基于近紅外光譜的藥用輔料油的質(zhì)量控制研究進展

王秋悅 吳晨璐 趙靜 李正

摘要 藥用輔料油在中藥制藥過程中常具賦形、充當載體、提高穩(wěn)定性、增溶、助溶等重要功能，是可能會影響到制劑的質(zhì)量、安全性和有效性的重要成分。藥用輔料油品種的多樣性，成分的相似與不同，品質(zhì)的好壞都關(guān)乎著制劑的有效性與安全，對藥用輔料油的品質(zhì)質(zhì)量進行研究具有必要性。而近紅外光譜是檢測藥品和食品的重要的技術(shù)，具有快速、無損、良好的鑒別能力，能夠?qū)崿F(xiàn)樣品快速準確地分析。因此，對近紅外光譜用于藥用輔料油的品類檢測如種類鑒別、摻假分析和品質(zhì)檢測如成品油質(zhì)量指標檢測、成品油化學成分檢測、儲存油、煎炸油質(zhì)量檢測方面進行了綜述評價。

關(guān)鍵詞 近紅外光譜技術(shù);輔料油;品種鑒別;摻假;定量檢測

A Review on Quality Control of Excipient Oil for Chinese Medicinal Based on Near Infrared Spectroscopy

WANG Qiuyue1，WU Chenlu1，ZHAO Jing1，2，LI Zheng1，2

（1 College of Pharmaceutical Engineering of Traditional Chinese Medicine，Tianjin University of Traditional Chinese Medicine，Tianjin 301617，China; 2.State Key Laboratory of Traditional Chinese Medicine，Tianjin 301617，China）

Abstract Pharmaceutical excipient oil has many important functions in the pharmaceutical process of Traditional Chinese medicine，such as forming，acting as carrier，improving stability，solubilizing and helping to dissolve，which may affect the quality，safety and effectiveness of the preparation.The variety of pharmaceutical excipient oil，the similarity and difference of composition，and the quality are all related to the effectiveness and safety of the preparation，so it is necessary to study the quality of pharmaceutical excipient oil.And near infrared spectroscopy is an important technology for the detection of drugs and food，with rapid，non-destructive，good identification ability，can achieve rapid and accurate sample analysis.Therefore，this paper reviews the application of NIR spectroscopy in the detection of pharmaceutical excipient oils，such as category identification，adulteration analysis and quality detection，such as product oil index determination，chemical composition content determination，storage oil and frying oil quality detection.

Keywords NIR spectroscopy; Excipient oil; Variety identification; Adulteration; Quantitative detection

中圖分類號：R283.2文獻標識碼：Adoi：10.3969/j.issn.1673-7202.2021.23.005

隨著藥品質(zhì)量的提高，藥用輔料的質(zhì)量也不斷需要得到提升。藥用輔料是指生產(chǎn)藥品調(diào)配處方時使用的賦形劑和添加劑，是除活性成分外，在安全性方面已進行了合理的評估，且包含在藥物制劑中的物質(zhì)。藥用輔料雖然不是影響藥物發(fā)揮療效的核心成分，但它具有賦形、充當載體、提高藥品穩(wěn)定性、增溶、助溶等重要功能，作為藥物制劑處方重要組成部分，由于輔料并不是完全惰性，有些輔料也會對疾病的治療起到協(xié)同作用[1]，而且輔料的質(zhì)量會直接影響制劑的質(zhì)量、穩(wěn)定性和療效，因此，藥用輔料的品質(zhì)對藥物的質(zhì)量具有重要的作用。

油脂類藥用輔料源于食品，現(xiàn)在不僅作為食用油食用，也被用于制藥行業(yè)和藥用化妝品行業(yè)。常用的輔料油在制劑中的主要用途是作為溶劑、基質(zhì)、潤滑劑、營養(yǎng)劑，用于制備膏劑、搽劑、藥皂，常用油脂類輔料油有大豆油、橄欖油、麻油，玉米油等。如黑膏藥（Black Plaster，BP）硬膏劑中，麻油用于助溶，麻油質(zhì)地純凈、沸點低、熬煉時泡沫少，制成的膏藥外觀光潤，且軟化點及黏著力適中，常用麻油來榨取提藥料[2];在含八寶景天和白鮮皮中藥抑菌藥皂中，橄欖油和椰子油作為溶劑，與氫氧化鈉結(jié)合進行皂化，達到柔滑滋潤的效果[3]。在營養(yǎng)乳劑中，大豆油用作基質(zhì)，以大豆油為原料、輔以磷脂乳化劑、等滲劑和注射用水乳化制得的水包油型脂肪乳劑，為不能進食和嚴重缺乏營養(yǎng)的患者提供能量、營養(yǎng)和熱量[4]。然而市場上有些商家在加工處理包裝過程中，為了降低成本獲取更大利益，將不同比例、價格較低的進行摻雜，以次充好，用臨期的包裝成新日期等等，以上的情況都是輔料油在使用過程中存在的影響安全和質(zhì)量的因素，并且油的主要成分相似，因此人們很難主觀直接判斷是否為合格油品，由此可見其質(zhì)量控制應該更為嚴格。因此提供一種能夠迅速、準確檢測和鑒別油的種類和品質(zhì)的方法具有十分重要的意義和價值。

目前，國內(nèi)外油脂檢測方法主要有理化檢驗法[5]、氣相色譜法[6-7]、高效液相色譜法[8]。不同的油脂構(gòu)成成分大多趨于相同，因此使用理化檢驗范圍有限，氣相色譜法和液相色譜法分析精度雖然高，但由于儀器昂貴、檢測速度慢、實驗煩瑣，并且需要專業(yè)的實驗人員，不便于推廣用于現(xiàn)場檢測，而近紅外光譜（Near Infrared，NIR）分析技術(shù)作為一種理想的現(xiàn)代分析技術(shù)，具有樣品無需預處理、無污染、分析快的特點，適用于現(xiàn)場或在線檢測。

NIR（780～2 500 nm）位于可見光和中紅外區(qū)域之間，它可以根據(jù)基本O-H、C-H和N-H鍵振動的合頻和倍頻吸收，提供與被測對象組成相關(guān)的特征指紋[11-13]，近年來NIR分析技術(shù)與應用越來越成熟[14-20]，也已經(jīng)被證明是監(jiān)測和控制油脂品質(zhì)方面的有效技術(shù)之一[9-10，21-24]，與傳統(tǒng)的檢測技術(shù)比較，NIR檢測需要較少的檢測時間，很少或沒有煩瑣的樣品制備，具有良好的適應性。

據(jù)報道已有很多NIR分析技術(shù)用于油脂檢測的文獻，但對此進行綜述的很少，因此我們對NIR用于油脂的品種品質(zhì)檢測方面進行分類和總結(jié)。綜述框架見圖1。

1 基于NIR的品類分析

1.1 種類鑒別分析 由于品種多樣化，種類不同，營養(yǎng)價值不同而價格差異很大，為了快速鑒別油的種類，Hourant等[25]利用近紅外光譜法分析了不同品種的橄欖油、花生油、棕櫚油以及大豆油的近紅外光譜，對最重要波段的近紅外光譜特征進行了研究和討論，建立了基于逐步線性判別分析的樹狀結(jié)構(gòu)，對樣本進行分類，準確度高達90%。李娟等[26]采集不同廠家生產(chǎn)的大豆油、花生油、菜籽油、棕櫚油、米糠油樣品，以植物油脂的光譜信息作變量，結(jié)合光譜預處理及主成分分析，選取負荷量差別較大的7個主成分進行得分比較，結(jié)果顯示分類精度100%，驗證準確率100%。劉福莉等[27]以8種食用油為對象，采集樣品在2 500～4 000 nm范圍內(nèi)的透射光譜，利用光譜模式識別法中的聚類分析法對圖譜進行定性分類，光譜經(jīng)二階導數(shù)預處理后，最短距離法、最長距離法和方差平方和法均可準確無誤地將樣品分為8類，判別模型對預測集樣品的準確率達到100%。此外轉(zhuǎn)基因食品越來越受到關(guān)注，盡管轉(zhuǎn)基因植物具有很多優(yōu)點，包括抗蟲、抗病、抗旱以及高產(chǎn)，但是一些組織對其安全性持保留態(tài)度，因此是否為轉(zhuǎn)基因油進行快速鑒別尤為重要。Zhu等[28]和Luna等[29]應用近紅外光譜法鑒定轉(zhuǎn)基因和非轉(zhuǎn)基因菜籽油和大豆油，結(jié)果發(fā)現(xiàn)，對于菜籽油，采用主成分分析（Principal Components Analysis，PCA）和判別偏最小二乘（Discriminant Partial Least Squares，DPLS），總體判別正確率為96.34%，非轉(zhuǎn)基因和轉(zhuǎn)基因正確識別率分別為95.56%、97.30%。對于大豆油，支持向量機判別分析（Support Vector Machines Discriminant Analysis，SVM-DA）方法被證明比偏最小二乘法判別分析（Partial Least Squares Discriminant Analysis，PLS-DA）具有更好的預測性能，對于SVM-DA，訓練組的分類成功率均為100%，驗證組的成功率為100%和90%，以上的結(jié)果表明，近紅外光譜技術(shù)非常適合于轉(zhuǎn)基因油的快速檢測。

1.2 摻假檢測 輔料油的摻假或標簽錯誤是一個嚴重的問題，由于一些銷售商為追求暴利，將高價輔料油與低質(zhì)量、低價格和低營養(yǎng)進行摻假，大大降低了油的營養(yǎng)價值和經(jīng)濟價值，或影響制劑釋放療效的程度，甚至可能導致健康問題。關(guān)于高價油的摻假檢測，已經(jīng)進行了許多實驗來測試近紅外光譜在檢測摻假方面的可行性。如Wang等[30]利用獨立軟模式類簇法（Soft Independent Modeling of Class Analogy，SIMCA）技術(shù)，發(fā)現(xiàn)純茶油與摻入大豆油（5%～25%）的茶油在1 613～1 852 nm范圍內(nèi)的原始光譜有差異，鑒別模型預測未知樣本正確率達100%，成功地進行了識別。王傳現(xiàn)等[23]通過近紅外光譜儀采集各種油與摻雜的初榨橄欖油的數(shù)據(jù)，運用聚類分析法對各種油進行聚類分析，結(jié)合PCA對橄欖油的摻雜與否進行定性判別。結(jié)果表明，聚類分析和PCA都有很好的定性鑒別能力，PCA的鑒別模型預測未知樣本的正確率達到100%。王寶賀等[31]提出了基于二維近紅外-中紅外（Near Infrared-Mid Infrared，NIR-MIR）相關(guān)譜判別芝麻油摻假玉米油的方法，在1 667～2 203 nm對5 556～15 385 nm內(nèi)進行同步二維NIR-MIR相關(guān)譜計算，建立了摻假芝麻油的多維偏最小二乘判別法（N-Way Partial Least Squares Discriminant Analysis，NPLS-DA）模型，模型對校正集和預測集樣品的判別正確率分別為96.2%，96.3%。Luo等[32]探討了傅里葉近紅外光譜對芝麻油摻假大豆油和玉米油的檢測情況，基于光譜數(shù)據(jù)采用PCA和PLS-DA分析對摻假油進行鑒別，準確度高達100%，表明此2種方法都可作為快速鑒別食用油的真?zhèn)巍?/p>

不同的油脂構(gòu)成成分大多趨于相同，因此使用理化檢驗法檢測摻假范圍有限。目前，對摻假油的定量分析的檢測主要有色譜法、紫外分光光度法等，但這些方法均因樣品預處理復雜，分析速度較慢，且對檢測人員要求較高而不能滿足市場快速檢測的需要。近紅外光譜分析技術(shù)不破壞樣品、操作簡單、穩(wěn)定性好、效率高，應用于摻假油的定量檢測領(lǐng)域中。如劉燕德和萬常斕[33]配制不同比例大豆油、玉米油和花生油摻假到芝麻油中，采集樣品近紅外透射光譜，將2 262～4 833 nm波段的光譜進行各種預處理，最佳方法為平滑預處理，并利用偏最小二乘法（Partial Least Squares，PLS）選取光譜特征波段，采用PLS建立摻假芝麻油的模型。結(jié)果顯示：3種摻假芝麻油的PLS模型R2分別達到0.998、0.999、0.999，預測均方根誤差（Root Mean Square Error of Prediction，RMSEP）分別為0.24、0.24和0.19，具有較高的預測精度，證明近紅外光譜技術(shù)對芝麻油摻假的快速檢測具有可行性。Christy等[9]建立了一種對純橄欖油中豆油、葵花籽油、玉米油、核桃油和榛子油摻假進行定量的新方法。采集在833～2 500 nm范圍內(nèi)的光譜，對光譜進行多元散射校正（Multiplicative Scater Correction，MSC），然后對MSC校正數(shù)據(jù)進行Savitzky-Golay平滑和均值歸一化處理，結(jié)果表明模型對橄欖油中摻假的玉米油、葵花油、大豆油、核桃油和榛子油的預測誤差分別為±0.57%、±1.32%、±0.96%、±0.56%和±0.57%。Fadzlillah等[34]采用NIR對芝麻油中摻假玉米油進行定量分析，制備摻假玉米油濃度范圍為0.5%～50%（V/V），選擇9 328～10 695 nm處的波段進行PLS回歸，結(jié)果校正均方根誤差（Root Mean Square Error of Calibration，RMSEC）和RMSEP值分別為0.53%和1.31%，可成功用于定量預測芝麻油的摻假情況。

2 基于NIR的品質(zhì)分析

2.1 成品油質(zhì)量指標檢測 油在加工、流通和保存期間會被氧化導致風味、顏色和質(zhì)地的劣變，高過氧化物油脂或變質(zhì)油脂可引起嘔吐、腹瀉等中毒癥狀危害人體健康。因此油中的理化參數(shù)如過氧化值（Peroxide Value，PV）、酸值（Acid Value，AV）、碘值（Iodine Value，Ⅳ）、黏度等是衡量油是否合格的重要指標，傳統(tǒng)測定方法是滴定法，成本高、耗時長，與傳統(tǒng)的化學測定方法不同，NIR分析技術(shù)可實現(xiàn)對樣品的非破壞性快速分析[35-38]，具有速度快、效率高、無污染的特點。如向娜娜等[39]利用BRUKER MATRIX-I儀器快速檢測和監(jiān)控大豆油酸值，采集大豆油近紅外光譜，并按標準方法進行酸值測定，建了大豆油酸值的近紅外模型，酸值內(nèi)部交叉驗證決定系數(shù)R2為0.980 3，交叉驗證均方根誤差（Root Mean Square Error of Cross Validation，RMSECV）為0.121，外部驗證模型的決定系數(shù)R2為0.957 7，RMSEP 為0.168，所建模型可以快速準確地預測大豆油的酸值。Alessandra等[40]提出了一種同時測定玉米、大豆、菜籽油和葵花籽油酸度、折射率和黏度的近紅外光譜分析方法，結(jié)合PLS光譜范圍選擇和連續(xù)投影算法（Successive Projections Algorithm，SPA）變量選擇的方法，以獲得基于小波數(shù)子集的多元線性回歸（Multiple Linear Regression，MLR）模型，發(fā)現(xiàn)酸度、折射率和黏度的模型預測值與參考值的相關(guān)值分別0.94、0.98和0.96。萬毅等[41]為實現(xiàn)橄欖油理化指標的快速檢測，在選擇最優(yōu)波段和光譜數(shù)據(jù)處理方法的基礎(chǔ)上，利用近紅外光譜結(jié)合PLS分別建立橄欖油酸價、過氧化值定量分析模型。結(jié)果表明：酸價、過氧化值定量模型的校正相關(guān)系數(shù)分別為：0.994 5、0.993 9，預測相關(guān)系數(shù)分別為：0.996 5、0.991 0。結(jié)果說明近紅外光譜具有預測各種油理化參數(shù)的能力，可以實現(xiàn)對油理化值的快速、準確檢測。

2.2 成品油化學成分檢測 輔料油含有豐富化學成分，如脂肪酸、生育酚，磷脂等，油脂中的一些不飽和脂肪酸在日常貯存下易吸收氧氣發(fā)生氧化，從而發(fā)生變質(zhì)，影響油脂的品質(zhì)。目前常用的檢測方法有氣相色譜法[42-44]、高效液相色譜法[45-47]、氣相色譜-質(zhì)譜聯(lián)用分析法[48-49]等，在這些方法中，高效液相色譜法（High Performance Liquid Chromatogra，HPLC）分離效率稍低，且檢測困難，氣相色譜-質(zhì)譜聯(lián)用法（Gas Chromatography-Mass Spectrometer，GC-MS）是最有效的，但分析時間較長，費用較高，在實際應用的過程中存在著一定的局限性，必須開發(fā)一種快速、無損、經(jīng)濟的方法。NIR分析技術(shù)無破壞性、操作簡便、分析迅速，用于含量成分檢測，如Fox和Cruickshank等[50]對花生油中油酸、亞油酸、棕櫚酸和硬脂酸進行含量檢測，采用PLS建立定量模型，結(jié)果顯示出較高的精度，R2大于0.90，油酸、亞油酸、棕櫚酸、硬脂酸和總含油量的預測標準誤差分別為6.4%、4.5%、0.8%、0.9%和1.3%，結(jié)果表明，可以開發(fā)出合適的校準來預測花生的油脂組成和含量。Liu等[51]研究NIR測定植物油中3種植物甾醇（β-谷甾醇、油菜甾醇和豆甾醇），采用連續(xù)小波變換（Continuous Wavelet Transform，CWT）方法去除光譜中的基線偏移，PLS回歸建立定量分析模型，隨機化實驗（Randomization Test，RT）方法對模型改進，優(yōu)化后的模型用于GC-MS分析結(jié)果基本一致，3種植物甾醇的RMSEP和相對分析誤差（Relative Percent Deviation，RPD）分別為525.759 0、212.224 5、65.161 1和4.006 0、4.719 5和3.544 1，表明該方法可用于食用油中植物甾醇的快速無損分析。張嚴等[52]采集了50種具有代表性的花生品種作為樣本，建立了花生籽粒脂肪酸含量的近紅外光譜定量模型，采用光譜散射處理方法加上改進偏最小二乘法建模，結(jié)果得油酸和亞油酸的定量模型較高，交互驗證決定系數(shù)分別為0.933 0和0.924 9，外部驗證決定系數(shù)分別為0.940 1和0.948 7，相對分析誤差均大于2.5，試驗結(jié)果表明應用近紅外光譜法測定花生籽粒中油酸和亞油酸含量模型預測的精確度較高。

2.3 煎炸油的質(zhì)量檢測 常用的輔料油在高溫下煎炸提取藥料，然而，油中的脂肪在反復煎炸過程中會產(chǎn)生許多有害物質(zhì)，影響到安全。因此在油品質(zhì)的檢測和分析中，總極性化合物（Total Polar Compound，TPC）被廣泛用作煎炸油品質(zhì)的評價指標，煎炸油中TPC含量的測定大多采用柱色譜法[53]，該方法在檢測TPC含量時相對準確，但檢測過程特別煩瑣耗時且需要專業(yè)人員檢測[54]。有研究發(fā)現(xiàn)TPC的含量與煎炸次數(shù)呈線性關(guān)系，油炸次數(shù)越多，油中TPC含量越高，油的質(zhì)量越差[55-58]，將NIR分析技術(shù)用于分析煎炸油的質(zhì)量檢測中，如Liu等[59]共收集了450個大豆油、花生油和菜籽油的光譜信號，然后建立PLS、支持向量回歸（Support Vector Regression，SVR）和貝葉斯嶺回歸（Bayesian Ridge Regression，BRR）預測模型，預測3種煎炸油的煎炸時間，進而反映煎炸油的質(zhì)量。結(jié)果表明，在全譜下，由原始光譜和標準歸一化變量（Standard Normalized Variable，SNV）處理譜建立的SVR和BBR預測回歸模型能較好地預測油炸時間，而PLS模型不能有效預測所有情況下的油炸時間。通過單變量特征選擇（Univariate Feature Selection，UFS）選取特征波長后，BRR預測模型效果最佳，模型的R2和RMSEP分別為0.985 2和0.546 3。此研究方法能有效預測煎炸次數(shù)，為煎炸油品質(zhì)的快速檢測提供了有效手段。

在使用TPC評估煎炸油的質(zhì)量時，油中有害物質(zhì)的含量被轉(zhuǎn)換為標準操作下的煎炸次數(shù)，這間接反映了煎炸油的質(zhì)量，從而簡化了質(zhì)量評估過程。Liu等[59]提出了一種基于NIR的煎炸次數(shù)識別方法來評價煎炸油的質(zhì)量，采用大豆油、玉米油、菜籽油3種油各進行了十輪油炸實驗，首先一階導數(shù)對所有原始光譜進行預處理，然后計算油炸時間序列與吸光度之間的相關(guān)系數(shù)，并提取具有高相關(guān)系數(shù)的特征波長，最后建立了基于特征波長的差分預測模型。結(jié)果表明，差分預測模型準確預測了各種食用油的煎炸次數(shù)，預測精度在允許誤差范圍內(nèi)為100%，為煎炸油的質(zhì)量檢驗提供了一種新的方法。

2.4 儲存油質(zhì)量檢測 油富含不飽和脂肪酸，但是在儲存過程中容易受光、氧、微生物和酶引起的水解和氧化反應的影響，導致游離脂肪酸和酸敗，油的實際貯存期是衡量油質(zhì)量的重要指標之一，傳統(tǒng)的測定貯藏期的方法通常是通過其內(nèi)部理化指標的變化來推斷的，操作過程煩瑣、耗時，對實驗室人員要求高，因此，需要一種快速、綠色、無損、可靠的檢測方法檢測實際貯存期。He等[60]采集不同貯藏條件下油樣品的近紅外光譜，通過主成分分析直觀地展示了油樣品在不同貯藏期的空間分布，K最鄰近分類算法（K-Nearest Neighbor，KNN）、隨機森林算法（Random Forest，RF）和支持向量機（Support Vector Machines，SVM）分別建立了不同貯藏期油的鑒別模型。結(jié)果表明SVM模型的識別性能明顯優(yōu)于KNN和RF模型，識別率100%，可以實現(xiàn)快速、高精度地檢測鑒別真實貯存期。

酸值是油脂的重要的安全指標之一，目前國際標準中測定需要大量的有機試劑，操作過程煩瑣且受到主觀因素的影響，NIR在預測存儲期間油質(zhì)量變化方面取得進展。如Jiang等[61]利用便攜式近紅外光譜系統(tǒng)結(jié)合基于模型群集分析（Multiple Path Algorithm，MPA）策略的變量選擇算法測定油儲藏過程中的酸值，采集不同儲存時間下的近紅外光譜，引入了4種基于MPA的變量選擇方法，即競爭性自適應重加權(quán)算法（Competitive Adaptive Reweighted Sampling，CARS）、空間迭代收縮選變量方法（Variable Iterative Space Shrinkage Approach，VISSA）、迭代變量子集優(yōu)化（Iteratively Variable Subset Optimization，IVSO）和自舉軟收縮（Bootstrapping Soft Shrinkage，BOSS），來優(yōu)化預處理的近紅外光譜，建立了基于不同選擇方法得到的特征譜的SVM模型，結(jié)果發(fā)現(xiàn)基于BOSS方法所建立的SVM模型顯示出最佳的預測性能，預測均方根誤差為0.11 mg/g，測定系數(shù)為0.92，比值性能偏差RPD為2.82，實現(xiàn)了貯藏過程中酸值的定量檢測。

3 討論

中藥制劑中藥用輔料油的質(zhì)量控制是公眾關(guān)注的焦點，對輔料油的品種品質(zhì)進行快速、無損性檢測，保證輔料油的質(zhì)量和公眾健康具有重要意義。NIR技術(shù)在輔料油質(zhì)量檢測評價方面已經(jīng)顯示出了進展與成果。可以證實，在對輔料油的品種、轉(zhuǎn)基因油與非轉(zhuǎn)基因、摻假檢測方面可以結(jié)合PCA、SIMCA、PLS-DA等算法進行快速鑒別，準確度高。在用油安全屬性方面，NIR結(jié)合S-G、SNV、CWT等預處理方法對光譜進行處理，建立不同分析模型，對成品油的理化指標和化學成分含量進行定量分析，以及對儲存油和煎炸油的時長、酸值等含量變化進行在線監(jiān)控，保證用油安全。

測量環(huán)境和條件是影響光譜測量精度和準確度的重要因素，在后續(xù)的研究中應將環(huán)境變化與條件納入研究范圍，如樣品溫度變化造成光譜變化，涂斌等[62]將溫度作為影響因素，探究不同的樣品溫度對油品種分類模型預測能力的影響，通過建立混合模型提高模型預判的準確度，環(huán)境的光強度變化通常無法估計，給數(shù)據(jù)分析帶來困難，因此須開發(fā)出不同的數(shù)據(jù)過濾預處理的方法來提高模型鑒別的精度[63-64]。

此外NIR在用于區(qū)分不同品種油或進行摻假鑒別時，可能會因為不同的來源或加工處理原因被預判為不屬于這一類或成為真/假油。因此，在以后的鑒別過程中可以將NIR與成像技術(shù)相結(jié)合，用于油質(zhì)量檢測新技術(shù)，從技術(shù)方面來講，都是基于化學計量學方法建立模型，應該致力于引入更加有效的算法，開發(fā)更加穩(wěn)健的模型，并盡量較少誤差。總的來說，NIR分析技術(shù)在油質(zhì)量檢測方面具有重要的意義，是輔料油質(zhì)量評價的重要工具。

參考文獻

[1]董智.輔料亦有助于提高藥物療效[N].中國醫(yī)藥報，2007-05-24（B08）.

[2]祝浩東.中藥傳統(tǒng)黑膏藥的發(fā)展歷史及制法研究[J].浙江中醫(yī)藥大學學報，2021，45（5）：537-541.

[3]顧曉玲，張吉菲.抑菌藥皂中提取物制備工藝及質(zhì)量標準初探[J].中國中醫(yī)藥現(xiàn)代遠程教育，2020，18（15）：114-116.

[4]Cameron EH，Bhutiani N，Bozeman MC.Availability of SMOF Lipid Emulsions for Parenteral Nutrition Change Surgical Nutrition Practice[J].Curr Nutr Rep，2017，6（3）：266-273.

[5]李昌，單良，王興國.食用油摻假檢測方法概述[J].農(nóng)業(yè)工程技術(shù)，2007，28（5）：31-35.

[6]魏明，廖成華.食用植物油摻偽的氣相色譜檢測方法研究[J].西南科技大學學報，2003，18（3）：57-60.

[7]嚴曉麗，徐昕.氣相色譜法鑒別摻假山茶油定性及定量研究[J].食品工程，2011，36（2）：47-49.

[8]Christopoulou E，Lazaraki M，Komaitis M.Effectiveness of determinations of fatty acids and triglycerides for the detection of adulteration of olive oils with vegetable oils[J].Food Chemistry，2004，84（3）：463-474.

[9]Christy AA，Kasemsumran S，Du Y，et al.The detection and quantification of adulteration in olive oil by near-infrared spectroscopy and chemometrics[J].Anal Sci，2004，20（6）：935-940.

[10]Lerma-Garcia MJ，Ramis-Ramos G，Herrero-Martinez JM.Authentication of extra virgin olive oils by Fourier-transform infrared spectroscopy[J].Food Chemistry，2010，84（3）：78-83.

[11]Burns DA，Ciurczak EW.Handbook of Near-Infrared Analysis，2nd ed.Revised and Expanded[M].New York：Marcel Dekker，Inc，2001：6.

[12]Heise HM，Y.O，S.K.Near-Infrared Spectroscopy Principles Instruments Applications[M].Weinheim：Wiley-VCH，2002：636-638.

[13]Roggo Y，Chalus P，Maurer L，et al.A review of near infrared spectroscopy and chemometrics in pharmaceutical technologies[J].J Pharm Biomed Anal，2007，44（3）：683-700.

[14]代啟虎，馬晨晨，李冉.近紅外光譜分析技術(shù)在食品脂肪含量測定上的應用[J].廣東化工，2017，44（2）：58-59，53.

[15]張力培，魯雄.近紅外光譜分析技術(shù)在食品檢測中的應用[J].輕工科技，2016，33（2）：103-105.

[16]胡亞云，崔璐.近紅外光譜在液態(tài)奶分析與檢測中的應用[J].食品研究與開發(fā)，2015，36（16）：165-168.

[17]尚靜，孟慶龍，張艷.基于紫外/可見光譜技術(shù)的李子硬度無損檢測[J].包裝工程，2020，41（3）：51-56.

[18]婁婷婷，劉旸，王禹，等.多種光譜技術(shù)在食用油分析鑒別中的研究進展[J].食品研究與開發(fā)，2020，41（1）：218-224.

[19]田容才，盧俊瑋.光譜技術(shù)在水稻品種鑒別中的應用[J].糧食科技與經(jīng)濟，2019，44（7）：73-76.

[20]劉麗，徐寧.基于光譜技術(shù)的中藥質(zhì)量控制研究進展[J].發(fā)酵科技通訊，2019，48（2）：85-93.

[21]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].光譜學與光譜分析，2009，29（12）：3283-3287.

[22]莊小麗，相玉紅，強洪，等.近紅外光譜和化學計量學方法用于橄欖油品質(zhì)分析與摻雜量檢測[J].光譜學與光譜分析，2010，30（4）：933-936.

[23]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，2010，31（24）：402-404.

[24]王志嘉，趙延華.傅里葉變換紅外光譜法對摻假橄欖油的快速鑒別[J].理化檢驗：化學分冊，2012，48（7）：785-788，792.

[25]Hourant P，Baeten V，Morales MT，et al.Ramon Aparicio.Oil and Fat Classification by Selected Bands of Near-Infrared Spectroscopy[J].Applied Spectroscopy，2000，54（8）：1168-1174.

[26]李娟，范璐，鄧德文，等.近紅外光譜法主成分分析6種植物油脂的研究[J].河南工業(yè)大學學報：自然科學版，2008，29（5）：18-21.

[27]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].中國計量學院學報，2008，19（3）：278-282.

[28]Zhu S，Liang J，Lin Y.Study on Rapid Identification Methods of Transgenic Rapeseed Oil Based on Near Infrared Spectroscopy[C].Nanchang（CN）：Computer and Computing Technologies in Agriculture Ⅳ，2010：633-640.

[29]Luna AS，da Silva AP，Pinho JS，et al.Rapid characterization of transgenic and non-transgenic soybean oils by chemometric methods using NIR spectroscopy[J].Spectrochim Acta A Mol Biomol Spectrosc，2013，100：115-119.

[30]Wang L，F(xiàn)rank S.C Lee，Wang X.Feasibility study of quantifying and discriminating soybean oil adulteration in camellia oils by attenuated total reflectance MIR and fiber optic diffuse reflectance NIR[J].Food Chemistry，2005，95（3）：529-536.

[31]王寶賀，楊仁杰，楊延榮，等.二維近紅外-中紅外相關(guān)譜在摻假芝麻油判別中的應用[J].理化檢驗：化學分冊，2017，53（2）：134-138.

[32]Luo J，Liu T，Liu Y.FT-NIR and Confocal Microscope Raman Spectroscopic Studies of Sesame Oil Adulteration[C].Beijing（CN）：Computer and Computing Technologies in Agriculture，2011：38-45.

[33]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)機械學報，2012，43（7）：136-140.

[34]Fadzlillah NA，Che Man YB，Rohman Abdul.FTIR Spectroscopy Combined with Chemometric for Analysis of Sesame Oil Adulterated with Corn Oil[J].Int J Food Ptop，2014，17（6）：1275-1282.

[35]張欣，唐月異，王秀貞，等.花生油過氧化值和酸值近紅外分析模型構(gòu)建[J].山東農(nóng)業(yè)科學，2018，50（6）：167-170.

[36]Li H，Voort FR，Ismail AA，et al.Determination of peroxide value by four transform near-infrared spectroscopy[J].J Am Oil Chem Soc，2000，77（2）：137-142.

[37]Armenta S，Garrigues S，de la Guardia M.Determination of edible oil parameters by near infrared spectrometry[J].Anal Chim Acta，2007，596（2）：330-337.

[28]Yildiz G，Wehling RL，Cuppett SL.Monitoring PV in corn and soybean oils by NIR spectroscopy[J].J Am Oil Chem Soc，2002，79（11）：1085-1089.

[39]向娜娜，趙江濤，陳麗，等.大豆油脂肪酸近紅外模型的建立和品質(zhì)鑒定[J].中國飼料，2021，（5）：72-77.

[40]Alessandra Félix Costa Pereira，Márcio José Coelho Pontes.NIR spectrometric determination of quality parameters in vegetable oils using iPLS and variable selection[J].Food Res Int，2008，41（4）：341-348.

[41]萬毅，張玉，楊華，等.基于近紅外光譜的橄欖油理化指標快速檢測模型研究[J].食品工業(yè)科技，2017，38（21）：257-262，267.

[42]沈偉健，王紅，陸慧媛，等.氣相色譜-質(zhì)譜法測定植物油中8種維生素E及其在芝麻油真?zhèn)舞b別方面的應用[J].色譜，2020，38（5）：595-599.

[43]劉穎沙，崔利輝，趙璐，等.植物油中脂肪酸的氣相色譜法測定[J].湖北農(nóng)業(yè)科學，2020，59（8）：129-133.

[44]鄒琴，陳德斌，姚創(chuàng)，等.氣相色譜法測定食用油中37種脂肪酸的前處理改良[J].廣東化工，2018，45（14）：208-210.

[45]張東，朱琳，薛雅琳，等.反相高效液相色譜-飛行時間質(zhì)譜法測定椰子油甘油三酯[J].中國油脂，2016，41（11）：93-96.

[46]劉立萍，邱啟東，劉曉姍.高效液相色譜-串聯(lián)質(zhì)譜測定花生油中的黃曲霉毒素[J].化工管理，2016，29（14）：125，127.

[47]Olsson P，Sadiktsis I，Holmbck J，et al.Class separation of lipids and polycyclic aromatic hydrocarbons in normal phase high performance liquid chromatography-a prospect for analysis of aromatics in edible vegetable oils and biodiesel exhaust particulates[J].Chromatogr A，2014，1360：39-46.

[48]楊標斌，吳華媛.氣相色譜質(zhì)譜聯(lián)用儀測定芝麻油中脂肪酸組成的方法研究[J].江西化工，2020，36（5）：98-104.

[49]高霞，陳輝，李玉秀，等.QuEChERS氣相色譜質(zhì)譜法測定花生油中17種鄰苯二甲酸酯類物質(zhì)[J].糧油食品科技，2020，28（5）：138-143.

[50]Fox G，Cruickshank A.Near Infrared Reflectance as a Rapid and Inexpensive Surrogate Measure for Fatty Acid Composition and Oil Content of Peanuts（Arachis Hypogaea L.）[J].J Near Infrared Spec，2005，13（5）：287-291.

[51]Liu Y，Wang Y，Xia Z，et al.Rapid determination of phytosterols by NIRS and chemometric methods[J].Spectrochim Acta A Mol Biomol Spectrosc，2019，211：336-341.

[52]張嚴，謝巖黎，孫淑敏，等.近紅外分析花生籽粒脂肪酸含量的研究[J].河南工業(yè)大學學報：自然科學版，2014，35（2）：54-58.

[53]中華人民共和國衛(wèi)生部，中國國家標準委員會.食用植物油煎炸過程中的極性組分（PC）的測定GB/T 5009.202—2003[S].2003-8-11.

[54]Azmil Haizam Ahmad Tarmizi，Elina Hishamuddin，Raznim Arni Abd Razak.Impartial assessment of oil degradation through partitioning of polar compounds in vegetable oils under simulated frying practice of fast food restaurants[J].Food Control，2019，96：445-455.

[55]Feng H，Li Y，Sui X.Effect of frying cycles on polar components in soybean oil and absorbed lipids of fried potatoes[J].Transactions of the Chinese Society of Agricultural Engineering，2016，32（3）：309-314.

[56]蔣甜燕，魏為連.煎炸過程中大豆油品質(zhì)變化研究[J].安徽農(nóng)業(yè)科學，2015，43（13）：279-281.

[57]曹瑋珈，包海蓉，金銀哲.大豆油煎炸過程中介電特性與品質(zhì)變化相關(guān)性的研究[J].中國油脂，2016，41（2）：48-52.

[58]Liu Y，Sun L，Du C.Near-infrared prediction of edible oil frying times based on Bayesian Ridge Regression[J].Optik，2020，218（9）：164950.

[59]Liu Y，Sun L，Bai H，et al.Detection for Frying Times of Various Edible Oils Based on Near-Infrared Spectroscopy[J].Appl Sci，2020，10（21）：7789.

[60]He Y，Jiang H，Chen Q.High-precision identification of the actual storage periods of edible oil by FT-NIR spectroscopy combined with chemometric methods[J].Anal Methods，2020，12（29）：3722-3728.

[61]Jiang H，He Y，Chen Q.Determination of acid value during edible oil storage using a portable NIR spectroscopy system combined with variable selection algorithms based on an MPA-based strategy[J].J Sci Food Agric，2021，101（8）：3328-3335.

[62]涂斌，宋志強，鄭曉，等.樣品溫度對植物油的近紅外定性分析模型的影響[J].中國糧油學報，2016，31（4）：133-137.

[63]Blanco M，Romero MA，Alcalà M.Strategies for constructing the calibration set for a near infrared spectroscopic quantitation method[J].Talanta，2004，64（3）：597-602.

[64]Kalivas J H.Basis sets for multivariate regression[J].Analytica Chimica Acta，2001，428（1）：31-40.

（2021-10-25收稿 責任編輯：王明）