近紅外光譜技術(shù)在液態(tài)食品摻假檢測中的應(yīng)用

王　君,劉　蓉

(天津大學(xué) 精密測試技術(shù)及儀器國家重點實驗室,天津 300072)

?

近紅外光譜技術(shù)在液態(tài)食品摻假檢測中的應(yīng)用

王君,劉蓉

(天津大學(xué) 精密測試技術(shù)及儀器國家重點實驗室,天津 300072)

近些年,食品安全事故有增多趨勢,而在眾多針對食品摻假的檢測技術(shù)中,近紅外光譜技術(shù)因其快速、方便等優(yōu)點而受到關(guān)注。本文主要綜述了近紅外技術(shù)在牛奶、蜂蜜和食用油等液態(tài)食品摻假檢測研究的發(fā)展?fàn)顩r,并分析了如今所存在的問題和未來的發(fā)展方向。

近紅外光譜,液態(tài)食品,摻假檢測,發(fā)展

近年來,食品安全的事故越來越多,如三聚氰胺牛奶、假酒、地溝油事件等,這些事故嚴重損害了消費者的健康,侵害了消費者的權(quán)益。因而,食品安全問題受到了社會的廣泛關(guān)注,對食品摻假摻偽的檢測逐漸成為食品安全領(lǐng)域研究的重點。

常見的研究手段有高效液相色譜法、質(zhì)譜法、電化學(xué)分析法、光譜法等。前三者方法所需設(shè)備昂貴,檢測周期長,檢測流程復(fù)雜。而近紅外光譜技術(shù)是一種新型分析檢測技術(shù),其設(shè)備簡單,并具有快速、方便、經(jīng)濟、對食品損傷小、污染小和在線監(jiān)測等優(yōu)點。液態(tài)食品易于在流水線上直接進行摻假檢測,近紅外光譜技術(shù)將有更為重要的地位,本文選擇液態(tài)食品主要為液態(tài)奶、食用油、蜂蜜,對近紅外光譜在摻假檢測中的應(yīng)用進行綜述。

1　近紅外光譜技術(shù)

近紅外光是一種電磁波,其波長范圍為780～2526 nm,該區(qū)域的譜帶對應(yīng)于分子基頻振動的倍頻和合頻吸收。由于不同的物質(zhì)具有不同的組成成分而存在特定的基團信息特征,根據(jù)近紅外吸收峰的位置、吸收強度等特征,可以實現(xiàn)對物質(zhì)的定性和定量分析[1]。在近紅外技術(shù)分析過程中不會破壞樣品,不用試劑,更不會污染環(huán)境,同時測定速度極快,這是其他方法所無法比擬的。但近紅外光譜的譜峰一般較寬,且譜峰之間重疊嚴重,要精確近紅外譜帶的歸屬很困難,需要借助于化學(xué)計量學(xué)手段對其進行解析,所以作為一種間接測量技術(shù)——近紅外的檢測精度依賴于所建立的數(shù)學(xué)模型是否合適、穩(wěn)健,所選擇樣本是否有足夠的代表性等。同時,這種技術(shù)可以辨別摻假食品、食品種類[2-5]、檢測摻偽量、追溯產(chǎn)品[6-9]來源等。因而近紅外光譜法在食品安全領(lǐng)域中的應(yīng)用日益廣泛。

2　近紅外光譜技術(shù)在液態(tài)奶摻假檢測中的應(yīng)用

為了最大限度地獲得商業(yè)利益,一些不法商販通過向牛奶中加入尿素、淀粉、葡萄糖和各種抗生素等摻假物,達到以次充好的目的。自從三聚氰胺奶粉事件曝光后,檢測機構(gòu)和研究人員更加重視對奶制品質(zhì)量的檢測。

一般來說,近紅外技術(shù)在檢測摻假物時,無需對樣本進行預(yù)處理。但針對液態(tài)奶這種復(fù)雜分散體系,需要進行均質(zhì)處理,否則會對摻假物的檢測造成干擾,已有學(xué)者進行驗證:Aernouts B等指出,在可見和近紅外區(qū)域,無論是透射還是反射都無法準(zhǔn)確定量分析牛奶中尿素的含量,均質(zhì)處理后,采用PLS建模,其復(fù)相關(guān)系數(shù)為0.69[10]。

目前關(guān)于摻假牛奶的檢測分為定性和定量檢測,在定性檢測中李亮等人在近紅外區(qū)采集了生鮮奶和分別摻有羊奶、豆?jié){的牛奶樣本的漫反射光譜,結(jié)合主成分分析(Principal Component Analysis,PCA)與人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)建立摻假牛奶的定性判別模型,對未知樣本的識別率達到95.24%[11]。李亮等人還采集了摻有植物奶油(0.5%～10%)、植物蛋白(0.4%～1.6%)和淀粉(0.05%～1.00%)的牛奶樣本的漫反射光譜,利用PCA結(jié)合Fisher線性判別建立定性模型,對未知樣本的識別率達到94.44%[12]。

苗靜等人配制摻雜尿素(1～20 g/L)和三聚氰胺(0.01～3 g/L)的牛奶樣品,采集其近紅外透反射光譜數(shù)據(jù),在4400～4800 cm-1范圍內(nèi),將近紅外二維相關(guān)譜參數(shù)化方法與誤差反向傳播法(Error Back Propagation,BP)神經(jīng)網(wǎng)絡(luò)結(jié)合,建立摻雜尿素、三聚氰胺和摻雜兩種物質(zhì)的牛奶樣本的定性判別模型,準(zhǔn)確率分別為95%、100%、96.7%[13]。

楊仁杰等人對含有多種摻雜物(如尿素、三聚氰胺、葡萄糖等)的牛奶樣本進行二維相關(guān)譜(近紅外-近紅外,近紅外-中紅外,中紅外-中紅外)分析。如2014年,楊仁杰等人配制摻雜尿素(1～20 g/L)和三聚氰胺(0.01～3 g/L)的牛奶樣本,并以牛奶中摻雜物濃度為外擾,選取4200～4800 cm-1和1400～1704 cm-1區(qū)間,構(gòu)建純牛奶與摻雜牛奶的同步二維紅外相關(guān)譜,考察了根據(jù)各樣品相關(guān)譜矩陣間的歐氏距離平均值來判斷摻雜牛奶的可行性,研究結(jié)果表明:該方法可實現(xiàn)摻雜牛奶的判別,其判別正確率為100%[14]。

化學(xué)計量學(xué)方法繁多,為了找出一個更好更便捷的分析方法,研究人員針對各種化學(xué)計量學(xué)方法進行比較分析。如鐘珍珍等人在比重與牛奶相當(dāng)?shù)暮芤褐蟹謩e加入尿素(5%～15%)和三聚氰胺(1%～20%),采集其近紅外漫反射光譜,比較了基于距離準(zhǔn)則的K-最近鄰(K-Nearest Neighbour,KNN)、改進與簡化的KNN(Improved and Simplified KNN,IS-KNN)以及判別偏最小二乘法(Discriminant Partial Least Squares,DPLS)的判別模型效果,結(jié)果表明:IS-KNN方法的效果最佳[15]。

郭美蘭等人配制相對密度與牛奶相當(dāng)?shù)暮芤?分別摻入三聚氰胺、尿素、硝酸銨等,采集其透反射光譜,在4500～9000 cm-1區(qū)間內(nèi),分別建立基于DPLS、KNN、Fisher線性判別分析(Linear Discriminant Analysis,LDA)、IS-KNN等方法的定性判別模型,結(jié)果表明:DPLS方法的判別效果最佳[16]。

楊延榮等人配制摻有四環(huán)素(0.01～0.3 g/L)、三聚氰胺(0.01～0.3 g/L)和葡萄糖(0.01～0.3 g/L)的牛奶樣本各36個,在900～1700 nm范圍內(nèi),分別基于核隱變量正交投影法(Kernel Orthogonal Projection Latent Structure,K-OPLS)和DPLS建立摻雜牛奶的判別模型,結(jié)果表明K-OPLS的判別效果更佳[17]。在相同波段下,楊延榮還比較了最小支持向量機(Least Squares Support Vector Machines,LS-SVM)和DPLS對摻有三聚氰胺和葡萄糖牛奶樣本的判別效果,結(jié)果表明,LS-SVM的判別效果也優(yōu)于DPLS[18]。

楊仁杰采集摻雜尿素(1～20 g/L)和三聚氰胺(0.01～3 g/L)的牛奶樣本的紅外光譜,分別比較了多維偏最小二乘判別分析(Multi-way Partial Least Squares Discriminant Analysis,NPLS-DA)、DPLS及隱變量正交投影判別(Orthogonal Projection Latent Structure Discriminant Analysis,OPLS-DA)等方法對摻雜牛奶的判別效果,結(jié)果表明:NPLS-DA具有更強的判別能力[19]。后又采集摻雜尿素和三聚氰胺(濃度與前面一樣)的牛奶樣本的紅外光譜,分別比較了NPLS-DA、DPLS及OPLS-DA等方法對摻雜牛奶的判別效果,結(jié)果表明:NPLS-DA具有更強的判別能力[20]。

Sumaporn K等人測量了摻入水和乳清的牛奶樣本的近紅外反射光譜,在1100～2500 nm范圍內(nèi)比較了DPLS和獨立軟模式法(Soft Independent Modelling of Class Analogy,SIMCA)的定性判別效果,其中DPLS方法的效果最佳,另外文中以真奶∶摻假溶液=1∶1的比例配制摻假牛奶,取得了100%的正確率[21]。

Balabin R.M等人利用近紅外和中紅外技術(shù)測量牛奶、奶粉中的三聚氰胺濃度,分別比較多項式最小二乘法(polynomial partial least squares regression,Poly-PLS)、OPLS-DA、ANN、支持向量回歸(support vector regression,SVR)、LS-SVM等方法對摻雜乳制品的判別效果,結(jié)果表明針對較低濃度的三聚氰胺,Poly-PLS具有更強的判別能力,對于較高濃度的三聚氰胺的測量,近紅外技術(shù)的判別效果優(yōu)于中紅外,其中這兩個檢測技術(shù)的檢測限為0.76 ppm[22]。

從上述判別情況來看,摻假牛奶的判別率可達90%以上,說明近紅外技術(shù)在這方面已經(jīng)較為成熟,但該技術(shù)多為檢測已知的摻假物。在檢測中常見的摻雜物如尿素、糊精、葡萄糖、奶油、淀粉都被考慮在內(nèi),透射和反射兩種測量方式也都被嘗試;在分析方法上,常規(guī)光譜分析與二維相關(guān)譜分析均被采用,各研究小組分別嘗試采用各種定性判別算法對摻雜牛奶進行識別,對于實驗室樣本的識別率基本都在90%以上,其中PLS的改進算法的判別效果較佳。但摻假物濃度越高,其近紅外模型的判別正確率越高[23]。另外,判別算法的高識別率僅限于實驗室精心配置樣本,而市場上的樣本摻雜物種類和含量均未知,具有更多的不確定性,因此距離實用尚有距離。

在定性判別的基礎(chǔ)上,還有一些研究人員考察了對摻雜物的定量分析,如楊仁杰等人制備40個摻雜尿素(1～20 g/L)的牛奶樣品,在4200～4800 cm-1波段內(nèi),對尿素含量建立偏最小二乘(Partial Least Squares,PLS)定量模型,尿素的預(yù)測濃度與參考濃度之間相關(guān)超過0.99,預(yù)測均方根誤差(Root Mean Square Error of Prediction,RMSEP)為 0.219 g/L[19]。

李亮等人也對牛奶中摻入的植物奶油、植物蛋白以及淀粉含量建立PLS模型,預(yù)測方根誤差(Square Error of Prediction,SEP)分別為0.323%、0.0288%、0.068%[12]。

張露等人在可見-近紅外(350～1800 nm)范圍采集了摻雜三聚氰胺(0～1000 ppm)的牛奶樣本的反射光譜,在全譜范圍內(nèi)采用PLS、區(qū)間偏最小二乘法(Interval Partial Least Squares,IPLS)及聯(lián)合區(qū)間偏最小二乘法(Synergy Interval Partial Least Squares,SIPLS)建立三聚氰胺濃度的定量模型,其中SIPLS模型預(yù)測準(zhǔn)確性最佳[24]。

Jha S.N等人向牛奶中摻入植物油、尿素、洗衣粉/洗發(fā)水、燒堿、糖/鹽和脫脂奶粉制,采集純牛奶和摻假牛奶樣本的近紅外光譜,確定了尿素、燒堿、植物油、洗發(fā)水的建模的最佳波段分別為996.6～1021.8,945.8～977.6,926.6～961.7,933～945.8 nm。利用多元線性回歸建立上述摻假物濃度的定量模型,其中模型的R2分別為0.98、0.95、0.89、0.69,SEP分別為0.78、0.88、2.53、3.83[25]。

Sumaporn K等人對牛奶樣本中摻入水和乳清,建立PLS定量模型,RMSEP分別為2.242%和0.474%[21]。

Hsieh C.L.等人向牛乳中摻入不同比例(0%～100%)的奶粉,在可見光和近紅外波段范圍內(nèi)利用LS-SVM建立奶粉濃度的定量模型,該模型R2為0.9662到0.9777,其中摻假率10%以下的樣品的鑒別效果不好[26]。

除了這些常見的人為摻雜物,牛奶中還可能存在一些抗生素的殘留。如馬小紅等人采集了84個含青霉素(0～300×10-9g/L)的牛奶樣本的近紅外反射光譜,在1200～1850 nm范圍內(nèi)對青霉素建立基于改進的PLS定量模型,決定系數(shù)R2為0.975,相對標(biāo)準(zhǔn)差為12.87%,這表明預(yù)測青霉素濃度是可行的[27]。

王彩云等人配制含有氯霉素0.1426～4.8857 μg/mL的64個牛奶樣本,采用PLS,在6101.9～5446.2 cm-1范圍內(nèi)建立氯霉素含量的定量模型,模型的決定系數(shù)R2為0.996,RMSEP為0.228%,表明近紅外光譜可有效測定牛奶中的氯霉素殘留[28]。

Sivakesava S等人利用傅里葉變換中紅外(FT-MIR)和傅里葉變換近紅外(FT-NIR)光譜技術(shù)對牛奶中的四環(huán)素(4～2000 ppb)進行測量,結(jié)合PLS建立四環(huán)素濃度的定量模型。對于FT-NIR建立的預(yù)測模型:當(dāng)濃度為4～520 ppb時R2為0.85,SEP為123 ppb;濃度為520～2000 ppb的R2為0.67,SEP為260 ppb。而對于FT-MIR建立的預(yù)測模型,兩個濃度下的R2均為為0.89,SEP分別為89和181。這表明雖然近紅外技術(shù)對于抗生素殘留的檢測可行,但預(yù)測模型的誤差較大[29]。

近幾年,比牛奶更易吸收,并同樣蘊含很多營養(yǎng)元素的羊奶漸漸進入市場,不法商販也逐漸將視線移向羊奶,因而,有關(guān)羊奶摻雜的研究也隨之出現(xiàn)。褚瑩等人將與羊奶密度相等的淀粉溶液、含尿素的淀粉溶液、含尿素和奶油的淀粉溶液,按不同比例摻入純羊奶中,采集其近紅外反射光譜,在11995.4～7498.1 cm-1及5777.8～5450 cm-1范圍內(nèi)分別采用DPLS、Fisher線性判別和多層感知器(Multilayer Perceptron,MLP)神經(jīng)網(wǎng)絡(luò)對真假羊奶進行鑒別,其中MLP神經(jīng)網(wǎng)絡(luò)的鑒別效果最好[31]。

褚瑩等人還測量了含有奶油(1%～10%)和還原奶(10%～100%)的羊奶樣本的近紅外反射光譜,基于PCA和MLP神經(jīng)網(wǎng)絡(luò)進行定性判別,準(zhǔn)確率都為100%[32]。

曹佳等人采集含有不同比例的植物蛋白的摻假羊奶的近紅外透射光譜,在全譜范圍內(nèi)比較了改進偏最小二乘、PLS、PCA等方法對摻入的植物蛋白含量進行定量,結(jié)果表明,改進PLS定量效果最佳,預(yù)測標(biāo)準(zhǔn)差為0.0031%[33]。

整體來看,關(guān)于液態(tài)奶的常見摻假物的定性判別大多在1%(甚至是5%)以上的準(zhǔn)確率較高,而定量模型大多針對較高濃度的摻假物建立,這說明近紅外技術(shù)對低濃度摻假物信號的靈敏度低,隨著摻假物濃度的升高,近紅外技術(shù)測量的精度也隨之提高。無論是定性判別還是定量測量,近紅外技術(shù)針對摻假物的測量精度依賴于PLS方法,而且改進的PLS方法進行定性判別的準(zhǔn)確率高于其他方法。

3　近紅外光譜技術(shù)在蜂蜜摻假檢測中的應(yīng)用

蜂蜜是一種天然的保健食品,具有很高的營養(yǎng)價值,其主要成分為糖類。不法商販為了達到增稠,添色,加香等目的,常用葡萄糖、果糖、蔗糖、高果糖漿、甜菜糖漿、果葡糖漿等摻入蜂蜜,還有用較為廉價的蜂蜜摻入到較為珍貴的蜂蜜中以次充好。

鐘艷萍等人選用荊條蜜、槐花蜜、油菜蜜、棗花蜜以及紫云英蜜等真蜜樣本49個和摻假蜜樣本48個,采集其近紅外透反射光譜,采用PCA結(jié)合馬氏距離判別法,在6100～5700 cm-1區(qū)間建立真假蜂蜜的判別模型,真?zhèn)舞b別率為93.10%[34]。

莫菲凡等人采集了60個含有果葡混合糖漿(1%～50%)的蜂蜜樣本的近紅外透反射光譜,采用隨機森林方法建立定性判別模型,對訓(xùn)練集和預(yù)測集的判別率分別為100%和95%,表明該方法適用于蜂蜜真?zhèn)舞b別,且需要優(yōu)化的參數(shù)較少,易于推廣[35]。

李水芳等人在8種真蜂蜜中分別摻入麥芽糖漿(5%～65%)配制成摻偽蜂蜜樣本,采集其近紅外透反射光譜,進行二階微分加自歸一化法預(yù)處理后,采用PLS和線性判別分析(Linear Discriminant Analysis,LDA)建立真假蜂蜜的定性模型,誤判率為0[36]。2011年李水芳等人同樣取8種蜂蜜摻入葡萄糖溶液(5%～65%),采集樣本的透反射光譜數(shù)據(jù),在4000～5500 cm-1和9200～10000 cm-1范圍內(nèi),采用PLS-LDA建立真假蜂蜜的定性模型,其判別正確率達到100%[37]。2013年李水芳等人將甜菜糖漿摻入到不同植物來源的蜂蜜(10%～40%)和同一植物來源的油菜蜜(1%～35%)中,采集近紅外透反射光譜,采用距離匹配法(Distance Match,DM)、馬氏距離、DPLS建立定性模型,模型準(zhǔn)確率分別為74.5%、52.9%、90.2%。當(dāng)用這三種判別方法對摻假量等級進行判別分析時,預(yù)測集全部樣本的判別總正確率分別只有31.5%、33.3%、25.9%[38]。

關(guān)于摻雜蜂蜜的檢測已有多種化學(xué)計量學(xué)方法,針對這些分析方法,研究人員進行比較分析,如屠振華等人在21 種蜂蜜中摻入果葡糖漿和果葡糖水(7%～21%),采集其近紅外透反射光譜,在800～2500 nm區(qū)間采用DPLS、SIMCA、BP神經(jīng)網(wǎng)絡(luò)和LS-SVM方法判別蜂蜜真假。結(jié)果表明,在兩種摻假情況下,LS-SVM模型的鑒別效果最好[39]。

Deirdre Toher等人向蜂蜜中摻入果糖(7%～21%)、甜菜糖漿(7%～70%)、玉米糖漿(10%～70%),采集摻假蜂蜜的近紅外光譜,利用PLS方法分別結(jié)合貝葉斯和5層交叉驗證對摻雜蜂蜜的進行判別分析,結(jié)果表明:特別是在訓(xùn)練數(shù)據(jù)集小的情況下,貝葉斯結(jié)合PLS方法建立的模型更加穩(wěn)健[40]。

Gerard Downey等人向蜂蜜中摻入果糖和葡萄糖(混合比例為0.7∶1,1.2∶1,2.3∶1)的混合物(7%～21%),采集摻雜蜂蜜的可見-近紅外反射光譜,利用PLS,KNN,SIMCA建立定性模型,其中PLS的判別效果最好[41]。

從上述定性檢測來看,摻假物濃度在1%以上的判別準(zhǔn)確率較高。也有研究人員對不同的化學(xué)計量學(xué)方法進行比較,但不同課題組針對不同摻雜物,得出的關(guān)于判別方法優(yōu)劣性的結(jié)論并不一致,因此很難判斷何種判別方法更適合蜂蜜樣本的摻雜檢測,但大多數(shù)研究人員選用近紅外技術(shù)結(jié)合PLS方法。

關(guān)于摻雜蜂蜜的定量測量的研究較少,如李水芳等人還向油菜蜜和向日葵蜜中摻入麥芽糖漿(1%～35%),應(yīng)用競爭性自適應(yīng)重加權(quán)算法(Competitive Adaptive Reweighted Sampling,CARS)結(jié)合PLS,建立麥芽糖漿含量的定量模型,兩個模型的R2為0.9996和0.9997,RMSEP為0.1851%和0.1673%[36]。針對摻入葡萄糖溶液的摻雜蜂蜜,李水芳等人又采用CARS結(jié)合PLS針對葡萄糖含量建立定量校正模型,模型的RMSEP達到 2.98%[37]。

Abdul M.Mouazen等人向沙特蜂蜜中加入葡萄糖漿(5%～33%)配制成69個蜂蜜樣本,采集可見-近紅外反射光譜,在305～2200 nm范圍,利用PCA和PLS方法對葡萄糖糖漿含量建立定量模型,R2=0.85,RMSEP=4.52%,說明模型具有較好的預(yù)測效果[42]。

Gy?rgy Bázár向四種不同的洋槐蜂蜜中摻入高果糖玉米糖漿(0～40%),采用近紅外結(jié)合PLS在1300～1800 nm的光譜范圍內(nèi)建立糖漿的定量模型,其中交叉驗證的相關(guān)系數(shù)可達0.996,交叉驗證的均方根誤差(Root mean square error of cross-validation,RMSECV)可達為1.48%。文中還應(yīng)用近紅外技術(shù)和水光譜,描述了水結(jié)構(gòu)在加入摻假物之后發(fā)生了變化,但需要進一步研究[43]。

從以上研究看,近紅外技術(shù)對摻假蜂蜜的定量檢測方法較為單一,幾乎均采用PLS方法建立模型。其中常見摻假物為果糖、葡萄糖溶液、甜菜糖漿、麥芽糖漿等,也有其他廉價蜂蜜摻入到優(yōu)質(zhì)蜂蜜中,但第二種情況大多研究如何鑒別蜂蜜種類。應(yīng)用近紅外技術(shù)對摻雜蜂蜜定性判別的正確率較高,但摻雜物的含量幾乎為1%以上。同時研究中所建立的摻雜物濃度的定量模型,也均針對1%以上的摻雜物濃度,由此看出摻假物濃度較低時,近紅外技術(shù)不能夠精密測量。

4　近紅外光譜技術(shù)在植物油摻假檢測中的應(yīng)用

食用油是人體必不可少的能量和營養(yǎng)來源,同時也是食品工業(yè)的重要基礎(chǔ)原料。一些商販為了利潤常以廉價的植物油如棕櫚油、棉籽油、菜籽油等摻入到優(yōu)質(zhì)油品中用來謀取暴利;還有些廠家將花生香精加入到棕櫚油中調(diào)制出調(diào)和油而按花生油價格出售等。為了保障消費者的利益,保護人們的身心健康,食用油的摻假檢測研究顯得愈發(fā)重要。

王傳現(xiàn)等人將芝麻油、大豆油和葵花籽油(5%～50%)摻入到橄欖油中,采集摻偽橄欖油樣本的近紅外透射光譜,在波段6408～12000 cm-1采用聚類分析法結(jié)合PCA建立定性模型,對未知樣本的正確識別率達100%[44]。

薛雅琳等人對芝麻油、菜籽油、大豆油和花生油進行近紅外全波段掃描,建立數(shù)據(jù)庫模型,對這四種植物油的數(shù)據(jù)群進行聚類分析,還采集摻有菜籽油和棕櫚油的芝麻油的近紅外光譜,運用數(shù)據(jù)庫模型進行定性鑒別,R2分別為1.000、0.996,SEP分別為0.001、0.011[45]。

李紅蓮等人將葵花籽油、大豆油、玉米油和棉花籽油(10%～100%)摻入到花生油,采集其近紅外透射光譜,在5882～5556 cm-1和5405～4762 cm-1區(qū)間采用PCA建立定性模型,判別準(zhǔn)確率為100%[46]。

張菊華等人向茶油中加入菜籽油、大豆油、花生油和芝麻油,采集摻假茶油樣本的近紅外透反射光譜,在5750～6000 cm-1波段內(nèi)采用PCA和DA建立定性模型,兩種方法的分類準(zhǔn)確率均達到98.8%[47]。

周志琴等人以茶樹籽油、花生油和摻入花生油的摻偽茶樹籽油作為樣本,采集樣本的近紅外透反射光譜,在4500～4800 cm-1波段生成二維相關(guān)譜圖,根據(jù)譜圖中特征相關(guān)峰的位置、形狀和強度的差異,可進行定性鑒別[48]。

劉建學(xué)等人將豆油、花生油、棉籽油和菜籽油(0.5%～100%)摻入到純正芝麻油中作為樣本,采集樣本的近紅外透射光譜,采用聚類分析和PCA分別在4389.2～8842.0、7951.1～8888.3、425.8～8830.4和4379.5～8899.9 cm-1波段對應(yīng)建立花生油、豆油、棉籽油和菜籽油的定性模型,對于純正芝麻油和摻假芝麻油(5%～100%)的鑒別率達到100%,但對于小于5%的摻假芝麻油不能區(qū)分出來,說明近紅外光譜分析技術(shù)在檢測摻假芝麻油時的最低摻假下限為5%[49]。

李沂光等采集多種合格食用油和地溝油的透反射光譜,在近紅外全波段采用馬氏距離判別法和BP神經(jīng)網(wǎng)絡(luò)算法建立定性模型,模型的判別準(zhǔn)確率分別為89.71%和97.06%[50]。

孫通等人將菜籽油(1%～10%)摻入到山茶油中作為樣本,采集可見-近紅外透射光譜數(shù)據(jù),在400～1770 nm范圍內(nèi)采用無信息變量消除-遺傳算法(Uninformative Variable Elimination-Genetic Algorithm,UVE-GA)結(jié)合LDA建立定性模型,對摻雜2%以上菜籽油的鑒別正確率為100%,而對摻雜1%菜籽油的山茶油鑒別正確率僅為50%[51]。

貢東軍等人將玉米油(0～100%)摻入到橄欖油中作為樣本,采集樣本的近紅外漫反射光譜,在6270～5440 cm-1波段范圍內(nèi)建立PLS定性模型,校正集樣本和檢驗集樣本的R2均能達到0.9999,標(biāo)準(zhǔn)偏差在0.126%～0.139%之間[52]。

上述研究中應(yīng)用了不同方法對摻假食用油進行定性鑒別,其高濃度摻假物的定性判別模型的準(zhǔn)確率基本達到95%以上,判別效果較好;但對于小濃度摻假物的鑒別,其模型的準(zhǔn)確率較差。上述文獻采用了多種分析方法如聚類分析、PCA、PLS和更為直觀的二維相關(guān)譜圖分析方法,還應(yīng)用UVE-GA方法,鑒別效果較佳。可是由于樣本、預(yù)處理方法以及建立定性模型的算法不能統(tǒng)一,無法判斷優(yōu)劣。其中食用油類定性鑒別國內(nèi)研究較多,而國外多為食用油的種類判別[4-5]。

翁欣欣等人配制摻雜芝麻油、大豆油和葵花籽油(5%～50%)的橄欖油樣本,采集樣本的近紅外透射光譜數(shù)據(jù),在12000～5390 cm-1范圍內(nèi)采用BP神經(jīng)網(wǎng)絡(luò)建立定性模型,準(zhǔn)確率為100%,同時采用PLS分別建立三種摻雜物的定量模型,RMSECV為1.3%、1.1%、1.04%[53]。

馮利輝等人配制摻入不同比例菜籽油(0～70%)的芝麻油樣本,采集其近紅外漫反射光譜,在4500～8745 cm-1范圍內(nèi),采用PLS建立菜籽油含量的定量模型,交互驗證相關(guān)系數(shù)為0.99,交互驗證均方殘差為2.35%[54]。

莊小麗等人分別將菜籽油、玉米油、花生油、山茶油、葵花籽油和罌粟油(0～100%)摻入到純橄欖油中,采集近紅外反射光譜數(shù)據(jù),在8990～6004 cm-1和5736～4569 cm-1波段,采用PLS法分別建立摻雜物的定量分析模型,預(yù)測均方根誤差分別為0.59%、0.50%、0.54%、0.64%、1.81%、1.17%[55]。

劉燕德等人將大豆油、玉米油、花生油(5%～20%)摻入到芝麻油,采集其近紅外透射光譜數(shù)據(jù),在1573～3144 cm-1光譜區(qū)間采用PLS建立各種摻雜物的定量模型,相關(guān)系數(shù)分別為0.998、0.999、0.999,預(yù)測均方根誤差為0.24%、0.24%、0.19%[56]。

原蛟蛟等配制摻入不同比例豆油(0～50%)的茶油樣品,采集其近紅外透射光譜,在5037.16～4728.60、7852.2～7089.04、8577.82～8323.26 cm-1波段范圍內(nèi)采用PLS建立定量模型,校正標(biāo)準(zhǔn)誤差和交叉檢驗標(biāo)準(zhǔn)誤差分別為0.0577%和0.0719%,二者的相關(guān)系數(shù)均為0.99999[57]。

Yang H.等人將橄欖果渣油(0～100%)摻入到初榨橄欖油中,比較分析近紅外光譜技術(shù),傅里葉變換紅外光譜技術(shù)和傅立葉變換拉曼光譜技術(shù),并分別結(jié)合PLS建立渣油濃度的定量模型,其中R2分別為0.990、0.991和0.997,SEP分別為3.27%、3.28%和1.72%,傅里葉變換拉曼光譜技術(shù)的效果最好[58]。

Downe G.向特級初榨橄欖油摻入葵花籽油(1%和5%),采集摻假樣本的可見-近紅外反射光譜,利用SIMCA和PLS在400～2498 nm范圍內(nèi)建立葵花籽油的定量模型,其中R2=0.82,RMSEP=1.24%[59]。

Christy A.A.等人向橄欖油中摻入玉米油、葵花籽油、大豆油、核桃油和榛子油(0～100%),采用近紅外光譜結(jié)合PLS在9000～4500 cm-1范圍內(nèi)建立以上摻假物濃度的定量模型,其中R2均為0.99以上,RMSEP分別為0.57%、1.32%、0.96%、0.56%和0.57%[60]。

Ozdemir D.等人將葵花油(4%～96%)和橄欖油混合,葵花油、玉米油(4%～96%)和橄欖油混合制備二元三元混合物,利用近紅外技術(shù)結(jié)合遺傳逆最小二乘法(Genetic Inverse Least Squares,GILS)分別建立葵花油、玉米油和橄欖油濃度的定量模型,二元混合體系橄欖油、葵花油定量模型的SEP分別為2.49%、2.88%,三元混合體系的橄欖油、葵花油和玉米油定量模型的SEP分別為1.42%、5.42%、6.38%[61]。

Betül ?ztürk等人將橄欖、玉米、葵花籽油、油菜、大豆和棉花混合,利用近紅外技術(shù)結(jié)合GILS建立所有油的定量模型,其中R2在0.90～0.99之間,SEP分別為2.45%、5.09%、3.93%、6.41%、0.94%、2.81%[62]。

Mendes T.O.等人制備摻有大豆油(0～100%)的摻雜橄欖油樣本,比較分析了近紅外、中紅外和拉曼技術(shù)方法,應(yīng)用PLS建立大豆油濃度的定量模型,其中R2均超過0.98,SEP分別為1.76%、4.89%和1.57%[63]。

在以上關(guān)于食用油摻假物的研究中,其中近紅外結(jié)合PLS方法建立定量模型的研究最多,而且建模效果較好,此外還有學(xué)者采用不同于傳統(tǒng)方法的GILS方法,其建立的定量模型預(yù)測效果較佳;摻假物多為廉價植物油,種類繁多,造成摻假食用油樣本體系比較復(fù)雜,不易建立定量模型。另外基于近紅外技術(shù)對摻入食用油中的有害物質(zhì)和近年來引起社會高度關(guān)注的地溝油的檢測研究都比較少,摻假物質(zhì)不夠全面,模型的實用性有待提高。同時,關(guān)于外界擾動對摻偽鑒別的影響的研究也很少。

5　目前近紅外光譜技術(shù)存在的問題和應(yīng)用前景

根據(jù)以上研究,近紅外技術(shù)在定性和定量檢測中的局限性:檢測極限為1%甚至是5%,對低濃度的摻假物不能夠精密測量;檢測已知的摻假物,預(yù)測模型的效果較好,但對食品中中未知的摻假物無法檢測。因而近紅外技術(shù)更適合高濃度的已知摻假物的測量,而且在檢測前基本無需對樣本進行處理,使得檢測過程簡單、便捷,可以同時對多個摻假物快速檢測。從整體來說,近紅外光譜分析技術(shù)具有高效、綠色環(huán)保和經(jīng)濟等突出優(yōu)點,適合且易于推廣應(yīng)用。

關(guān)于液態(tài)摻偽食品檢測研究中還存在著很多問題:如許多文獻中采用的樣品是一些普遍知道的摻偽物質(zhì),范圍比較集中和狹窄;又或是液態(tài)食品會隨著時間,溫度,壓力等改變而變化,光譜信息也會改變,對這種干擾的檢測研究還比較少;國內(nèi)模型建立大部分是實驗室精心配制的,而市場上的樣本摻雜物種類和含量均未知,具有更多的不確定性,因此距離實用尚有距離;還有由于液態(tài)食品種類眾多,導(dǎo)致相互摻雜的可能性大大提高,而且同種食品所摻雜的物質(zhì)也大量存在;其中像牛奶這種混合體,為減少對光的散射影響而做的均質(zhì)處理也可能會對摻假物造成影響;為使建立的模型更具代表性,造成建模的范圍和難度加大,所需要的工作量也越來越多;與近紅外光譜結(jié)合的化學(xué)計量方法和預(yù)處理方法很多很雜亂,雖然已有學(xué)者進行比較研究,但并沒有一個清晰和統(tǒng)一的標(biāo)準(zhǔn)。

近紅外光譜分析技術(shù)已廣泛應(yīng)用于食品的摻偽檢測,在牛奶、蜂蜜、植物油等方面已有大量的研究應(yīng)用。今后的發(fā)展趨勢:不斷完善食品摻偽物的數(shù)據(jù)庫;能夠在線實時監(jiān)控食品中摻偽物;樣本的范圍更加廣泛(品牌和產(chǎn)地);分析溫度、時間、壓力、濕度等因素的影響,建立更加穩(wěn)健的模型;修正液態(tài)食品中的大顆粒對光所造成的散射影響,選擇對樣品破壞小的方法;隨著檢測儀器的發(fā)展,創(chuàng)新更加有效的化學(xué)計量學(xué)方法與近紅外光譜技術(shù)結(jié)合。目前近紅外光譜分析技術(shù)已取得一些進展,但仍有發(fā)展空間,研究之途還很長遠。

[1]陸婉珍.現(xiàn)代近紅外光譜分析技術(shù)[M].北京:中國石化出版社,2007:1-32.

[2]劉福莉,陳華才,姜禮義,等.近紅外透射光譜聚類分析快速鑒別食用油種類[J].中國計量學(xué)院學(xué)報,2008,03:278-282.

[3]劉翠玲,位麗娜,趙薇,等.近紅外光譜技術(shù)在食用油種類鑒別及定量分析中的應(yīng)用[J].中國釀造,2014,11:149-151.

[4]Steuer B,Schulz H,Lager E.Classification and analysis of citrus oils by NIR spectroscopy[J].Food Chemistry,2001,72(1):113-117.

[5]Balabin R M,Safieva R Z,Lomakina E I.Near-infrared(NIR)spectroscopy for motor oil classification:From discriminant analysis to support vector machines[J].Microchemical Journal,2011,98(1):121-128.

[6]楊燕,聶鵬程,楊海清,等.基于可見-近紅外光譜技術(shù)的蜜源快速識別方法[J].農(nóng)業(yè)工程學(xué)報,2010,03:238-242.

[7]Dvash L,Afik O,Shafir S,et al.Determination by near-infrared spectroscopy of perseitol used as a marker for the botanical origin of avocado(Persea americana Mill.)hone[J].Journal of Agricultural and Food Chemistry,2002,50(19):5283-5287.

[8]Kaspar Ruoff,Werner Luginbüh,Stefan Bogdanov,et al.Authentication of the Botanical Origin of Honey by Near-Infrared Spectroscopy[J].Journal of Agricultural and Food Chemistry,2006,54(18):6867-6872.

[10]Aernouts B,Polshin E,Lammertyn J,et al.Visible and near-infrared spectroscopic analysis of raw milk for cow health monitoring: reflectance or transmittance[J].Journal of Dairy Science,2011,94(11):5315-5329.

[11]李亮,王雷鳴,丁武.近紅外光譜技術(shù)結(jié)合人工神經(jīng)網(wǎng)絡(luò)鑒別生鮮奶和蛋白摻假奶[J].食品工業(yè),2009,06:67-70.

[12]李亮,丁武.摻有植物性填充物牛奶的近紅外光譜判別分析[J].光譜學(xué)與光譜分析,2010,05:1238-1242.

[13]苗靜,曹玉珍,楊仁杰,等.基于二維相關(guān)近紅外譜參數(shù)化及BP神經(jīng)網(wǎng)絡(luò)的摻雜牛奶鑒別[J].光譜學(xué)與光譜分析,2013,11:3032-3035.

[14]楊仁杰,楊延榮,董桂梅,等.基于二維紅外相關(guān)譜歐氏距離判別摻雜牛奶[J].光譜學(xué)與光譜分析,2014,08:2098-2101.

[15]鐘珍珍,張立國,張鑫,等.近紅外技術(shù)識別摻假原奶的可行性研究[J].計算機與應(yīng)用化學(xué),2010,12:1691-1693.

[16]郭美蘭,孫正鵬,張超,等.近紅外透反射光譜用于摻假牛奶的快速識別初探[J].化學(xué)世界,2010,05:270-273.

[17]楊延榮,楊仁杰,張志勇,等.紅外光譜結(jié)合核隱變量正交投影法判別摻雜牛奶[J].光學(xué)精密工程,2013,10:2549-2556.

[18]楊延榮,楊仁杰,董桂梅,等.紅外光譜結(jié)合最小二乘支持向量機摻雜牛奶判別方法研究[J].光散射學(xué)報,2014,02:203-207.

[19]楊仁杰,劉蓉,徐可欣.二維相關(guān)光譜結(jié)合偏最小二乘法測定牛奶中的摻雜尿素[J].農(nóng)業(yè)工程學(xué)報,2012,06:259-263.

[20]楊仁杰,劉蓉,徐可欣,等.二維相關(guān)近紅外譜結(jié)合NDPLS判別摻雜牛奶的研究[J].光子學(xué)報,2013,05:580-585.

[21]Sumaporn K,Warunee T,Artaya K.Feasibility of near infrared spectroscopy to detect and to quantify adulterants in cow milk[J].Analytical Sciences,2007,23:907-910.

[22]Balabin R M,Smirnov S V.Melamine detection by mid-and near-infrared(MIR/NIR)spectroscopy:A quick and sensitive method for dairy products analysis including liquid milk,infant formula,and milk powder[J].Talanta,2011,85:562-568.

[23]Zhang L G,Zhang X,Ni L J.Rapid identification of adulterated cow milk by non-linear pattern recognition methods based on near infrared spectroscopy[J].Food Chemistry,2014,145:342-348.

[24]張露,薛龍,劉木華,等.利用可見―近紅外光譜術(shù)無損檢測牛奶中的三聚氰胺[J].中國農(nóng)機化,2012,02:125-127.

[25]Jha S.N.Matsuoka T.Detection of adulterants in milk using near infrared spectroscopy[J].Journal of Food Science and Technology,2004,41(3):313-316.

[26]Hsieh C L,Hung C Y,Kuo C Y.Quantization of Adulteration Ratio of Raw Cow Milk by Least Squares Support Vector Machines(LS-SVM)and Visible/Near Infrared Spectroscopy[C].IFIP Advances in Information and Communication Technology,2011,363:130-139.

[27]馬小紅,趙武奇,谷月,等.牛奶中青霉素近紅外光譜定量分析[J].中國釀造,2012,12:124-127.

[28]王彩云,相秉仁,張偉,等.近紅外光譜法快速檢測牛奶中氯霉素殘留[J].食品科學(xué),2009,06:184-187.

[29]Sivakesava S,Irudayaraj J.Rapid Determination of Tetracycline in Milk by FT-MIR and FT-NIR Spectroscopy[J].Journal of Dairy Science,2002,85(3):487-493.

[31]褚瑩,丁武,丁丁.近紅外光譜法用于摻假羊奶的快速無損鑒別[J].中國乳品工業(yè),2012,02:51-53.

[32]褚瑩,丁武,齊強強.基于近紅外光譜技術(shù)實現(xiàn)摻假山羊奶的定性和定量檢測[J].西北農(nóng)業(yè)學(xué)報,2011,12:192-196.

[33]曹佳,趙武奇,魏振東.摻假羊奶原奶中植物蛋白的近紅外快速檢測[J].農(nóng)產(chǎn)品加工：學(xué)刊,2012,03:131-133.

[34]鐘艷萍,鐘振聲,陳蘭珍,等.近紅外光譜技術(shù)定性鑒別蜂蜜品種及真?zhèn)蔚难芯縖J].現(xiàn)代食品科技,2010,11:1280-1282.

[35]莫菲凡,范偉,周冀衡,等.基于近紅外光譜和隨機森林方法鑒別蜂蜜真?zhèn)蝃J].食品安全質(zhì)量檢測學(xué)報,2014,08:2430-2434.

[36]李水芳,單楊,朱向榮,等.近紅外透反射光譜用于檢測蜂蜜加入麥芽糖漿摻假[J].食品科技,2010,12:299-303.

[37]李水芳,單楊,張欣,等.蜂蜜用葡萄糖溶液摻假的近紅外光譜檢測[J].食品研究與開發(fā),2011,05:114-119.

[38]李水芳,文瑞芝,尹永,等.近紅外光譜法定性定量檢測蜂蜜中摻入甜菜糖漿的可行性研究[J].光譜學(xué)與光譜分析,2013,10:2637-2641.

[39]屠振華,朱大洲,籍保平,等.基于近紅外光譜技術(shù)的蜂蜜摻假識別[J].農(nóng)業(yè)工程學(xué)報,2011,11:382-387.

[40]Toher D,Downey G.,Murphy TB.A comparison of model-based and regression classification techniques applied to near infrared spectroscopic data in food authentication studies[J].Chemometrics and Intelligent Laboratory Systems,2007,89:102-115.

[41]Downey G,Fouratier V,Kellya D.Detection of honey adulteration by addition of fructose and glucose using near infrared transflectance spectroscopy[J].Journal of Near Infrared Spectroscopy,2003,11:447-456.

[42]Abdul M.Mouazen,Noura Al-Walaan.Glucose Adulteration in Saudi Honey with Visible and Near Infrared Spectroscopy[J].International Journal of Food Properties,2014,1710.

[43]Bázár G,Romvári R,Szabó A,et al.NIR detection of honey adulteration reveals differences in water spectral pattern[J].Food Chemistry,2016,194:873-880.

[44]王傳現(xiàn),褚慶華,倪昕路,等.近紅外光譜法用于橄欖油的快速無損鑒別[J].食品科學(xué),2010,24:402-404.

[45]薛雅琳,王雪蓮,張蕊,等.食用植物油摻偽鑒別快速檢驗方法研究[J].中國糧油學(xué)報,2010,10:116-118.

[46]李紅蓮,趙志磊,龐艷蘋,等.近紅外光譜法快速鑒別花生油真?zhèn)渭皳絺纬煞諿J].食品安全質(zhì)量檢測學(xué)報,2010,01:24-29.

[47]張菊華,朱向榮,李高陽,等.近紅外光譜法結(jié)合化學(xué)計量學(xué)方法用于茶油真?zhèn)舞b別分析[J].分析化學(xué),2011,05:748-752.

[48]周志琴,陳斌,顏輝.食用植物油摻偽的二維相關(guān)近紅外光譜分析[J].江蘇農(nóng)業(yè)科學(xué),2011,05:410-412.

[49]劉建學(xué),劉珊珊.芝麻油真?zhèn)慰焖贆z測方法研究[J].中國糧油學(xué)報,2012,12:116-121.

[50]李沂光,單楊,李高陽,等.近紅外光譜法定性檢測餐桌廢棄油脂的摻偽[J].食品工業(yè)科技,2013,20:87-90.

[51]孫通,胡田,許文麗,等.基于UVE-GA變量優(yōu)選的山茶油可見/近紅外光譜摻假鑒別[J].中國油脂,2013,10:75-79.

[52]貢東軍,王宇,董靜,等.基于近紅外光譜的橄欖油中玉米油摻雜量檢測[J].食品工業(yè)科技,2014,04:57-59.

[53]翁欣欣,陸峰,王傳現(xiàn),等.近紅外光譜-BP神經(jīng)網(wǎng)絡(luò)-PLS法用于橄欖油摻雜分析[J].光譜學(xué)與光譜分析,2009,12:3283-3287.

[54]馮利輝,劉波平,張國文,等.芝麻油中摻入菜籽油的近紅外光譜研究[J].食品科學(xué),2009,18:296-299.

[55]莊小麗,相玉紅,強洪,等.近紅外光譜和化學(xué)計量學(xué)方法用于橄欖油品質(zhì)分析與摻雜量檢測[J].光譜學(xué)與光譜分析,2010,04:933-936.

[56]劉燕德,萬常斕.芝麻油摻偽的近紅外透射光譜檢測技術(shù)[J].農(nóng)業(yè)機械學(xué)報,2012,07:136-140.

[57]原姣姣,王成章,陳虹霞.近紅外透射光譜分析油茶籽油摻入豆油的研究[J].中國糧油學(xué)報,2012,03:110-114.

[58]Yang H,Irudayaraj J.Comparison of Near Infrared,Fourier Transform Infrared,and Fourier Transform-Raman Methods for Determining Olive Pomace Oil Adulteration in Extra Virgin Olive Oil[J].H Yang,J Irudayaraj-Journal of the American Oil Chemists’ Society,2001,78(9):889-895.

[59]Downe G,McIntyre P,Davies A N.Detecting and Quantifying Sunflower Oil Adulteration in Extra Virgin Olive Oils from the Eastern Mediterranean by Visible and Near-Infrared Spectroscopy[J].Journal of Agricultural and Food Chemistry,2002,50:5520-5525.

[60]Christy A A,Kasemsumran S,Du Y,OZAKI Y.The Detection and Quantification of Adulteration in Olive Oil by Near-Infrared Spectroscopy and Chemometrics[J].Analytical Sciences,2004,20(6):935-940.

[61]Ozdemir D,Ozturk B.Near Infrared Spectroscopic Determination of Olive Oil Adulteration with Sunflower and Corn Oil[J].Journal of Food and Drug Analysis,2007,15(1):40-47.

[62]?ztürk B,Yal?in A,?zdemir D.Determination of olive oil adulteration with vegetable oils by near infrared spectroscopy coupled with multivariate calibration[J].Journal of Near Infrared Spectroscopy,2010,18(3):191-201.

[63]Mendes T O,da Rocha R A,Porto B L S,et al.Quantification of Extra-virgin Olive Oil Adulteration with Soybean Oil:a Comparative Study of NIR,MIR,and Raman Spectroscopy Associated with Chemometric Approaches[J].Food Analytical Methods,2015,8(9):2339-2346.

Research progress in the application of near-infrared spectroscopy on the adulteration detection of liquid food

WANG Jun,LIU Rong

(State Key Lab of Precision Measurement Technology and Instruments,Tianjin University,Tianjin 300072,China)

In recent years,food safety incidents have shown a tendency to increase.As one of detection methods to be capable of authenticating and classifying food products,near-infrared(NIR)spectroscopy analysis has received more concerns in public because it is a new type of analyzing technology with advantages of celerity,convenient,economic and less pollution.Development of NIR spectroscopy analysis applied in the detection of adulteration regarding milk,honey and cooking oil were reviewed in this article.Problems and development trend of NIR spectroscopy for this field were also discussed.

near infrared spectroscopy;liquid food;adulteration detection;development

2015-08-31

王君(1992-)，女，碩士研究生，研究方向：光譜應(yīng)用和食品安全檢測,E-mail:wangjun201@tju.edu.cn。

劉蓉(1978-)，女，博士，副教授，研究方向：組織光學(xué)和光譜應(yīng)用,E-mail:rongliu@tju.edu.cn。

國家自然科學(xué)基金項目(81401454，81471698)資助。

TS201

A

1002-0306(2016)07-0374-08

10.13386/j.issn1002-0306.2016.07.064