MWPLS法在羊肉中TVB-N近紅外定量分析中的應用

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）法應用于羊肉中揮發性鹽基氮（total volatile basic nitrogen，TVB-N）含量的近紅外定量分析模型的構建中，通過改變MWPLS的窗口寬度，優選與羊肉中TVB-N含量高度 相關的光譜區域。模型評價及驗證結果顯示，移動窗口寬度為160 個波長點時優選得到的光譜區域（1 325～1 484 nm）所構建的定量分析模型最佳，其預測相關系數、預測標準偏差、主因子數和預測偏差比率分別為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間，提高定量分析模型的預測能力，并降低數據的處理量（數據點由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；揮發性鹽基氮

揮發性鹽基氮（total volatile basic nitrogen，TVB-N）是動物性食品腐敗過程中，由酶和細菌的作用產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。近紅外光譜分析技術具有快速、無損等優點，可以應用于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，提高模型的預測能力和穩健性，常通過特定方法對近紅外光譜進行特征波長或波長區間的篩選，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]。采用它優選光譜波段建立的PLS模型，預測精度可得到顯著的改善[11-19]，并降低數據處理量。本實驗對MWPLS法應用于生鮮羊肉中TVB-N含量近紅外定量分析模型的構建效果進行了研究。

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） 國藥集團化學試劑有限公司；鹽酸（分析純） 北京化工廠；次甲基藍（分析純） 北京科拓器化玻璃有限公司。

1.2 儀器與設備

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 上海民橋精密科學儀器有限公司；擴散皿（標準型）；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《肉與肉制品衛生標準的分析方法》中的微量擴散法。具體方法為：采集近紅外光譜后，將對應部位的羊肉按照國標方法進行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移動，每移動1 個波長點，采用交互驗證方式確定最佳因子數并建立相應的PLS最優模型。改變移動窗口的寬度，最終得到系列不同窗口（移動波長點）和主因子數對應的殘差平方和（the sums of squared residues，SSR）。據此選擇與待測組分相關的高信息量的光譜區間[20]。本實驗設定窗口寬度為100～200 個波長點，間隔為10 個波長點。SSR計算公式如下：

1.3.4 定量分析模型的建立及評價

樣本化學值數據的處理借助Version 17.0 SPSS統計軟件。近紅外光譜的波段優選采用MWPLS方法，借助Matlab軟件（R2012b, Version 8.0.0.783，美國MathWorks公司）實現。優選獲取最佳波段后，借助聚光世達近紅外分析測量分析軟件（RIMP.P003.V01B.001，北京聚光世達科技有限公司）進行光譜預處理后，建立PLS法定量分析模型并進行模型評價。

2 結果與分析

2.1 數據預處理

建立模型前，首先利用樣品化學值t化殘差來判斷樣品是否為異常樣品。當t化殘差值大于2.5時，認為光譜可能異常。進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共計94 個，采集光譜數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含量的統計結果。

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

2.2 MWPLS優選光譜信息區間

將采集的近紅外原始光譜及TVB-N含量數據分別導入Matlab軟件中，通過MWPLS從全譜中選取與待測組分相關的高信息量的光譜區間。在不同窗口寬度下選擇的光譜區間及其對應PLS模型的評價結果見表2。

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

表2中，模型的主因子數對建模效果至關重要。主因子數過少會導致用模型不能解釋光譜-組分濃度數據的變化。兩組數據之間相關性減弱，導致預測結果不準確。主因子數過多，用模型對包括極其細微的變化（如光譜的噪聲信號）在內的光譜數據的變化進行解釋，導致“過擬合”現象發生，模型對組分的特異性降低，分析結果不準確。按照概率統計，通過預測標準偏差（standard error of prediction，SEP）可以估計預測值與參考方法實際值之間的偏差。如光譜方法的預測值為，則參考方法實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，結果越準確。決定系數（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，模型的準確度越高。預測偏差比率（residual prediction deviation，RPD）為驗證集標準偏差與SEP的比值，其值越大，說明模型的預測精度越高，建模效果越好。

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

從化學歸類上進行分析，光譜區域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準確預測肉中TVB-N含量提供了理論基礎。

2.3 PLS模型的建立及評價

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

表3 指定光譜區間PLS建模結果Table3 Results of PLS modeling using given spectral regions

從表3可以看出，近紅外光譜經過經OSC后，波段優選定量分析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）進行預處理，并結合PLS建立了蘋果光譜對糖度的預測模型，結果證明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間，在減少所用數據點（由800 個減少到160個）數目，降低數據量并提高運算速度的同時，提高了羊肉中TVB-N含量定量分析模型的預測精確度。

3 結 論

本研究應用近紅外光譜分析技術對羊肉中TVB-N的含量進行了檢測。通過設置MWPLS的窗口寬度優選了光譜信息區間。借助RIMP光譜分析軟件，對篩選出的最佳光譜區域（1 325～1 484 nm）進行PLS建模并評價。結果顯示，由MWPLS篩選的波段所建立的定量分析模型的預測精度好于全譜模型，且用于建模的光譜數據點由800 個減少到160 個，其Rp、SEP、主因子數和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近紅外光譜信息區間，在保證模型預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性鹽基氮含量及其品質安全判別研究[C]//中國農業工程學會2011年學術年會論文集. 北京: 中國農業工程學會, 2011: 5.

[3] 劉兆豐. 基于近紅外光譜技術的豬肉新鮮度快速預測與識別[D]. 杭州: 浙江工商大學, 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時評估[J]. 食品安全質量檢測學報, 2012, 3(6): 580-584.

[5] 郭培源, 林巖, 付妍, 等. 基于近紅外光譜技術的豬肉新鮮度等級研究[J]. 激光與光電子學進展, 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]. 農業機械學報, 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. 化學計量學方法與分子光譜分析技術[M]. 北京: 化學工業出版社, 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選[J]. 分析化學, 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].光學精密工程, 2012, 20(10): 2170-2175.

[18] 陳華舟, 唐國強, 艾武, 等. FT-NIR光譜應用于柚子皮果膠定量分析的波段優選[J]. 科學技術與工程, 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選[J]. 安徽農業科學, 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. 近紅外光譜解析實用指南[M]. 褚小立, 許育鵬, 田高友, 譯. 北京: 化學工業出版社, 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, 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”農村領域國家科技計劃課題（2012BAD28B01）

史智佳（1982—），男，工程師，碩士，研究方向為肉品質量安全控制。E-mail：szj2006@sina.com

*通信作者：喬曉玲（1964—），女，教授級高級工程師，本科，研究方向為肉品科學和加工技術。E-mail：cmecsen@126.com