基于近红外光谱技术的茯苓掺假无损检测研究

郑 郁，董怡青，赵芷岚，范 伟，李脉泉，刘 霞，杜国荣，李 跑,5*

（1.湖南师范大学医学院，湖南 长沙 410013；2.湖南农业大学食品科学与技术学院，食品科学与生物技术湖南省重点实验室，湖南 长沙 410128；3.湖南农业大学东方科技学院，湖南 长沙 410128；4.上海烟草集团有限责任公司技术中心北京工作站，北京 101121；5.湖南省农业科学院湖南省农产品加工研究所，果蔬贮藏加工与质量安全湖南省重点实验室，湖南长沙 410125）

茯苓（Poria cocos(Schw.)Wolf）是一种常见的食药同源物质，包含茯苓多糖、茯苓酸等多种功能成分，有“十药九茯苓”之说，具有较高的药用价值[1]。茯苓粉是茯苓的粉末，呈白色或浅灰色。目前有不法商贩为牟取暴利，将相似颜色的面粉等物质加入茯苓粉中，外行很难通过外表进行准确的鉴别。采用传统仪器分析法如液相色谱等对茯苓及其掺假物质成分进行分析，可以实现掺假茯苓的鉴别[2]。但这些方法成本高、分析时间长，且对样品具有破坏性，影响二次销售，无法实现快速无损检测。因此目前亟需开发一种快速、无损的茯苓掺假鉴别方法。

近红外光谱技术是一种绿色、环保、快速的新型分析手段，不需要对复杂样品进行前处理且能实现无损检测，因此在食品、医药、烟草等领域得到了广泛应用[3-5]。但在实际应用中，近红外光谱常存在谱峰重叠、基线漂移、较大背景等干扰，无法直接用于定性定量分析，需要结合化学计量学方法。光谱预处理方法可以消除光谱中的基线漂移、噪声等多种干扰，标准正态变量变换（SNV）以及多元散射校正（MSC）可以消除粒径分布不均造成的光散射影响，连续小波变换（CWT）、一阶导数（1st）以及二阶导数（2nd）等求导算法可以消除光谱中的背景干扰，但光谱信噪比可能会降低[6-8]。此外，主成分分析（PCA）法是最常用的线性降维方法，结合光谱预处理方法可以建立不同来源样品的鉴别模型[9-10]。付小环等[11]利用近红外光谱技术结合化学计量学方法实现了对茯苓不同部位的鉴别分析以及茯苓多糖的定量检测。康玉姿等[12]利用近红外漫反射法实现了茯苓中水溶性多糖及碱溶性多糖的无损定量分析。丁银花等[13]采用近红外漫反射光谱仪实现了茯苓中水分的快速定量分析。以上结果表明，近红外光谱技术可以实现茯苓成分的快速无损检测以及不同部位茯苓的鉴别分析。然而这些研究多侧重于茯苓部位检测及成分测定，有关茯苓掺假鉴别的研究仍较少。因此，本研究通过采集不同比例掺假茯苓的近红外光谱数据，采用不同预处理方法（SNV、MSC、CWT）消除光谱中的干扰，并结合PCA 算法建立了掺假茯苓的鉴别模型，以期实现对掺假茯苓的快速无损检测。

1 材料与方法

1.1 仪器

美国赛默飞世尔科技Antaris Ⅱ傅里叶变换近红外光谱仪。

1.2 方法

从本地药店购买了云南茯苓块，打粉，得到茯苓粉。将面粉以25%、50%、75%、100%比例加入至茯苓粉中得到掺假样品。将茯苓粉以及掺假样品放置在石英瓶中于近红外漫反射的光斑处直接进行检测。光谱范围为11100～5 900 cm-1。此外，每个样品重复测定3 次，取平均光谱作为该样品的原始光谱。

1.3 化学计量学方法

采用不同预处理方法（SNV、MSC、CWT、1st 以及2nd）消除光谱中的干扰，结合PCA 算法建立掺假茯苓的鉴别模型。

1.4 数据处理

光谱预处理与鉴别分析由MATLAB R2010b（The Mathworks，Natick，USA）软件实现。

2 结果与讨论

2.1 掺假茯苓原始光谱及其PCA 结果

图1a 为茯苓粉以及掺假茯苓粉原始光谱图。由图可以看出，光谱中存在较大的基线漂移和背景干扰，掺假茯苓粉与茯苓粉光谱较为相似，具有相近的光谱趋势，通过肉眼难以找到差别。因此采用PCA 方法对数据进行处理，建立掺假茯苓粉的鉴别模型。

图1 茯苓粉和掺假茯苓粉原始光谱图以及PCA 结果Fig.1 Original spectra of Poria cocos powder and adulterated samples,and the PCA results

由于前两个主成分累计方差贡献率之和大于90%，因此选择前两个主成分绘制PCA 图，如图1b 所示。由图可知，25%掺假比例的茯苓样品数据处于茯苓粉置信椭圆中，50%掺假比例的样品数据部分处于茯苓粉置信椭圆中，100%掺假比例的样品数据处于置信椭圆的边界处，只有75%掺假比例的样品数据得到了准确鉴别。以上结果表明，原始光谱中存在较大的基线漂移和背景干扰，故采用原始光谱结合PCA 法无法实现对掺假茯苓粉的准确鉴别分析。

2.2 MSC 和SNV 预处理结果

由于茯苓为粉末样品，光谱中可能存在光散射的干扰，影响了掺假茯苓粉的准确鉴别。为了消除光谱中的光散射干扰，采用MSC 以及SNV 预处理对光谱进行优化，并结合PCA 方法建立掺假茯苓粉的鉴别模型。图2a和图2c 为经过MSC 以及SNV 预处理得到的光谱图，光谱中的基线漂移干扰得到了消除，掺假样品与真实茯苓粉的谱线在10 000～9 000 cm-1内存在一定的差别。此外，MSC 和SNV 预处理得到的光谱较为相似，这是因为两者的作用都是消除光散射的影响。图2b 和图2d 为经过MSC 以及SNV 预处理得到的PCA 结果图。前两个主成分累计方差贡献率之和均大于90%。由图可知，所有比例的掺假茯苓均处于置信椭圆外，表明其可以实现100%鉴别分析。以上结果表明，MSC 以及SNV 预处理可以消除光谱中的基线漂移干扰，采用MSC 或SNV 预处理结合PCA 可以实现对掺假茯苓的准确鉴别分析。

图2 MSC 以及SNV 优化后的茯苓粉和掺假茯苓粉光谱图及PCA 结果Fig.2 Spectra with MSC and SNV methods of Poria cocos powder and adulterated samples,and the PCA results

2.3 CWT 预处理结果

采用CWT 预处理对光谱进行优化，并结合PCA 方法建立掺假茯苓粉的鉴别模型。图3a 为经过CWT 预处理得到光谱图，光谱中的基线漂移以及背景干扰得到了消除，使得谱峰更清晰，差异信息更明显。图3b 为经过CWT 预处理得到PCA 结果，且前两个主成分累计方差贡献率之和均大于90%。由图可知，所有比例掺假茯苓均处于置信椭圆外，表明实现了对掺假茯苓粉的100%鉴别分析。以上结果表明，采用CWT 预处理结合PCA 可以实现对掺假茯苓粉的准确鉴别分析。

图3 CWT 优化后的茯苓粉和掺假茯苓光谱图以及PCA 结果Fig.3 Spectra with CWT methods of Poria cocos powder and adulterated samples,and the PCA results

2.4 求导预处理结果

采用1st 以及2nd 等求导预处理对光谱进行优化，并结合PCA 方法建立掺假茯苓的鉴别模型。图4a 和图4c 为经过1st 以及2nd 预处理得到光谱图。1st 得到的光谱和CWT 得到的光谱较为相似，而2nd 得到的谱峰更为突出，但光谱的两段出现了明显的噪声干扰。图4b 和图4d 为经过1st 以及2nd 预处理得到的PCA 结果。且前两个主成分累计方差贡献率之和均大于90%。由图可知，不同比例的掺假茯苓均得到了准确鉴别。以上结果表明，求导预处理结合PCA 同样可以实现对掺假茯苓粉的准确鉴别分析。

图4 1st 以及2nd 优化后的茯苓粉和掺假茯苓粉光谱图以及PCA 结果Fig.4 Spectra with 1st and 2nd methods of Poria cocos powder and adulterated samples,and the PCA results

3 结论

近红外光谱技术结合化学计量学方法可实现对不同比例掺假茯苓粉的准确鉴别分析。原始光谱中存在较为明显的基线漂移和背景干扰；预处理可以消除光谱中的干扰影响，显著提高结果的准确性。采用SNV、MSC、CWT以及求导预处理结合PCA 方法均可实现不同掺假比例茯苓的鉴别分析。