气相色谱结合化学计量在核桃油、菜籽油掺伪混合物含量判别分析中的应用

吴史博 李 超 马 宁 姚 恒 王萌萌 刘延奇

核桃又名羌桃或胡桃,含有丰富的营养物质,其含油量为60%～70%。利用现代工艺技术提取的核桃油,不仅具有其果仁的药理功效成分[1],还具备调节血压、促进新陈代谢、防止血栓形成与扩张的独特功效[2]。因具有较高的营养价值和利润,在流通市场,核桃油中掺入菜籽油的现象时常发生,由低硫苷低芥酸的“双低”油菜品种加工的菜籽油,因其无原有的刺激性气味,使得掺入此类菜籽油的核桃油用传统的感官方法难以辨别。核桃油的国家标准中,仅对核桃油的基本组成、主要物理参数、质量指标等进行了规定。虽能定性测量其指标,判定合格与否,但无法定量掺伪油脂中核桃油和菜籽油含量。因此出于市场监管的需要,植物油的质量检测和掺伪鉴别成了急需解决的问题[3-6]。

目前,核桃油掺伪鉴别方法多采用傅里叶变换红外光谱法[7-8]、近红外光谱技术[9]等。近年来测定各品种植物油特征脂肪酸含量[10]并借助于统计学软件[11]建立植物油判别分析模型的鉴别方法开始盛行。气相色谱法作为色谱测量方法中的一种,不仅具有准确度高、检出限低等优点,特别是其在脂肪酸含量鉴别中的应用更为广泛。研究拟采用气相色谱技术分析不同比例核桃油、菜籽油掺伪混合物中脂肪酸含量及变化规律,通过脂肪酸含量结合不同化学计量方法[12-19]建立核桃油、菜籽油掺伪混合物的定性和定量掺伪模型并进行判别,以期为后续核桃油中同时掺入多种其他植物油的多元掺伪研究提供依据。

1 材料与方法

1.1 材料与试剂

3种不同品牌核桃油、菜籽油:市售;

混合脂肪酸甲酯标准品:上海安谱实验科技股份有限公司;

甲醇、异辛烷:色谱纯,天津市科密欧化学试剂有限公司;

无水硫酸钠:分析纯,天津市科密欧化学试剂有限公司。

1.2 仪器与设备

气相色谱仪:Trace 1300型,赛默飞世尔科技公司;

分析天平:XPR106DUH/AC型,梅特勒—托利多仪器有限公司;

旋涡混合器: XW-18A型,上海精科实业有限公司;

移液枪:0.5～10 μL,赛默飞世尔科技公司。

1.3 方法

1.3.1 样品制备 将不同品牌的纯菜籽油、核桃油按不同体积比混合,利用旋涡振荡器混匀,分别制备菜籽油掺伪量为0%,20%,40%,60%,80%,100%的6种混合样本,并系统研究掺伪混合物脂肪酸含量的分布规律,共配制掺伪混合物72个。

1.3.2 脂肪酸含量分析 对油样进行甲酯化处理后,按GB 5009.168—2016第三法进行油脂脂肪酸含量分析。

1.3.3 核桃油、菜籽油混合物的主成分分析 对72个样品进行测试,并建立主成分分析模型。

1.3.4 Bayes判别分析 计算某个观测对象的先验概率,然后按照一定准则构造一个判别函数,分别计算该样品落入各子域的概率,所有概率中最大的一类为该观测对象所属的类别。将核桃油及掺伪核桃油数据代入SPSS Statistics软件中进行Bayes判别分析。

1.3.5 偏最小二乘判别分析(PLS-DA) 在主成分分析基础上,将纯核桃油与混有菜籽油的掺伪核桃油的脂肪酸数据代入SIMCA软件进行PLS-DA分析。

1.3.6 基于BP神经网络模型的判别分析 采用Hold-Out交叉验证法将原始数据分为两组,一组作为训练集,一组作为测试集,利用训练集训练分类器,利用测试集评估模型的性能。通过调整样本集的划分比例(如4∶6,5∶5,6∶4,7∶3,8∶2等)和计算测试集的分类准确率,最终确定样本量的80%(样品数57个)为训练集,样本量的20%(样品数15个)为测试集。参数设置中,权值阈值范围为[-1,1],迭代次数为2 000,通过Matlab软件进行训练和识别。

1.3.7 基于遗传算法优化支持向量机(SVM-ga)的判别分析 采用Hold-Out交叉验证法将原始数据分为训练集(80%,样本数57个)和测试集(20%,样本数15个),利用训练集挖掘信息和训练分类器,利用测试集评估模型性能和计算准确率。参数配置中核函数类型为径向基,种群数为100,迭代次数为500,核函数参数g为1～100,交叉概率为0.7～1.0,变异概率为0～0.2,惩罚参数C为0～100。在此基础上,利用Matlab软件进行识别。

2 结果与分析

2.1 核桃油、菜籽油脂肪酸含量对比分析

前处理后的核桃油和菜籽油经气相色谱测定,其脂肪酸组成及含量如图1和表1所示。由图1和表1可知,核桃油的脂肪酸主要由十六碳一烯酸(C16:1)、十八碳酸(C18:0)、十八碳一烯酸(C18:1)、十八碳二烯酸(C18:2)、十八碳三烯酸(C18:3)组成,其中不饱和脂肪酸含量>90%,C18:2的含量最高,其次为C18:1和C18:3。

表1 不同比例核桃油、菜籽油掺伪混合物的脂肪酸含量†

图1 核桃油、菜籽油脂肪酸含量

由表1可知,在菜籽油和核桃油的脂肪酸含量组成中,C18:1的含量差别最大,菜籽油中的含量约为核桃油的3.5倍,随着菜籽油添加量的增大,其在掺伪核桃油中的含量也逐渐提高;其次为C18:2,其掺伪油脂的变化规律与C18:1的相反。其余脂肪酸相对含量较小,且随菜籽油含量的增加而增加。菜籽油中检出二十碳一烯酸(C20:1)和二十二碳一烯酸(C22:1),而核桃油中均未检出。

2.2 主成分分析

由表2可知,3个主成分累计贡献率达99.49%,能够较为全面地反映原始变量的综合信息。由图2可知,不同比例掺伪核桃油与纯核桃油在主成分空间中存在一定的交叉和混乱,但整体上核桃油与掺伪核桃油组间相对独立,且组内相对集中,说明不同比例掺伪核桃油和纯核桃油之间存在较大差异,与表1的结果相吻合,表明基于以上7种脂肪酸成分进行核桃油掺伪鉴别具有较高的可行性。此外,从主成分空间位点可以看出,纯核桃油和纯菜籽油的差异最为明显,分布在主成分空间的两端,随着菜籽油掺伪量的逐渐提高,其分布位置距离纯核桃油越远,距离纯菜籽油越近。因此,主成分分析在直观区别纯核桃油和掺伪核桃油的基础上,也可以反映核桃油掺伪比例的高低。整体来看,主成分分析在一定程度上可以定性鉴别核桃油的混伪和掺假,但在定量方面仍无法给予明确的解释,因此,需在判别分析和模式识别中进一步研究。

表2 主成分特征值及累计可信度

图2 核桃油与掺伪核桃油主成分得分图

2.3 Bayes判别分析

根据分析所得分类函数系数,得判别函数式:

Y1=2.07X1-0.19X2+80.89X3+3 102.63X4-210.70X5-2 840.21,

(1)

Y2=97.32X1+7.06X2+68.95X3+4 147.92X4-169.02X5-2 434.69,

(2)

Y3=185.96X1+15.01X2+55.27X3+4 482.60X4-79.52X5-2 098.48,

(3)

Y4=313.69X1+24.06X2+40.22X3+4 666.08X4+719.07X5-2 128.00,

(4)

Y5=466.80X1+33.00X2+25.87X3+4 933.88X4+1 392.41X5-2 620.33,

(5)

Y6=587.47X1+42.61X2+11.01X3+5 519.95X4+1 881.15X5-3 538.52,

(6)

式中:

Y1、Y2、Y3、Y4、Y5、Y6——纯核桃油、20%掺伪核桃油、40%掺伪核桃油、60%掺伪核桃油、80%掺伪核桃油、纯菜籽油;

X1——C18:0脂肪酸含量,%;

X2——C18:1脂肪酸含量, %;

X3——C18:2脂肪酸含量,%;

X4——C16:1脂肪酸含量, %;

X5——C20:1脂肪酸含量,%。

将用于验证判别模型的样品数据代入判别式中,求得各类的评分即Y值,Y值最大的即为该记录所属的类别。验证结果显示,83.33%的样品归入正确的分类。

2.4 偏最小二乘判别分析(PLS-DA)

在主成分分析的基础上,将纯核桃油与混有菜籽油的掺伪核桃油的脂肪酸数据代入SIMCA软件进行PLS-DA分析。由表3可知,PLS模型共提取到4个主成分,其变量的累计R2Y值和Q2值分别为98.82%,94.78%,说明该模型的拟合效果较好。

表3 基于PLS的解释变量和预测变量

随机选取核桃油与混有菜籽油的掺伪核桃油样品借助PLS模型进行预测,结果(表4)显示,87.50%的样品被正确分类。掺伪60%的样品中有4个分类为40%集合,掺伪80%的样品中有5个分类为60%集合。错误分类主要因为在掺伪60%、40%比例中,C18:3与C16:1的含量相近。掺伪80%,60%比例中,C16:1的含量相近。

表4 PLS判别分类结果

2.5 基于BP神经网络模型的判别分析

BP神经网络中预测值和真实值的分布情况见图3。由表5可知,BP神经网络算法中训练集的正确率为84.21%,测试集的正确率为80.00%,整体效果欠佳。其中,在训练集中,第6类的9个样品均被误判至第5类,其他样品分类归属正确;在测试集中也出现相似的结果,即第6类的3个样品均被误判至第5类,其他样品分类归属正确。说明第5类样品与第6类样品的相似度较高,现有的评估模型在梯度搜索过程中识别程度不足,与主成分分析的结果较为相似。总体来说,BP神经网络模型对掺伪混合物的鉴别效果欠佳,尤其是第5类和第6类出现较多误判,该判别方法有待进一步调试和优化。

表5 BP神经网络算法的鉴别效果

2.6 基于遗传算法优化支持向量机(SVM-ga)的判别分析

SVM-ga算法中预测值和真实值的分布情况见图4。由表6可知,SVM-ga算法中训练集和测试集的正确率均为100%,判别效果理想。说明基于气相色谱技术结合SVM-ga模型可以有效地识别核桃油、菜籽油掺伪混合物的掺假比例。这可能是SVM-ga算法能够有效地针对混伪掺假问题进行概率意义的全局搜索,并可提供混伪掺假方面的独立启发式,从而保证算法的有效性。

表6 SVM-ga算法的鉴别效果

图4 SVM-ga算法中预测值和真实值的分布情况

3 结论

试验表明,选择菜籽油作为掺伪植物油混入核桃油中,其脂肪酸含量会发生相应变化,在主成分分析中,通过构建核桃油与掺伪核桃油样品的主成分分布图,发现不同掺伪量的掺伪核桃油样品分布相对独立,说明基于主成分分析的数据处理适用于核桃油及其掺伪样品的判别与分类。在此基础上,除采用较为常见的Bayes判别分析、PLS-DA判别分析外,尝试使用基于BP神经网络模型的判别分析、基于遗传算法优化支持向量机(SVM-ga)的判别分析方法构建模型并进行预测。其中,SVM-ga的判别分析效果更佳,此模式识别方法的建立,可有效识别核桃油、菜籽油掺伪混合物的掺假比例。

气相色谱结合化学计量在核桃油、菜籽油掺伪混合物含量判别分析中取得了一定的效果,其建模方法比较成熟,通过操作软件就可以在相关性较强的一系列数据中提取主要信息,预测未知样品的种类和信息,不仅拓宽了色谱分析等传统分析方法的应用范围,也为产品的质量控制、判别检验提供了新的途径和思路。但化学计量中的判别模型均建立在样本分析基础上。样本量较少,样品代表性不足是判别模型的最大弊端,模型的准确性、科学性还需要更多真实样品数据进行校正。此外,在核桃油二元掺伪混合物进行定性、定量研究的基础上,多元掺伪的判别还有待进一步探讨。