低場核磁共振結合多元校正對休閑豆干水分含量的快速測定

夏霞明，夏阿林，吉琳琳

(邵陽學院食品與化學工程學院，湖南邵陽 422000)

豆腐干營養豐富、均衡，容易被人體消化吸收，常被譽為“植物肉”之稱。休閑豆干是將豆腐干經過鹵制、調味、殺菌等工藝加工而成的小包裝食品，其風味多樣，味美可口，越來越受消費者喜愛[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系。水分含量過高會使豆干食品容易滋生微生物而變質。在許多情況下，豆干的水分含量將會影響休閑豆干的保質期。休閑豆干的水分含量作為其品質的一項重要質量指標，必須進行嚴格監控。傳統的水分測定方法，一般采用干燥法、蒸餾法等。這些方法耗時費力，難以滿足大批量樣品的測定。

低場核磁共振(LF-NMR)是應用于食品領域的一項新技術，與目前可知的其他技術相比，具有快速、無損、準確，且無需任何化學試劑等優點，現已廣泛應用于食品行業[2-7]。化學計量學是當代化學與分析化學的重要發展前沿[8-14]，是復雜樣品體系解析的重要工具，該方法引入食品領域[15-17]，為休閑豆干的快速分析提供了新的血液。多元校正是化學計量學研究中的一個十分重要的內容，它從化學量測數據出發，通過解析量測數據與目標指標之間的關系來獲取體系的定量結果，是分析復雜體系的一個有力手段。常用的多元校正方法包括偏最小二乘法、支持向量機、人工神經網絡等[18]，近年來在農業和食品領域得到了相當廣泛的應用[19-20]。筆者利用低場核磁共振分析儀，以休閑豆干為研究對象，結合偏最小二乘和人工神經網絡法，對豆干水分含量進行快速檢測。

1　材料與方法

1.1試材休閑豆干樣品全部購于某大型超市。分批次購買5個品牌不同風味的休閑豆干作為研究對象。豆干都為獨立包裝，每小包質量為20～30 g。各個品牌和風味隨機挑選，共獲得186小包，每小包作為一個樣品，即共獲得186個樣品。

1.2儀器與設備MQC-23臺式核磁共振儀(氫的共振頻率為23 MHz，配套數據分析軟件WinDXP和26mm核磁共振專用樣品管)，英國牛津公司(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電熱鼓風干燥箱。

1.3方法

1.3.1低場核磁共振檢測。將要測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作為測量樣品，再將該樣品裝入26 mm核磁樣品管，放入儀器的測量池中，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)脈沖序列測量樣品的橫向弛豫時間(T2)。儀器參數設置如下：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，重復采樣時間(RD)=1 000 ms，累加次數(NS)=16，半回波時間(TAU)=3 000 μs，回波個數(NECH)=256個。測得的回波曲線經反演后獲得橫向弛豫時間反演譜(T2譜)，取它們平均值作為測量結果，共獲得186個樣品的T2譜數據。所有樣品T2譜如圖1所示。

圖1　豆干樣品的橫向弛豫時間(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用[21]。該研究采用留一交互驗證法[21]來確定最佳主成分數。評價標準采用交互驗證均方根誤差(RMSECV)，表達式：

1.3.3人工神經網絡。人工神經網絡具有自適應、自組織和自學習的特點，信息并行處理及分布式地存儲于各連接權重中，進而具有很強的容錯和非線性映照能力。它采用的機理完全不同于傳統人工智能和信息處理技術，克服了傳統的基于邏輯符號的人工智能在處理直覺、非結構化信息方面的缺陷[22]。誤差反向人工神經網絡(BP-ANN)是應用最廣的人工神經網絡方法，一般由輸入層、隱含層和輸出層三部分構成。該研究采用誤差反向人工神經網絡方法，使用Levenberg-Marquardt優化方法作為訓練函數。學習函數采用帶動量梯度下降的權值和偏置值學習函數。輸入和輸出層的節點數是按照分析的要求來設計的。輸入層節點數可以按照需要求解的問題和數據表示的方式而定。一般來說，問題確定之后，輸入與輸出層的節點數就可以確定了。該研究的輸入層節點數為核磁共振譜橫向弛豫時間反演曲線(T2譜)數據點數(即128個點)。

隱含層單元數的選擇是神經網絡設計中非常重要的一個環節，也是一個十分復雜的問題。往往根據前人設計者的經驗和自己通過多次試驗來確定，迄今為止還未找到一個理想的解析式來表示。一般在選擇隱含層節點數時，都會參考以下經驗公式[23]：

(1)

n1=log2n

(2)

(3)

式中,n為輸入節點數;m為輸出節點數;常數a=1～10;n1為隱含層節點數。

隱含層和輸出層的轉換函數都采用雙曲線正切函數(tansig函數)：

(4)

人工神經網絡訓練時收斂判別方法采用誤差平方和(SSE)計算：

(5)

式中,m為訓練集中樣本數，n為輸出節點數，Eij為期望輸出值，Oij為訓練實際輸出值。

1.4數據處理NMR測量采用CPMG脈沖序列測得樣品的回波信號衰減數據。用WinDXP軟件對樣本回波數據進行反演擬合，可得到T2譜。人工神經網絡和偏最小二乘算法程序都在MATLAB軟件平臺上編寫或調用MATLAB工具箱，作圖軟件使用Origin軟件。

2　結果與分析

2.1樣品及參考值分析從全部186個豆干樣品中，隨機選取116個作為校正樣品，剩余70個樣品作為預測樣品。每個樣品被低場核磁共振儀測量后，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。測定方法按照國標GB 5009.3—2016(食品中水分的測定)第一法進行水分測定。豆干水分的化學值統計結果如表1所示。

表1　豆干水分化學值的統計結果

2.2建模與預測使用偏最小二乘方法(PLS)對校正集豆干樣品進行訓練。采用留一交互驗證法來確定最佳主成分數并建模。RMSECV與所選主成分的關系如圖2所示。由圖2可知，主成分數為10時，RMSECV最小，故選擇10作為模型最佳主成分數。訓練完成后，建立 PLS校正模型。運用所建模型對70個預測集樣本進行預測，預測值與化學值(參考值)的相關曲線如圖3所示。由圖3可見，PLS方法獲得的水分預測值與化學值之間具有較好的相關性。使用誤差反向傳播人工神經網絡方法(BP-ANN)也對校正集豆干樣品進行訓練。經過訓練優化后，固定權值和偏置值參數，獲得BP-ANN校正模型。運用所建模型對預測集豆干樣品進行預測，結果發現(圖4)，預測值與化學值之間也具有較好的相關性。從2種方法模型的分析結果(表2)可看出，對于校正集均方根誤差(RMSEC)與校正集相關系數(Rc)，相比BP-ANN方法，PLS方法預測結果要稍微好些；對于預測集均方根誤差(RMSEP)與預測集相關系數(Rp)，相比PLS方法，BP-ANN方法預測結果好一點。由此可見，2種多元校正方法均能較好地快速測定休閑豆干中的水分。

圖2　交互驗證均方根誤差與主成分數的關系Fig.2　The relationship between RMSECV and the number of principal component

圖3　豆干預測集樣品水分的化學值與PLS方法獲得的預測值關系Fig.3　Correlation of chemical value and predicted value by PLS for dried tofu moisture of prediction set samples

圖4　豆干預測集樣品水分的化學值與BP-ANN方法獲得的預測值關系Fig.4　Correlation of chemical value and predicted value by BP-ANN for dried tofu moisture of prediction set samples

3　結論

低場核磁共振信號橫向弛豫時間(T2)與氫質子的存在狀態和所處物理化學環境有關，因此T2譜包含許多樣品內部的信息，這樣可以使用化學計量學多元校正的方法對T2譜進行信息提取，建立模型，實現對休閑豆干的水分快速檢測。該研究采用PLS和BP-ANN方法分析休閑豆干樣品的低場核磁共振橫向弛豫時間反演數據，快速測定豆干水分含量，結果顯示，這2種多元校正方法模型預測均能獲得較好的結果。因此，采用低場核磁共振技術結合多元校正方法能夠快速且準確地對休閑豆干的水分含量進行預測，為豆干品質的快速測定與完善豆干質量保障和監督體系提供理論與技術支持。

表2PLS和BP-ANN分析豆干水分的結果

Table2TheresultsofdriedtofumoistureforPLSandBP-ANN

方法MethodRMSECRcRMSEPRpPLS0.02720.92350.02480.9189BP-ANN0.02810.91760.02230.9215

[1] 楊倩.調味豆腐干加工及保藏的研究[D].無錫:江南大學,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.化學計量學[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.現代近紅外光譜分析技術[M].北京:石油化工出版社,1999.

[22] HAYKIN S.神經網絡與機器學習[M].申富饒,徐燁,等譯.3版.北京: 機械工業出版社,2017: 197.

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