基于隨機(jī)森林算法的煙草提取物類別識(shí)別模型研究

丁 莎，申濤榕，張艷飛，杜歡哲，吳 榆，鄒小勇*

（1.湖南中煙工業(yè)有限責(zé)任公司技術(shù)中心，湖南 長沙 410007；2.中山大學(xué) 化學(xué)學(xué)院，廣東 廣州 510006）

目前煙草行業(yè)使用的同類不同來源的煙草提取物包括不同產(chǎn)地、不同生產(chǎn)工藝的提取物、精油、浸膏、凈油、精制物等，常用的分析檢測手段為氣相色譜-質(zhì)譜聯(lián)用技術(shù)，包括氣相色譜-四極桿質(zhì)譜（GC-Q MS）、氣相色譜-四極桿飛行時(shí)間質(zhì)譜（GC-QTOF MS）［1］、氣相色譜-離子阱質(zhì)譜（GC-IT MS）［2-3］和氣相色譜-三重四極桿串聯(lián)質(zhì)譜（GC-QQQ MS）［4-5］等。其中GC-QTOF MS 的優(yōu)勢在于：一方面高分辨飛行時(shí)間質(zhì)譜具有分辨率高、掃描速度快等優(yōu)勢，可通過與其他質(zhì)譜串聯(lián)實(shí)現(xiàn)多級(jí)質(zhì)譜分析的要求；另一方面GC-QTOF MS 結(jié)合了氣相色譜的高分離能力，極大地拓展了高分辨質(zhì)譜在化合物定性分析上的應(yīng)用范圍，非常適用于煙草提取物等復(fù)雜體系中目標(biāo)化合物的提取與鑒定［6-8］。

隨機(jī)森林（Random forest，RF）［9-10］是一種基于多個(gè)決策樹的集成學(xué)習(xí)方法，具有高效、魯棒性好、易于實(shí)現(xiàn)等優(yōu)點(diǎn)，已被應(yīng)用于煙草中化學(xué)成分的測量和分析，為煙草的品質(zhì)評(píng)價(jià)、加工工藝優(yōu)化、香氣調(diào)控等提供了新的思路和方法。該方法可利用煙草易獲得的特征數(shù)據(jù)，建立煙草化學(xué)成分與特征數(shù)據(jù)之間的非線性關(guān)系模型，實(shí)現(xiàn)對煙草中化學(xué)成分的快速識(shí)別。郭東鋒等［11］使用隨機(jī)森林分類算法分析影響烤煙香型的關(guān)鍵因素，有效地對烤煙香型進(jìn)行分類。賴燕華等［12］利用近紅外光譜技術(shù)和隨機(jī)森林算法，建立了一種煙葉霉變快速識(shí)別模型，對不同霉變程度的復(fù)烤片煙進(jìn)行了有效判別。楊睿等［13］利用隨機(jī)森林方法對不同品種的鮮煙葉成熟度進(jìn)行了判別。陳頤等［14］利用熱裂解/氣相色譜-質(zhì)譜法和隨機(jī)森林方法，對加熱卷煙煙葉原料的化學(xué)成分和感官評(píng)價(jià)進(jìn)行了分析，建立了煙葉原料適用性的預(yù)測模型，并篩選出影響適用性的重要化學(xué)成分。

本文采用GC-QTOF MS 技術(shù)和RF算法，獲取20種煙草提取物相關(guān)信息，對其進(jìn)行了各成分分析，獲得二進(jìn)制表征數(shù)據(jù)集?；赗F 模型，構(gòu)建了提取物、油類物質(zhì)和浸膏物質(zhì)3 類物質(zhì)，以及6 個(gè)地域產(chǎn)地?zé)煵萏崛∥锏淖R(shí)別方法，相關(guān)研究未見報(bào)道。

1 實(shí)驗(yàn)部分

1.1 儀器、材料與試劑

20種煙草提取物，按種類分為8種提取物、10種油類物質(zhì)、2種浸膏物質(zhì)；按地域分為7種（只對6地域產(chǎn)地分析），分別為2種A 煙草、3種B 煙草、5種C 煙草、2種D 煙草、3種E 煙草、3種F煙草、1種G煙草提取物和1種未知產(chǎn)地的油類提取物，具體如表1所示。

表1 20種煙草提取物信息Table 1 Informations of the 20 kinds of tobacco extract

1.2 實(shí)驗(yàn)方法

用分析天平稱取0.100 0 g 單一煙草提取物樣品，分別加入10 mL 乙酸乙酯-甲醇（體積比1∶1）有機(jī)溶劑，振蕩，超聲提取15 min，用0.22 μm濾膜過濾，進(jìn)樣1 μL上機(jī)分析。

色譜條件：在氣相色譜（Agilent 7890 A）分析儀上進(jìn)行，色譜柱為DB-5MS（30 m × 0.25 mm × 0.25 μm）彈性石英毛細(xì)管柱；進(jìn)樣口溫度為280 ℃；柱初始溫度為50 ℃（保持4 min），以8 ℃/min 升至180 ℃，再以20 ℃/min 升至250 ℃，保持3 min，最后以30 ℃/min 升至280 ℃，保持5 min；進(jìn)樣量為1.0 μL；分流比5∶1；載氣為He；柱前壓力為22.44 kPa，流速為1.5 mL/min。

質(zhì)譜條件：Xevo G2-XS QTOF MS 系統(tǒng)，采用大氣壓氣相色譜電離源（APGC+）模式；源溫度：120 ℃；錐孔氣：150 L/h；輔助氣：200 L/h；采集模式：MSE；高碰撞能量：5～30 V；采集質(zhì)量范圍：50～800 Da。

1.3 隨機(jī)森林模型構(gòu)建

RF 是一種屬于集成學(xué)習(xí)方法的機(jī)器學(xué)習(xí)算法。它通過組合多個(gè)分類樹，最終通過投票或取平均值，使得整體模型結(jié)果具有高的準(zhǔn)確度和泛化性能。該算法不僅支持大數(shù)據(jù)集，而且可應(yīng)對高維特征向量?；贛atlab 軟件中的“TreeBagger”函數(shù)執(zhí)行RF 算法。按照［100∶100∶1 000］和2^［1∶1∶11］，以及算法的默認(rèn)參數(shù)，優(yōu)化RF參數(shù)：森林中包含樹的數(shù)目和每一棵樹的葉節(jié)點(diǎn)選擇參數(shù)的數(shù)目。樣本隨機(jī)平均分成2 份，其中1 份用作測試集，剩余1 份用作訓(xùn)練集。重復(fù)2 次，使2 份中的每一份均被作為測試集。最后，整合2 次重復(fù)的結(jié)果，評(píng)估模型性能。具體步驟如下：①利用Matlab 的xlsread函數(shù)讀取并裝載樣本對應(yīng)的二進(jìn)制特種向量；②將樣本隨機(jī)分為2 等份；③根據(jù)設(shè)置的隨機(jī)森林參數(shù)和Matlab 的“TreeBagger”函數(shù)，運(yùn)行RF 算法；④基于2-折交叉驗(yàn)證，采用預(yù)測精度（Accuracy）優(yōu)化模型參數(shù)，并評(píng)估模型性能；⑤基于最優(yōu)的參數(shù)組合，構(gòu)建RF 模型；⑥根據(jù)構(gòu)建的RF 模型，輸出識(shí)別結(jié)果。其中Accuracy 定義為：Accuracy=ni/Ni，其中Ni為第i類的樣本數(shù)目，ni為正確識(shí)別第i類的樣本數(shù)目。

利用Xevo G2-XS QTOF MS 系統(tǒng)，對20 種煙草提取物樣品進(jìn)行GC-QTOF MS 分析，并獲取各煙草提取物成分，構(gòu)建二進(jìn)制表征數(shù)據(jù)集。由于G產(chǎn)地只有1種，采用RF模型，只對3種類（提取物、油類和浸膏類）和6地域產(chǎn)地（2種A、3種B、5種C、2種D、3種E、3種F）煙草提取物進(jìn)行區(qū)分和識(shí)別。

2 結(jié)果與討論

2.1 成分分析及特征表征

對3 種類和6 地域產(chǎn)地的20 種煙草提取物進(jìn)行了成分分析，涉及1-羥基-2-丙酮、2-甲基四氫呋喃-3-酮和法尼基丙酮等110個(gè)成分。以B 產(chǎn)地為例（其他類同），共有煙草提取物（B）、B 浸膏和煙草提取物（B精油）3種物質(zhì)，煙草提取物（B）和B浸膏含有吡啶，對應(yīng)二進(jìn)制向量中的元素值為1，煙草提取物（B 精油）元素值為0；B 浸膏含有茄酮，元素值為1，其他2 個(gè)元素值為0；煙草提取物（B 精油）含有十八酸，元素值為1，其他2個(gè)元素值為0；煙草提取物（B）、B 浸膏和煙草提取物（B 精油）含有乙酸甲酯，元素值均為1；3種物質(zhì)不含有乙酸異丁酯，元素值均為0。因此，構(gòu)建了110 × 3維二進(jìn)制向量數(shù)據(jù)集表（如表2）。

表2 產(chǎn)地B煙草提取物的二進(jìn)制表征表Table 2 Binary characterization of tobacco extract from origin B

2.2 RF三類模式識(shí)別

將20種煙草提取物按照8種提取物、10種油類和2種浸膏劃分為3類。8種提取物標(biāo)記為“1”，10種油類和2種浸膏分別標(biāo)記為“2”和“3”，構(gòu)建RF模型對香煙提取物進(jìn)行三類模式識(shí)別研究。

構(gòu)建了8 種提取物、10 種油類和2 種浸膏二進(jìn)制向量數(shù)據(jù)集，維數(shù)分別為：110 × 8、110 ×10、110 ×2。采用構(gòu)建的數(shù)據(jù)集，基于Matlab數(shù)學(xué)建模軟件中的“TreeBagger”命令進(jìn)行判別分析。采用2-折交叉驗(yàn)證方法評(píng)估模型的預(yù)測精度，并優(yōu)化參數(shù)。

RF 參數(shù)（樹的數(shù)目和選擇特征的數(shù)目）優(yōu)化結(jié)果如圖1 所示，混淆矩陣如圖2 所示，結(jié)果列于表3～表5。由圖2 可以看出，建立的RF 模型100%準(zhǔn)確識(shí)別8 種提取物、10 種油類和2 種浸膏。由表3 可以看出，無論森林中樹的數(shù)目和每個(gè)節(jié)點(diǎn)選擇的特征數(shù)目如何改變，構(gòu)建的模型始終能夠正確識(shí)別8 種提取物。對于10 種油類物質(zhì)，當(dāng)樹的數(shù)目為100，且選擇的特征數(shù)目為2 時(shí)，預(yù)測精度較低，但仍達(dá)到90%的正確識(shí)別率。對于2 種浸膏，由于樣本數(shù)目較少，只有當(dāng)森林中樹的數(shù)目較大，且選擇的特征數(shù)目大于4時(shí)，構(gòu)建的模型才能準(zhǔn)確識(shí)別。結(jié)果表明，基于識(shí)別的特征成分，選擇優(yōu)化參數(shù)，RF 模型能夠有效識(shí)別20種煙草提取物中8種提取物、10種油類和2種浸膏。

圖1 RF模型參數(shù)優(yōu)化對8種煙草提取物（A）、10種油類提取物（B）和2種浸膏提取物（C）的預(yù)測結(jié)果Fig.1 Optimization of RF model parameters for prediction results of 8 tobacco extracts（A），10 oil extracts（B） and 2 extractums（C）

圖2 RF模型混淆矩陣Fig.2 Confusion matrix of RF model

表3 RF模型參數(shù)對8種煙草提取物的識(shí)別結(jié)果Table 3 Recognition results of 8 tobacco extracts using RF model from different parameter combination

表4 RF模型參數(shù)對10種油類提取物的識(shí)別結(jié)果Table 4 Recognition results of 10 oil extracts using RF model from different parameter combination

表5 RF模型參數(shù)對2種浸膏提取物的識(shí)別結(jié)果Table 5 Recognition results of 2 extractum using RF model from different parameter combination

2.3 RF六類模型

將20 種煙草提取物按照產(chǎn)地A、B、C、D、E和F 分別標(biāo)記為“1”、“2”、“3”、“4”、“5”和“6”。構(gòu)建RF 模型對煙草提取物進(jìn)行六類模式識(shí)別研究。

構(gòu)建的6 個(gè)地域產(chǎn)地（2 種A、3 種B、5 種C、2種D、3種E、3種F）二進(jìn)制向量數(shù)據(jù)集，維數(shù)分別為：A：110×2、B：110×3、C：110×5、D：110×2、E：110×3、F：110×3。采用構(gòu)建的數(shù)據(jù)集，基于Matlab 數(shù)學(xué)建模軟件中的“TreeBagger”命令進(jìn)行判別分析。采用2-折交叉驗(yàn)證方法評(píng)估模型的預(yù)測精度，并優(yōu)化參數(shù)。

采用RF 算法構(gòu)建模型開展識(shí)別研究，預(yù)測結(jié)果示意圖和混淆矩陣如圖3 所示。在圖3A 中，每個(gè)點(diǎn)表示樣本在三維空間中的分布，點(diǎn)的顏色與三維坐標(biāo)數(shù)值相關(guān)，即坐標(biāo)值越大顏色越淺。結(jié)果表明，RF 構(gòu)建的模型能夠準(zhǔn)確識(shí)別6 種煙草在高維空間的分布邊界；圖3B 縱坐標(biāo)A、B、C、D、E 和F分別表示樣本的真實(shí)類別，橫坐標(biāo)表示樣本的預(yù)測類別，方格中的數(shù)字表示樣本數(shù)目，顏色與樣本數(shù)目大小相關(guān)，即樣本數(shù)目越多顏色越深。結(jié)果表明，每一類樣本均被構(gòu)建的RF模型準(zhǔn)確識(shí)別，模型能夠100%識(shí)別每一地域產(chǎn)地的煙草。因此，RF 模型準(zhǔn)確識(shí)別了2 種A 煙草、3 種B 煙草、5 種C 煙草、2種D煙草、3種E煙草、3種F煙草。

圖3 隨機(jī)森林最優(yōu)模型對6種煙草提取物的預(yù)測結(jié)果示意圖（A）與混淆矩陣（B）Fig.3 Schematic diagram（A） and confusion matrix（B） of prediction results of six types of tobacco extracts based on RF optimized model

3 結(jié) 論

本文以不同產(chǎn)地的20 種煙草提取物為研究對象，采用GC-QTOF MS 作為樣本的高分辨表征手段，對同類不同來源的煙草提取物進(jìn)行深入的成分剖析及其關(guān)鍵成分的定量研究等，有望獲得它們更多的化學(xué)信息。研究結(jié)果可為煙草提取物的質(zhì)量標(biāo)準(zhǔn)制定奠定基礎(chǔ)，也為同類不同來源的天然香原料（包括煙草提取物）品控和分析提供科學(xué)依據(jù)，并為功能性香基模塊中天然香原料的溯源可行性提供理論依據(jù)。