難以滿足對大批量樣品快速測定的要求。也有文獻(xiàn)報(bào)道采用液質(zhì)聯(lián)用[9]、近紅外[1-2,10]等現(xiàn)代分析儀器檢測食物中的水分。與這些方法相比，由于低場核磁共振更能反映水的存在狀態(tài)，因此采用低場核磁共振預(yù)測水分含量及活度更有優(yōu)勢。目前，采用低場核磁共振預(yù)測食品中的水分主要是結(jié)合一元校正方法[11-12]，該方法最大的缺陷就是對干擾成分信息特別敏感而產(chǎn)生較大誤差。多元校正是化學(xué)計(jì)量學(xué)中最為活躍的重要分支，采用多通道分析測量，有效地減小了測量誤差，能快速解決多變量校正問題，即待測組分不經(jīng)分離或掩蔽便可對其進(jìn)行同時(shí)測定。

本試驗(yàn)以大米為研究對象，采用多元校正方法[13-16]提取低場核磁共振譜的有效信息并建立模型，實(shí)現(xiàn)對大米水分含量和活度的同時(shí)快速檢測。旨在探索一種基于低場核磁共振儀的無損、快速、方便、高效的水分含量及活度同時(shí)預(yù)測的方法。可快速監(jiān)測大米在加工和儲藏過程中水分含量及活度變化，為控制微生物的穩(wěn)定性、儲存時(shí)間、保存品質(zhì)以及食用安全性等提供理論與技術(shù)支持。

1 材料與方法

1.1 材料與試劑

試驗(yàn)大米全部從大型超市購買。隨機(jī)選取5個(gè)品種大米，分批購買50次，共獲得樣品250個(gè)。每種大米購買100 g，分別以小塑料袋裝好并編號為1～250。

1.2 儀器與設(shè)備

低場核磁共振臺式儀：MQC-23型，英國牛津公司(Oxford-instruments)；

電子天平：ME104型，梅特勒-托利多儀器(上海)有限公司；

電熱鼓風(fēng)干燥箱：GZX-9140 MBE型，上海博迅實(shí)業(yè)有限公司；

水分活度測定儀：HD-3A型，無錫市華科儀器儀表有限公司。

1.3 方法

1.3.1 低場核磁共振檢測 采用電子天平稱量10 g大米，移入26 mm的核磁共振樣品管，再將樣品管放置于測量池中，儀器磁體溫度為32 ℃。樣品管放置5 min后，開始使用儀器測量，獲得回波曲線數(shù)據(jù)。每個(gè)回波數(shù)據(jù)通過儀器自帶的WinDXP軟件運(yùn)行反演算法獲得橫向弛豫時(shí)間反演譜(T2譜，默認(rèn)輸出為128 個(gè)數(shù)據(jù)點(diǎn))。每個(gè)大米樣品重復(fù)測量3次，并對每次回波數(shù)據(jù)進(jìn)行反演，3次反演數(shù)據(jù)進(jìn)行算術(shù)平均，平均值作為該樣品最終的T2譜數(shù)據(jù)。圖1顯示了全部250個(gè)樣品T2譜。儀器共振頻率為23.4 MHz(氫質(zhì)子)，脈沖序列采用Carr-Purcell-Meiboom-Gill(CPMG)序列。序列參數(shù)設(shè)置：SW(采樣頻率)1 000 kHz；P180(180°硬脈沖寬度)10.9 μs；P90(90°硬脈沖寬度)5.45 μs；NECH(回波個(gè)數(shù))512；TAU (半回波時(shí)間)150 μs；NS (累加次數(shù))16次。

圖1 所有大米樣品的橫向弛豫時(shí)間反演曲線

1.3.2 偏最小二乘法(PLS) 偏最小二乘方法主要用來解決變量之間存在多重相關(guān)性問題的一種回歸方法。該方法通過對樣本進(jìn)行訓(xùn)練學(xué)習(xí)，建立相應(yīng)的預(yù)測模型，來達(dá)到預(yù)測目的。使用PLS建模之前，首先需要確定最優(yōu)主成分?jǐn)?shù)。本研究采用留一交互驗(yàn)證法[17]來確定模型的最優(yōu)主成分?jǐn)?shù)，評價(jià)標(biāo)準(zhǔn)采用交互驗(yàn)證均方根誤差(RMSECV)，按式(1)計(jì)算：

(1)

式中：

Km——校正集樣本數(shù)；

Pi——第i個(gè)樣本的預(yù)測值；

Ci——第i個(gè)樣本的參考值。

將最優(yōu)主成分?jǐn)?shù)確定后，運(yùn)用PLS方法對大米校正集樣本進(jìn)行訓(xùn)練，分別建立水分含量及活度校正模型，并用之前沒有參加訓(xùn)練的預(yù)測集樣品進(jìn)行測試檢驗(yàn)。

1.3.3 誤差反向傳播人工神經(jīng)網(wǎng)絡(luò)(BP-ANN) 人工神經(jīng)網(wǎng)絡(luò)是通過模擬人腦神經(jīng)元的學(xué)習(xí)、記憶、處理問題等功能，而建立起來的一種具有自適應(yīng)、自組織和自學(xué)習(xí)特點(diǎn)的并行分布式處理系統(tǒng)計(jì)算機(jī)模型。神經(jīng)網(wǎng)絡(luò)可以通過學(xué)習(xí)獲取相關(guān)知識并存儲于各連接權(quán)重中，具有很強(qiáng)的容錯(cuò)和非線性映照能力[18]。誤差反傳人工神經(jīng)網(wǎng)絡(luò)是在各種人工神經(jīng)網(wǎng)絡(luò)方法中應(yīng)用最廣的一種，一般包含3部分：輸入層、隱含層和輸出層。隱含層節(jié)點(diǎn)數(shù)的選擇是一個(gè)十分復(fù)雜的問題，同樣也是人工神經(jīng)網(wǎng)絡(luò)模型中一個(gè)非常重要的環(huán)節(jié)。到目前為止還沒有找到一個(gè)理想的解析式來表示，通常根據(jù)前人的經(jīng)驗(yàn)和自己通過多次試驗(yàn)來確定[19]。本研究中人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)采用單隱含層，通過試驗(yàn)，確定水分含量模型的最優(yōu)隱含層節(jié)點(diǎn)數(shù)為13，水分活度模型的最優(yōu)隱含層節(jié)點(diǎn)數(shù)為11。輸入層節(jié)點(diǎn)數(shù)作為T2譜數(shù)據(jù)點(diǎn)數(shù)(即128個(gè))。以預(yù)測值(水分活度或含量)數(shù)(即1)作為輸出層的節(jié)點(diǎn)數(shù)。訓(xùn)練函數(shù)采用Levenberg-Marquardt算法[18]。

采用雙曲線正切函數(shù)(tansig函數(shù))作為輸入層和隱含層以及和隱含層和輸出層的轉(zhuǎn)換函數(shù)，按式(2)計(jì)算正切函數(shù)。

(2)

采用誤差平方和(SSE)作為BP-ANN訓(xùn)練收斂判別公式，按式(3)計(jì)算誤差平方和。

(3)

式中：

m——校正集樣本數(shù)；

n——輸出節(jié)點(diǎn)數(shù)；

Eij——輸出期望值；

Oij——校正預(yù)測輸出值。

1.4 數(shù)據(jù)處理

回波曲線數(shù)據(jù)反演采用儀器自帶的WinDXP數(shù)據(jù)分析軟件處理。PCA、PLS算法程序和BP-ANN算法主程序都在MATLAB軟件平臺上自編和運(yùn)行。BP-ANN算法的部分子程序從MATLAB工具箱中調(diào)用。作圖軟件采用OriginLab公司開發(fā)的Origin軟件。

2 結(jié)果與分析

2.1 樣品和參考值

將全部250個(gè)大米樣品分為校正樣品和預(yù)測樣品兩部分，校正樣品采用隨機(jī)法選取160個(gè)，預(yù)測樣品為剩余的90個(gè)樣品。每個(gè)樣品通過儀器測量后，從測量池取出樣品管，將樣品移出，置入研缽，迅速研細(xì)至粒徑大約0.5 mm。稱取5～6 g (精確至0.000 1 g)試樣置入稱量瓶中。水分參考值的測定按照GB 5009.3-2016中直接干燥法進(jìn)行。表1為測得的大米樣品水分含量。另外稱取1.000 g試樣快速放入玻璃皿中，置于密閉、恒溫的水分活度儀測量艙內(nèi)，此時(shí)水分活度儀測量艙內(nèi)的傳感器或數(shù)字化探頭顯示出的響應(yīng)值(相應(yīng)濕度對應(yīng)的數(shù)值)即為樣品的水分活度(AW)。水分活度參考值的測定方法按照GB 5009.238—2016進(jìn)行。表2為測得的大米樣品水分活度值。通過國標(biāo)法測定的水分含量及活度值作為化學(xué)計(jì)量學(xué)校正方法建模和預(yù)測評價(jià)時(shí)所需的參考值。

2.2 水分含量建模與預(yù)測

使用偏最小二乘方法測定大米樣品的水分含量前，首先需要確定最佳主成分?jǐn)?shù)。采用留一交互驗(yàn)證法獲得RMSECV值與主成分?jǐn)?shù)之間的關(guān)系曲線，如圖2所示。

表1 大米水分參考值

表2 大米水分活度參考值

圖2 交互驗(yàn)證均方根誤差與主成分?jǐn)?shù)的關(guān)系

從圖2中可見，當(dāng)主成分?jǐn)?shù)被選為17時(shí)，獲得最小RMSECV值。因此最佳主成分?jǐn)?shù)選為17。主成分確定后，采用PLS方法對160個(gè)大米校正集樣本進(jìn)行建模，獲得PLS校正模型。運(yùn)用該校正模型預(yù)測90個(gè)預(yù)測集樣本，對預(yù)測結(jié)果與參考值進(jìn)行比較，驗(yàn)證模型性能。圖3(a)、(b)分別顯示校正集樣品預(yù)測值與參考值之間的相關(guān)曲線以及預(yù)測集樣品預(yù)測值與參考值之間的相關(guān)曲線。從圖3中可知，對于校正集與預(yù)測集樣品，PLS校正模型獲得的水分含量預(yù)測值與國標(biāo)法測得的參考值之間線性相關(guān)性較好。

圖3 校正集及預(yù)測集大米樣品水分含量的參考值與

Figure 3 Correlation between reference and predicted values by PLS for rice water content of calibration set and prediction set samples

采用BP-ANN方法對160個(gè)大米校正集樣本進(jìn)行訓(xùn)練優(yōu)化建模，獲得BP-ANN校正模型。運(yùn)用該校正模型預(yù)測90個(gè)預(yù)測集樣本，得到的預(yù)測結(jié)果與相應(yīng)水分含量的參考值進(jìn)行統(tǒng)計(jì)比較，驗(yàn)證BP-ANN模型性能。圖4(a)、(b)分別顯示校正集樣品預(yù)測值與參考值之間的線性相關(guān)曲線以及預(yù)測集樣品預(yù)測值與參考值之間的相關(guān)曲線。從圖4中可知，對于校正集與預(yù)測集樣品，BP-ANN校正模型獲得的水分含量預(yù)測值與國標(biāo)法測得的參考值之間線性相關(guān)性較好。

圖4 校正集及預(yù)測集大米樣品水分含量的參考值與BP-ANN方法獲得的預(yù)測值關(guān)系

Figure 4 Correlation between reference and predicted values by BP-ANN for rice water content of calibration set and prediction set samples

以上2種多元校正模型的預(yù)測統(tǒng)計(jì)結(jié)果見表3。由表3可知，PLS方法與BP-ANN方法相比，校正集均方根誤差(RMSEC)值較小，校正集相關(guān)系數(shù)(Rc)較大。因此，對于校正集，PLS方法的預(yù)測結(jié)果要稍微好一點(diǎn)。對于預(yù)測集，PLS方法與BP-ANN方法相比，預(yù)測集均方根誤差(RMSEP)值較大，預(yù)測集相關(guān)系數(shù)(Rp)值也較大，但都相差不大，反映兩種方法性能相當(dāng)。結(jié)果顯示，2種多元校正方法都能比較好地快速測定大米中的水分。

表3 PLS和BP-ANN預(yù)測大米水分的統(tǒng)計(jì)結(jié)果

2.3 活度建模與預(yù)測

圖5顯示所選主成分與RMSECV值之間的關(guān)系曲線。從圖5中可見，當(dāng)主成分?jǐn)?shù)設(shè)為5時(shí)，獲得最小的RMSECV值。因此最佳主成分?jǐn)?shù)選為5。

采用PLS方法對160個(gè)大米校正集樣本建模，獲得PLS水分活度校正模型。運(yùn)用該校正模型預(yù)測90個(gè)預(yù)測集樣本。通過比較預(yù)測結(jié)果與國標(biāo)法測得的參考值，驗(yàn)證所建模型性能。圖6(a)、(b)分別顯示校正集樣品預(yù)測值與參考值之間的相關(guān)曲線以及預(yù)測集樣品預(yù)測值與參考值之間的相關(guān)曲線。從圖6中可知，對于校正集與預(yù)測集樣品，PLS校正模型獲得的水分活度預(yù)測值與參考值之間線性相關(guān)性較好。

圖5 交互驗(yàn)證均方根誤差與主成分?jǐn)?shù)的關(guān)系

圖6 校正集及預(yù)測集大米樣品水分活度的參考值與PLS方法獲得的預(yù)測值關(guān)系

Figure 6 Correlation between reference and predicted values by PLS for rice water activity of calibration set and prediction set samples

采用BP-ANN方法對160個(gè)大米校正集樣本進(jìn)行訓(xùn)練優(yōu)化建模，獲得BP-ANN水分活度的校正模型。運(yùn)用該校正模型預(yù)測90個(gè)預(yù)測集樣本。通過比較預(yù)測結(jié)果與參考值，驗(yàn)證BP-ANN模型性能。圖7(a)、(b)分別顯示校正集樣品預(yù)測值與參考值之間的線性相關(guān)曲線以及預(yù)測集樣品預(yù)測值與參考值之間的相關(guān)曲線。從圖7中可知，對于校正集與預(yù)測集樣品，BP-ANN校正模型獲得的水分活度預(yù)測值與國標(biāo)法測得的參考值之間具有較好線性相關(guān)性。

圖7 校正集及預(yù)測集大米樣品水分活度的參考值與BP-ANN方法獲得的預(yù)測值關(guān)系

Figure 7 Correlation between reference and predicted values by BP-ANN for rice water activity of calibration set and prediction set samples

多元校正模型的預(yù)測統(tǒng)計(jì)結(jié)果見表4。由表4可知，PLS方法與BP-ANN方法相比， RMSEC值較大，Rc較小。因此，對于校正集，BP-ANN方法的預(yù)測結(jié)果要稍微好一些。對于預(yù)測集，PLS方法的RMSEP值較大，Rp值較小，因此BP-ANN方法的預(yù)測結(jié)果也稍微好一些。結(jié)果顯示，對大米中水分活度的快速測定，BP-ANN方法性能優(yōu)于PLS方法。不過PLS方法也能獲得滿意的結(jié)果。

表4 PLS和BP-ANN分析大米水分活度的統(tǒng)計(jì)結(jié)果

3 結(jié)論

本研究采用PLS和BP-ANN 2種最有代表性的多元校正方法結(jié)合低場核磁共振對大米的水分含量及活度進(jìn)行預(yù)測。與傳統(tǒng)方法相比，該方法具有快速、無損、可同時(shí)預(yù)測多個(gè)指標(biāo)等優(yōu)點(diǎn)。與其它光譜方法相比，由于預(yù)測樣品中的氫質(zhì)子共振信號常與其存在狀態(tài)和物理化學(xué)環(huán)境相關(guān)聯(lián)，因此低場核磁共振預(yù)測水分含量及活度會更具有優(yōu)勢。試驗(yàn)結(jié)果也顯示低場核磁共振結(jié)合多元校正方法對復(fù)雜的大米樣品測定表現(xiàn)出較好的預(yù)測性能。然而本研究也存在一些需要解決的問題，如大米預(yù)測模型的代表性問題，樣品均勻性問題等，這些都會成為決定測定結(jié)果的準(zhǔn)確程度的因素之一。實(shí)際應(yīng)用中，可通過擴(kuò)大樣品類型以及對樣品進(jìn)行多方位測量來提高模型的適用性從而擴(kuò)大低場核磁共振在大米品質(zhì)評價(jià)和控制中的應(yīng)用。