基于近紅外光譜技術的茯苓摻假無損檢測研究

鄭 郁，董怡青，趙芷嵐，范 偉，李脈泉，劉 霞，杜國榮，李 跑,5*

（1.湖南師范大學醫學院，湖南 長沙 410013；2.湖南農業大學食品科學與技術學院，食品科學與生物技術湖南省重點實驗室，湖南 長沙 410128；3.湖南農業大學東方科技學院，湖南 長沙 410128；4.上海煙草集團有限責任公司技術中心北京工作站，北京 101121；5.湖南省農業科學院湖南省農產品加工研究所，果蔬貯藏加工與質量安全湖南省重點實驗室，湖南長沙 410125）

茯苓（Poria cocos(Schw.)Wolf）是一種常見的食藥同源物質，包含茯苓多糖、茯苓酸等多種功能成分，有“十藥九茯苓”之說，具有較高的藥用價值[1]。茯苓粉是茯苓的粉末，呈白色或淺灰色。目前有不法商販為牟取暴利，將相似顏色的面粉等物質加入茯苓粉中，外行很難通過外表進行準確的鑒別。采用傳統儀器分析法如液相色譜等對茯苓及其摻假物質成分進行分析，可以實現摻假茯苓的鑒別[2]。但這些方法成本高、分析時間長，且對樣品具有破壞性，影響二次銷售，無法實現快速無損檢測。因此目前亟需開發一種快速、無損的茯苓摻假鑒別方法。

近紅外光譜技術是一種綠色、環保、快速的新型分析手段，不需要對復雜樣品進行前處理且能實現無損檢測，因此在食品、醫藥、煙草等領域得到了廣泛應用[3-5]。但在實際應用中，近紅外光譜常存在譜峰重疊、基線漂移、較大背景等干擾，無法直接用于定性定量分析，需要結合化學計量學方法。光譜預處理方法可以消除光譜中的基線漂移、噪聲等多種干擾，標準正態變量變換（SNV）以及多元散射校正（MSC）可以消除粒徑分布不均造成的光散射影響，連續小波變換（CWT）、一階導數（1st）以及二階導數（2nd）等求導算法可以消除光譜中的背景干擾，但光譜信噪比可能會降低[6-8]。此外，主成分分析（PCA）法是最常用的線性降維方法，結合光譜預處理方法可以建立不同來源樣品的鑒別模型[9-10]。付小環等[11]利用近紅外光譜技術結合化學計量學方法實現了對茯苓不同部位的鑒別分析以及茯苓多糖的定量檢測。康玉姿等[12]利用近紅外漫反射法實現了茯苓中水溶性多糖及堿溶性多糖的無損定量分析。丁銀花等[13]采用近紅外漫反射光譜儀實現了茯苓中水分的快速定量分析。以上結果表明，近紅外光譜技術可以實現茯苓成分的快速無損檢測以及不同部位茯苓的鑒別分析。然而這些研究多側重于茯苓部位檢測及成分測定，有關茯苓摻假鑒別的研究仍較少。因此，本研究通過采集不同比例摻假茯苓的近紅外光譜數據，采用不同預處理方法（SNV、MSC、CWT）消除光譜中的干擾，并結合PCA 算法建立了摻假茯苓的鑒別模型，以期實現對摻假茯苓的快速無損檢測。

1 材料與方法

1.1 儀器

美國賽默飛世爾科技Antaris Ⅱ傅里葉變換近紅外光譜儀。

1.2 方法

從本地藥店購買了云南茯苓塊，打粉，得到茯苓粉。將面粉以25%、50%、75%、100%比例加入至茯苓粉中得到摻假樣品。將茯苓粉以及摻假樣品放置在石英瓶中于近紅外漫反射的光斑處直接進行檢測。光譜范圍為11100～5 900 cm-1。此外，每個樣品重復測定3 次，取平均光譜作為該樣品的原始光譜。

1.3 化學計量學方法

采用不同預處理方法（SNV、MSC、CWT、1st 以及2nd）消除光譜中的干擾，結合PCA 算法建立摻假茯苓的鑒別模型。

1.4 數據處理

光譜預處理與鑒別分析由MATLAB R2010b（The Mathworks，Natick，USA）軟件實現。

2 結果與討論

2.1 摻假茯苓原始光譜及其PCA 結果

圖1a 為茯苓粉以及摻假茯苓粉原始光譜圖。由圖可以看出，光譜中存在較大的基線漂移和背景干擾，摻假茯苓粉與茯苓粉光譜較為相似，具有相近的光譜趨勢，通過肉眼難以找到差別。因此采用PCA 方法對數據進行處理，建立摻假茯苓粉的鑒別模型。

圖1 茯苓粉和摻假茯苓粉原始光譜圖以及PCA 結果Fig.1 Original spectra of Poria cocos powder and adulterated samples,and the PCA results

由于前兩個主成分累計方差貢獻率之和大于90%，因此選擇前兩個主成分繪制PCA 圖，如圖1b 所示。由圖可知，25%摻假比例的茯苓樣品數據處于茯苓粉置信橢圓中，50%摻假比例的樣品數據部分處于茯苓粉置信橢圓中，100%摻假比例的樣品數據處于置信橢圓的邊界處，只有75%摻假比例的樣品數據得到了準確鑒別。以上結果表明，原始光譜中存在較大的基線漂移和背景干擾，故采用原始光譜結合PCA 法無法實現對摻假茯苓粉的準確鑒別分析。

2.2 MSC 和SNV 預處理結果

由于茯苓為粉末樣品，光譜中可能存在光散射的干擾，影響了摻假茯苓粉的準確鑒別。為了消除光譜中的光散射干擾，采用MSC 以及SNV 預處理對光譜進行優化，并結合PCA 方法建立摻假茯苓粉的鑒別模型。圖2a和圖2c 為經過MSC 以及SNV 預處理得到的光譜圖，光譜中的基線漂移干擾得到了消除，摻假樣品與真實茯苓粉的譜線在10 000～9 000 cm-1內存在一定的差別。此外，MSC 和SNV 預處理得到的光譜較為相似，這是因為兩者的作用都是消除光散射的影響。圖2b 和圖2d 為經過MSC 以及SNV 預處理得到的PCA 結果圖。前兩個主成分累計方差貢獻率之和均大于90%。由圖可知，所有比例的摻假茯苓均處于置信橢圓外，表明其可以實現100%鑒別分析。以上結果表明，MSC 以及SNV 預處理可以消除光譜中的基線漂移干擾，采用MSC 或SNV 預處理結合PCA 可以實現對摻假茯苓的準確鑒別分析。

圖2 MSC 以及SNV 優化后的茯苓粉和摻假茯苓粉光譜圖及PCA 結果Fig.2 Spectra with MSC and SNV methods of Poria cocos powder and adulterated samples,and the PCA results

2.3 CWT 預處理結果

采用CWT 預處理對光譜進行優化，并結合PCA 方法建立摻假茯苓粉的鑒別模型。圖3a 為經過CWT 預處理得到光譜圖，光譜中的基線漂移以及背景干擾得到了消除，使得譜峰更清晰，差異信息更明顯。圖3b 為經過CWT 預處理得到PCA 結果，且前兩個主成分累計方差貢獻率之和均大于90%。由圖可知，所有比例摻假茯苓均處于置信橢圓外，表明實現了對摻假茯苓粉的100%鑒別分析。以上結果表明，采用CWT 預處理結合PCA 可以實現對摻假茯苓粉的準確鑒別分析。

圖3 CWT 優化后的茯苓粉和摻假茯苓光譜圖以及PCA 結果Fig.3 Spectra with CWT methods of Poria cocos powder and adulterated samples,and the PCA results

2.4 求導預處理結果

采用1st 以及2nd 等求導預處理對光譜進行優化，并結合PCA 方法建立摻假茯苓的鑒別模型。圖4a 和圖4c 為經過1st 以及2nd 預處理得到光譜圖。1st 得到的光譜和CWT 得到的光譜較為相似，而2nd 得到的譜峰更為突出，但光譜的兩段出現了明顯的噪聲干擾。圖4b 和圖4d 為經過1st 以及2nd 預處理得到的PCA 結果。且前兩個主成分累計方差貢獻率之和均大于90%。由圖可知，不同比例的摻假茯苓均得到了準確鑒別。以上結果表明，求導預處理結合PCA 同樣可以實現對摻假茯苓粉的準確鑒別分析。

圖4 1st 以及2nd 優化后的茯苓粉和摻假茯苓粉光譜圖以及PCA 結果Fig.4 Spectra with 1st and 2nd methods of Poria cocos powder and adulterated samples,and the PCA results

3 結論

近紅外光譜技術結合化學計量學方法可實現對不同比例摻假茯苓粉的準確鑒別分析。原始光譜中存在較為明顯的基線漂移和背景干擾；預處理可以消除光譜中的干擾影響，顯著提高結果的準確性。采用SNV、MSC、CWT以及求導預處理結合PCA 方法均可實現不同摻假比例茯苓的鑒別分析。