低场核磁共振结合多元校正对休闲豆干水分含量的快速测定

夏霞明，夏阿林，吉琳琳

(邵阳学院食品与化学工程学院，湖南邵阳 422000)

豆腐干营养丰富、均衡，容易被人体消化吸收，常被誉为“植物肉”之称。休闲豆干是将豆腐干经过卤制、调味、杀菌等工艺加工而成的小包装食品，其风味多样，味美可口，越来越受消费者喜爱[1]。水分是休闲豆干食品的重要组成部分。在豆干加工过程中，控制好豆干的水分含量，不仅能够保持好休闲豆干良好的感观性状，也能维持豆干食品中其他组分的相互平衡关系。水分含量过高会使豆干食品容易滋生微生物而变质。在许多情况下，豆干的水分含量将会影响休闲豆干的保质期。休闲豆干的水分含量作为其品质的一项重要质量指标，必须进行严格监控。传统的水分测定方法，一般采用干燥法、蒸馏法等。这些方法耗时费力，难以满足大批量样品的测定。

低场核磁共振(LF-NMR)是应用于食品领域的一项新技术，与目前可知的其他技术相比，具有快速、无损、准确，且无需任何化学试剂等优点，现已广泛应用于食品行业[2-7]。化学计量学是当代化学与分析化学的重要发展前沿[8-14]，是复杂样品体系解析的重要工具，该方法引入食品领域[15-17]，为休闲豆干的快速分析提供了新的血液。多元校正是化学计量学研究中的一个十分重要的内容，它从化学量测数据出发，通过解析量测数据与目标指标之间的关系来获取体系的定量结果，是分析复杂体系的一个有力手段。常用的多元校正方法包括偏最小二乘法、支持向量机、人工神经网络等[18]，近年来在农业和食品领域得到了相当广泛的应用[19-20]。笔者利用低场核磁共振分析仪，以休闲豆干为研究对象，结合偏最小二乘和人工神经网络法，对豆干水分含量进行快速检测。

1　材料与方法

1.1试材休闲豆干样品全部购于某大型超市。分批次购买5个品牌不同风味的休闲豆干作为研究对象。豆干都为独立包装，每小包质量为20～30 g。各个品牌和风味随机挑选，共获得186小包，每小包作为一个样品，即共获得186个样品。

1.2仪器与设备MQC-23台式核磁共振仪(氢的共振频率为23 MHz，配套数据分析软件WinDXP和26mm核磁共振专用样品管)，英国牛津公司(Oxford-instruments)。电子天平，精度0.000 1 g，梅特勒-托利多仪器(上海)有限公司。AHS-101A电热鼓风干燥箱。

1.3方法

1.3.1低场核磁共振检测。将要测量的小包豆干的包装拆开，取出豆干，切成小块，混合后用电子天平称取约5 g作为测量样品，再将该样品装入26 mm核磁样品管，放入仪器的测量池中，在32 ℃(仪器磁体温度)下放置10 min后，开始采样，采用Carr-Purcell-Meiboom-Gill(CPMG)脉冲序列测量样品的横向弛豫时间(T2)。仪器参数设置如下：90°硬脉冲宽度(P90)=5.45 μs，180°硬脉冲脉宽(P180)=10.9 μs，采样频率(SW)=1 000 kHz，重复采样时间(RD)=1 000 ms，累加次数(NS)=16，半回波时间(TAU)=3 000 μs，回波个数(NECH)=256个。测得的回波曲线经反演后获得横向弛豫时间反演谱(T2谱)，取它们平均值作为测量结果，共获得186个样品的T2谱数据。所有样品T2谱如图1所示。

图1　豆干样品的横向弛豫时间(T2)反演曲线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)本质上是一种基于特征变量的回归方法，在多元校正中得到了广泛应用[21]。该研究采用留一交互验证法[21]来确定最佳主成分数。评价标准采用交互验证均方根误差(RMSECV)，表达式：

1.3.3人工神经网络。人工神经网络具有自适应、自组织和自学习的特点，信息并行处理及分布式地存储于各连接权重中，进而具有很强的容错和非线性映照能力。它采用的机理完全不同于传统人工智能和信息处理技术，克服了传统的基于逻辑符号的人工智能在处理直觉、非结构化信息方面的缺陷[22]。误差反向人工神经网络(BP-ANN)是应用最广的人工神经网络方法，一般由输入层、隐含层和输出层三部分构成。该研究采用误差反向人工神经网络方法，使用Levenberg-Marquardt优化方法作为训练函数。学习函数采用带动量梯度下降的权值和偏置值学习函数。输入和输出层的节点数是按照分析的要求来设计的。输入层节点数可以按照需要求解的问题和数据表示的方式而定。一般来说，问题确定之后，输入与输出层的节点数就可以确定了。该研究的输入层节点数为核磁共振谱横向弛豫时间反演曲线(T2谱)数据点数(即128个点)。

隐含层单元数的选择是神经网络设计中非常重要的一个环节，也是一个十分复杂的问题。往往根据前人设计者的经验和自己通过多次试验来确定，迄今为止还未找到一个理想的解析式来表示。一般在选择隐含层节点数时，都会参考以下经验公式[23]：

(1)

n1=log2n

(2)

(3)

式中,n为输入节点数;m为输出节点数;常数a=1～10;n1为隐含层节点数。

隐含层和输出层的转换函数都采用双曲线正切函数(tansig函数)：

(4)

人工神经网络训练时收敛判别方法采用误差平方和(SSE)计算：

(5)

式中,m为训练集中样本数，n为输出节点数，Eij为期望输出值，Oij为训练实际输出值。

1.4数据处理NMR测量采用CPMG脉冲序列测得样品的回波信号衰减数据。用WinDXP软件对样本回波数据进行反演拟合，可得到T2谱。人工神经网络和偏最小二乘算法程序都在MATLAB软件平台上编写或调用MATLAB工具箱，作图软件使用Origin软件。

2　结果与分析

2.1样品及参考值分析从全部186个豆干样品中，随机选取116个作为校正样品，剩余70个样品作为预测样品。每个样品被低场核磁共振仪测量后，将样品从样品管中移出，切碎至颗粒小于2 mm，称取2～5 g试样(精确至0.000 1 g)，放入称量瓶中，试样厚度不超过5 mm，加盖，置于102 ℃干燥箱中。测定方法按照国标GB 5009.3—2016(食品中水分的测定)第一法进行水分测定。豆干水分的化学值统计结果如表1所示。

表1　豆干水分化学值的统计结果

2.2建模与预测使用偏最小二乘方法(PLS)对校正集豆干样品进行训练。采用留一交互验证法来确定最佳主成分数并建模。RMSECV与所选主成分的关系如图2所示。由图2可知，主成分数为10时，RMSECV最小，故选择10作为模型最佳主成分数。训练完成后，建立 PLS校正模型。运用所建模型对70个预测集样本进行预测，预测值与化学值(参考值)的相关曲线如图3所示。由图3可见，PLS方法获得的水分预测值与化学值之间具有较好的相关性。使用误差反向传播人工神经网络方法(BP-ANN)也对校正集豆干样品进行训练。经过训练优化后，固定权值和偏置值参数，获得BP-ANN校正模型。运用所建模型对预测集豆干样品进行预测，结果发现(图4)，预测值与化学值之间也具有较好的相关性。从2种方法模型的分析结果(表2)可看出，对于校正集均方根误差(RMSEC)与校正集相关系数(Rc)，相比BP-ANN方法，PLS方法预测结果要稍微好些；对于预测集均方根误差(RMSEP)与预测集相关系数(Rp)，相比PLS方法，BP-ANN方法预测结果好一点。由此可见，2种多元校正方法均能较好地快速测定休闲豆干中的水分。

图2　交互验证均方根误差与主成分数的关系Fig.2　The relationship between RMSECV and the number of principal component

图3　豆干预测集样品水分的化学值与PLS方法获得的预测值关系Fig.3　Correlation of chemical value and predicted value by PLS for dried tofu moisture of prediction set samples

图4　豆干预测集样品水分的化学值与BP-ANN方法获得的预测值关系Fig.4　Correlation of chemical value and predicted value by BP-ANN for dried tofu moisture of prediction set samples

3　结论

低场核磁共振信号横向弛豫时间(T2)与氢质子的存在状态和所处物理化学环境有关，因此T2谱包含许多样品内部的信息，这样可以使用化学计量学多元校正的方法对T2谱进行信息提取，建立模型，实现对休闲豆干的水分快速检测。该研究采用PLS和BP-ANN方法分析休闲豆干样品的低场核磁共振横向弛豫时间反演数据，快速测定豆干水分含量，结果显示，这2种多元校正方法模型预测均能获得较好的结果。因此，采用低场核磁共振技术结合多元校正方法能够快速且准确地对休闲豆干的水分含量进行预测，为豆干品质的快速测定与完善豆干质量保障和监督体系提供理论与技术支持。

表2PLS和BP-ANN分析豆干水分的结果

Table2TheresultsofdriedtofumoistureforPLSandBP-ANN

方法MethodRMSECRcRMSEPRpPLS0.02720.92350.02480.9189BP-ANN0.02810.91760.02230.9215

[1] 杨倩.调味豆腐干加工及保藏的研究[D].无锡:江南大学,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.化学计量学[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] 陆婉珍,袁洪福,徐广通,等.现代近红外光谱分析技术[M].北京:石油化工出版社,1999.

[22] HAYKIN S.神经网络与机器学习[M].申富饶,徐烨,等译.3版.北京: 机械工业出版社,2017: 197.

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