基于NIRS的茶籽調和油脂肪酸品質快速檢測方法研究

張菊華，朱向榮，尚雪波，卞建明，陽秀蓮

（1.湖南省農業科學院，湖南省食品測試分析中心，湖南長沙410125；2.湖南大學研究生院隆平分院，湖南長沙410125）

純植物油如茶籽油、菜籽油等脂肪酸含量如飽和脂肪酸（saturated fatty acid，SFA）、單不飽和脂肪酸（monounsaturated fatty acid，MUFA）、多不飽和脂肪酸（polyunsaturated fatty acid，PUFA）有固定的區間值，難以改變；而植物調和油可以調節不同的原料油比例，有效地改善普通植物油營養成分單一的缺點，達到營養均衡的目的[1]。因此，脂肪酸是否均衡是衡量植物調和油是否營養合理的指標，調和油的升級換代都是以脂肪酸均衡的程度為基礎[2]。目前調和油消費占到了食用油市場的三分之一，其市場份額還在上升，已占到農村市場的90%以上。茶籽調和油，是指包含茶油的2種及2種以上的食用植物油配制而成的食用油脂。據調查，市場上茶籽調和油的包裝上只是標注了調和用油品種，如菜籽油、玉米油、大豆油等，絕大多數茶籽調和油并沒有標明各油脂所占比例，生產企業可隨意調制，這樣存在的問題是沒有從脂肪酸平衡這一根本的營養目標來生產調和油。我國建議膳食油脂所含SFA∶MUFA∶PUFA的比例以（≤0.4）∶1.2∶1為宜[3]，國內研究者開展了一系列基于脂肪酸平衡的營養調和油的調制[4-6]。因此快速測定三種脂肪酸含量對于評價茶籽調和油營養有重要意義。

茶籽調和油脂肪酸含量的測定方法主要是采用氣相色譜法[7-9]或氣質聯用法[10-11]，色譜法定量成本高，耗時且對樣品具有破壞性，同時對實驗人員技術要求較高[12]，限制了對大批量樣本的快速測定。因此建立茶籽調和油的脂肪酸含量快速檢測方法對于快速評價茶籽調和油品質具有重要作用。近紅外光譜法（near infrared spectroscopy，NIRS）具有分析速度快、產出多，不破壞樣品、不用試劑、不污染環境等特點[13]，在分析測定中具有明顯的優勢。王鐸開展NIRS技術應用于大豆及植物油單脂肪酸含量測定[14]。本研究擬采用NIRS技術結合化學計量學方法測定茶籽調和油脂肪酸含量，從而達到茶籽調和油質量安全科學監管的目的。

1 材料與方法

1.1 儀器與試劑

GC 2010氣相色譜儀：日本Shimadzu公司；Nicolet AntarisⅡ傅里葉變換近紅外光譜儀：美國Thermo公司；數據處理軟件：Matlab7.8軟件：Mathwork Inc。

37種脂肪酸甲酯混標：SIGMA-ALDRICH公司；甲醇（色譜純）：TEDIA公司；異辛烷（色譜純）：KERMEL公司；KOH（分析純）：汕頭市西隴化工有限公司；NaHSO4（分析純）：上海市振興化工有限公司。

1.2 方法

1.2.1 樣本選取

本試驗樣本選取從自配的不同調配比例的二元體系調和油中選擇樣本28個（茶油×大豆油6個、茶籽油×棉籽油6個、茶籽油×菜籽油6個、茶籽油×玉米油5個、茶籽油×棕櫚油5個），三元體系調和油樣本56個（茶籽油×菜籽油×大豆油14個、茶籽油×菜籽油×棕櫚油14個、茶籽油×菜籽油×棉籽油14個、茶籽油×菜籽油×玉米油14個），多元體系調和油4個，市場購買的茶籽調和油樣本13個，茶籽調和油樣本總數共計101個。

1.2.2 氣相色譜方法

氣相色譜法（Gas Chromatography，GC）前處理方法[7]。稱取油樣0.06 g于10 mL具塞試管中，用移液槍移取4 mL異辛烷溶解，再加入2 mol/L的氫氧化鉀甲醇溶液200 μL，蓋上玻璃塞旋渦混合30 s后靜置至澄清。再向溶液中加入1 g硫酸氫鈉，旋渦混合中和氫氧化鉀。待鹽沉淀后，將上層甲酯溶液倒入進樣瓶中上GC分析。

GC色譜條件為色譜柱：HP-88（100 m×0.25 mm×0.25 μm）；進樣口：260 ℃；柱流速：氮氣 1.1 mL/min；程序升溫140℃（5 min）4℃/min 240℃（20 min）；檢測器FID：250℃；氫氣 40.0 mL/min；空氣 400 mL/min；尾吹30.0 mL/min；分流比 10 ∶1。

1.2.3 近紅外光譜方法

以美國Thermo公司的Nicolet AntarisⅡ傅里葉變換近紅外光譜儀作為采樣設備，其配有FOSS公司金反射板的樣品杯，在樣品杯中倒入2 mL的油樣，然后用金反射板小心蓋壓在樣品杯中，以消除氣泡對光程的影響；近紅外光譜儀采用透反射檢測系統對各個茶籽調和油樣本進行光譜采集，條件參數為如下：NIR光譜掃描波數10 000 cm-1～4 000 cm-1，掃描次數為64次，分辨率設為8 cm-1，以內置背景為參照。每個茶籽調和油樣本進行4次平行試驗，取其平均光譜作為該樣品的標準光譜。

1.2.4 數據處理軟件

應用Matlab 7.1定量分析軟件中的偏最小二乘法（partial least-squares，PLS）進行建模。

2 結果與討論

2.1 茶籽調和油樣本近紅外光譜采集

圖1為茶籽調和油代表性樣本的近紅外光譜圖，記錄了10 000 cm-1～4 000 cm-1波數下樣本的NIR光譜。油脂中不同脂肪酸所屬的近紅外光譜波數，飽和脂肪酸位于 5 682 cm-1；C18：1，C18：2 和 C18：3在5 797、5 824、5 868 cm-1處有最大吸收[12]。

2.2 茶籽調和油脂肪酸含量測定

圖1 茶籽調和油樣本的近紅外光譜圖Fig.1 The representative NIR spectrum of camellia blend oil sample

本試驗共收集101個茶籽調和油樣本，首先按照GB5009.168-2016《食品安全國家標準食品中脂肪酸的測定》測定了樣品中 SFA（C16：0+C18：0）、MUFA（C18：1），PUFA（C18：2+C18：3）的相對百分含量。37種脂肪酸甲酯標樣各組分色譜圖如圖2。

圖2 37種脂肪酸甲酯標樣氣相色譜圖Fig.2 The GC chromatography of mixed fatty acid methyl ester standards

2.3 MUFA（C18：1）近紅外模型的建立與結果分析

2.3.1 光譜預處理優化

采用不處理（None）、均值中心化[15]（mean centering，MC）、多元散射校正[16]（multiple scatter correction，MSC）、標準正態變量變換[17]（standard normal variate，SNV）、最大最小歸一化[18]（min-maxnormalization，MMN）、一階導數法（first derivative，FD）、二階導數法（second derivative，SD）光譜處理方法，以及幾種預處理相互結合，共15種光譜預處理手段。以訓練集預測標準差（standard error of prediction，SEP） 值和決定系數（Rc2，coefficient of determination）為模型評價指標，處理結果如表1所示。

表1 采用不同光譜預處理方法得到的預測誤差Table 1 Prediction error obtained by different spectral pretreatment methods

續表1 采用不同光譜預處理方法得到的預測誤差Continue table 1 Prediction error obtained by different spectral pretreatment methods

可以看出，導數處理前后，SEP值差異不多，主要是由于油脂內部基質組成復雜，采用導數處理，在消除斜坡背景的同時，噪聲的響應值也得到了放大，信噪比下降較多，最終導致了模型結果較差。SNV可以克服近紅外光譜變量多、共線性強等缺點，消除表面散射以及光程變化對漫反射光譜的影響[19]，最后確定采用SNV進行處理得到最優結果。

圖3為采用SNV處理得到預測結果誤差圖。訓練集誤差在PLS主因子數為11個時最小，此時，SEP值為 1.473，PRESS 為 162.77。

2.3.2 outlier奇異值剔除

圖3 采用SNV處理得到的主因子分析圖Fig.3 The main factor analysis by SNV treatment

奇異值的存在會在一定程度上影響甚至改變整體數據的分布趨勢，從而影響模型的準確性，所以奇異值的有效剔除是提高校正模型精度的關鍵[20-21]。通過交叉驗證[22]，確定了11個主成分為油脂C18：1值PLS模型的最佳主成分。以濃度F值和光譜殘差F值作為評價指標，采用Haaland法[23]對C18：1值進行奇異值的剔除，結果如圖4所示。

圖4 訓練集outlier整體F比值圖Fig.4 F ratio plot of training set showing outliers

圖 4（a）中，36 號樣本的 F 值為 4.033，42 號樣本的F值為1.032，55號樣本的F值為13.018，均超過了設定閾值1。圖4（b）中，36、42以及55號樣本的光譜殘差均超過了設定值10，所以這3個樣本是奇異值，予以剔除。

為了驗證Haaland法的可靠性，比較異常值剔除前后均方根值（root mean square，RMS）值的變化。未剔除前，訓練集的SEP值為1.07，Rc2為0.986，預測集的預測誤差均方根差（root mean square error of prediction，RMSEP）值為 2.50，Rp2為 0.972；剔除后，訓練集 SEP值為0.773，Rc2為0.996，預測集RMSEP值為0.768，Rp2為0.999。由此可見，經過奇異值剔除處理后，模型的總體誤差都得到了降低，校正性能和預測性能均得到了提高，特別是校正模型的誤差幅度。這可能是由于奇異樣本影響了整個樣本集的數據結構，從而導致了整個模型的預測精度降低。

2.3.3 預測結果

采用 Kennard Stone（KS）法[24-25]以及 Haaland 法對C18：1值的進行樣本劃分和奇異值剔除，使用SNV對光譜進行預處理，建立了C18：1值的PLS模型并進行了預測。圖5為模型預測的決定系數圖。采用SNV預處理，預測集的RMSEP值與Rp2分別為0.768和0.999，相關性較好，該方法能夠較好地逼近試驗值。

圖5 單不飽和脂肪酸預測集相關圖Fig.5 Correlation plot of predicting set for MUFA

2.4 SFA（C16：0+C18：0）近紅外模型的建立與結果分析

采用MC處理，利用PLS建模，確定12個主成分。建模及預測如圖6所示。

圖6 飽和脂肪酸訓練集和預測集相關圖Fig.6 Correlation plot of training set and predicting set for SFA

此時，交叉驗證均方根（root mean square error of cross validation，RMSECV）=0.232，RMSEP 值為 0.274，訓練集決定系數Rc2為0.999，預測集決定系數Rp2為0.997。

2.5 PUFA（C18：2+18：3）近紅外模型的建立與結果分析

剔除1個異常值，采用kennard-stone法對100個樣本進行劃分，訓練集為75個樣本，預測集為25個樣本。采用MC處理，利用PLS建模，確定12個主成分。建模及預測如圖7所示。

圖7 多不飽和脂肪酸訓練集和預測集相關圖Fig.7 Correlation plot of training set and predicting set for PUFA

此時，RMSECV=0.873，RMSEP 值為 0.963，訓練集決定系數Rc2為0.994，預測集決定系數Rp2為0.995。訓練集平均相對誤差（average relative error，ARE）為2.1%，預測集ARE為2.0%。

3 結論

本文采用近紅外光譜技術結合化學計量學方法建立茶籽調和油中SFA、MUFA和PUFA含量預測的PLS模型，預測結果良好。SFA、MUFA和PUFA預測集的 RMSEP 別為 0.274、0.768、0.963，Rp2分別為 0.997、0.999、0.995。研究結果表明，NIRS法可以作為一種簡單、快速、準確和無損的檢測方法來定量分析油茶籽油中SFA、MUFA和PUFA含量，從而鑒別茶籽調和油脂肪酸是否平衡，達到快速評價茶籽調和油品質的目的。本研究所建立方法在茶籽調和油品質快速檢測將具有廣泛的應用前景。