基于揮發(fā)性成分定量預(yù)測(cè)風(fēng)味茶油摻浸出茶油的偏最小二乘回歸模型的建立

孫婷婷，陳志清，鐘瑾璟，劉劍波，任佳麗，鐘海雁，周 波

(林產(chǎn)可食資源安全與加工利用湖南省重點(diǎn)實(shí)驗(yàn)室1，長(zhǎng)沙 410004)(中南林業(yè)科技大學(xué)食品科學(xué)與工程學(xué)院2，長(zhǎng)沙 410004)(海普諾凱營(yíng)養(yǎng)品有限公司3，湖南 長(zhǎng)沙 410004)(岳陽(yáng)市質(zhì)量計(jì)量檢驗(yàn)檢測(cè)中心食品檢驗(yàn)所3，岳陽(yáng) 414000)

油茶(CamelliaOleiferaAbel.)屬山茶科(Theaceae)山茶屬(Camellia)的常綠小喬木或灌木，與油棕、油橄欖和椰子齊名為世界四大木本食用油料樹(shù)種[1]。油茶籽油又名山茶油、山茶籽油或茶油，是一種營(yíng)養(yǎng)和功能豐富的高品質(zhì)食用油[2-4]?；诓栌蜖I(yíng)養(yǎng)和經(jīng)濟(jì)價(jià)值高，以次充好、摻雜使假、以假頂真的市場(chǎng)現(xiàn)象較普遍[5]，故建立科學(xué)、快速、有效的茶油摻偽檢測(cè)方法是維護(hù)茶油正常市場(chǎng)秩序，保護(hù)合法生產(chǎn)經(jīng)營(yíng)者和消費(fèi)者權(quán)益的必然要求。

茶油摻偽鑒別主要是采用先進(jìn)的實(shí)驗(yàn)儀器和檢測(cè)技術(shù)，運(yùn)用數(shù)學(xué)統(tǒng)計(jì)分析方法，從大量復(fù)雜的結(jié)構(gòu)化量測(cè)數(shù)據(jù)中挖掘提取出摻偽鑒別所需的特征信息[6]。目前研究充分的量測(cè)數(shù)據(jù)包括脂肪酸、揮發(fā)性成分、活性伴隨物及其他理化指標(biāo)。茶油摻偽鑒別研究大多集中在檢測(cè)手段和分析方法上探討，如常規(guī)理化檢測(cè)法[7]、色譜法[8-10]、核磁共振法[11]、近紅外光譜法[12,13]、拉曼光譜法[14]、熒光光譜法[15]、電子鼻技術(shù)[16]及時(shí)間分辨熒光技術(shù)[17]等，這些技術(shù)能很好地實(shí)現(xiàn)茶油摻偽其他油脂的定性判斷和較好的定量鑒別，但難以實(shí)現(xiàn)壓榨風(fēng)味茶油摻浸出茶油的定性和定量鑒別。采用紅外光譜技術(shù)結(jié)合不同統(tǒng)計(jì)分析方法，如紅外光譜透射模式與透反射模式結(jié)合判別分析(DA)[18]和主成分分析(PCA)[19]，傅里葉變換紅外光譜儀結(jié)合偏最小二乘法(PLS)、支持向量機(jī)(SVM)和BP人工神經(jīng)網(wǎng)絡(luò)(BPANN)[20]等，可實(shí)現(xiàn)壓榨純茶油與浸出茶油的定性判別，但難以實(shí)現(xiàn)定量鑒別?；谖覈?guó)風(fēng)味茶油產(chǎn)品分類分級(jí)體系缺乏、感官品質(zhì)評(píng)價(jià)技術(shù)不完善、茶油風(fēng)味品質(zhì)調(diào)控不精準(zhǔn)和風(fēng)味茶油相關(guān)的結(jié)構(gòu)化量測(cè)數(shù)據(jù)難以確定，導(dǎo)致風(fēng)味茶油摻浸出茶油的相關(guān)研究鮮見(jiàn)報(bào)道。本研究提出了茶油的風(fēng)味和嗜好的定位，定義了茶油原香、濃香(烤香)和果香等8種正面描述語(yǔ)和糊味等10余種負(fù)面描述語(yǔ)[21-24]，創(chuàng)制了清香型、果香型和濃香(烤香)型3種風(fēng)味茶油的雙適度(籽適度烘焙調(diào)風(fēng)味、榨后適度精煉保風(fēng)味)制油新工藝[25-30]。

風(fēng)味茶油和浸出茶油的主要區(qū)別在于其揮發(fā)性成分的組成及其含量不同，其受油茶栽培品種、環(huán)境和加工工藝影響，所以定性和定量判斷風(fēng)味茶油摻浸出茶油的關(guān)鍵在于采用何種檢測(cè)技術(shù)和數(shù)據(jù)統(tǒng)計(jì)分析方法來(lái)挖掘和提取出摻偽鑒別所需的信息。本研究基于通過(guò)HS-SPME-GC-MS獲得的茶油揮發(fā)性成分組成及含量，運(yùn)用Python語(yǔ)言構(gòu)建了定量預(yù)測(cè)風(fēng)味(原香和濃香)茶油摻浸出茶油的偏最小二乘回歸(PLSR)模型，以期為風(fēng)味茶油摻浸出茶油的鑒別研究提供參考，為風(fēng)味茶油的精準(zhǔn)定級(jí)分類生產(chǎn)和評(píng)價(jià)提供技術(shù)支持。

1 材料與方法

1.1 實(shí)驗(yàn)材料

油茶籽自然曬干后物理冷榨(≤60 ℃)，再通過(guò)紗布過(guò)濾即得原香茶油。原香茶油油樣來(lái)源于湖南生產(chǎn)的茶油(編號(hào)YX1、YX2、YX3)以及本實(shí)驗(yàn)室制備(編號(hào)YX4)。

油茶籽烘烤干后物理冷榨(≤60 ℃)，再通過(guò)紗布過(guò)濾即得濃香茶油。本研究中的濃香茶油油樣分別來(lái)源于湖南生產(chǎn)的古茶油(編號(hào)KX1)、山柚油(編號(hào)KX2)以及實(shí)驗(yàn)室制備，具體制備方法：油茶籽120、150、180 ℃下熱炒1 h后進(jìn)行制備的油樣分別為KX3、KX4、KX5；150℃下分別熱炒10、20、30、40、50 min后制備的油樣分別為KX6、KX7、KX8、KX9、KX10。

浸出茶油是油茶餅通過(guò)有機(jī)溶劑浸提后獲得，浸出茶油(編號(hào)JC1)來(lái)源于于湖南某公司。

1.2 實(shí)驗(yàn)方法

1.2.1 實(shí)驗(yàn)儀器

7890B/5977A氣相色譜-質(zhì)譜聯(lián)用儀，毛細(xì)色譜柱(HP-5MS，30 m×250 μm×0.25 μm)，SPME固相微萃取頭(57348-U，50/30 μm DVB/CAR/PDMS)，CP224C電子天平，RCT basic加熱攪拌器，CA59G榨油機(jī)。

1.2.2 茶油揮發(fā)性成分的HS-SPME-GC-MS分析

茶油揮發(fā)性成分的HS-SPME-GC-MS分析方法及結(jié)果參考朱曉陽(yáng)等[30]的報(bào)道，原香茶油及浸出茶油樣品共檢測(cè)出45種揮發(fā)性物質(zhì)成分，濃香茶油樣品共檢測(cè)出56種揮發(fā)性物質(zhì)成分。

1.3 摻偽實(shí)驗(yàn)及模型的設(shè)計(jì)

原/濃香茶油摻浸出茶油設(shè)置2個(gè)質(zhì)量分?jǐn)?shù)梯度，自定義為高摻偽梯度(5%、10%、15%、20%、40%、60%、80%)和低摻偽梯度(2%、4%、6%、8%、10%)。高/低摻偽梯度設(shè)計(jì)的原香和濃香茶油摻偽樣本標(biāo)簽設(shè)置都為“1”，純?cè)愫蜐庀悴栌蜆颖緲?biāo)簽設(shè)置都為“0”。各類樣本數(shù)據(jù)數(shù)量及標(biāo)簽設(shè)置見(jiàn)表1。

表1 各類樣本數(shù)據(jù)數(shù)量及標(biāo)簽設(shè)置

1.4 據(jù)預(yù)處理及編程平臺(tái)

本研究模型和算法均基于Python 3.7編程語(yǔ)言在PyCharm 2018 IDE平臺(tái)(JetBrains(Prague), Czech Republic)進(jìn)行程序編寫蘋果(Apple Computer Inc.)筆記本，配置為因特爾酷睿i5 CPU(Intel(R)Core(TM)@1.70 GHz)，4 GB內(nèi)存，NVIDIA GeForce 320M顯卡。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 偏最小二乘回歸模型摻偽量預(yù)測(cè)精度分析

利用sklearn.cross_decomposition庫(kù)中的PLSRegression函數(shù)對(duì)數(shù)據(jù)構(gòu)建PLSR模型，并通過(guò)留一法交叉驗(yàn)證，得到不同摻偽梯度下PLSR模型摻偽量預(yù)測(cè)精度分析結(jié)果，見(jiàn)表2。高摻偽梯度下原/濃香茶油摻浸出茶油的摻偽量預(yù)測(cè)PLSR模型的平均R2值分別為0.998/0.998，平均RMSE值分別為1.127/1.166，決定系數(shù)取值較高且均方根誤差較低(表2)。低摻偽梯度下原/濃香茶油摻浸出茶油的摻偽量預(yù)測(cè)PLSR模型的平均R2值分別為0.956/0.999，平均RMSE值分別為0.592/0.094，決定系數(shù)取值較高且均方根誤差較低(表2)。與高摻偽梯度下的實(shí)驗(yàn)結(jié)果相比，濃香茶油的平均R2值基本持平，平均RMSE值下降；原香茶油的平均R2值降低，平均RMSE值明顯提高(表2)。結(jié)果表明PLSR模型定量鑒別原/濃香茶油摻浸出茶油的精準(zhǔn)率較高，且對(duì)于濃香茶油摻浸出茶油的定量鑒別效果優(yōu)于原香茶油摻浸出茶油。

表2 不同摻偽梯度下PLSR模型摻偽量預(yù)測(cè)精度分析

2.2 偏最小二乘回歸模型摻偽量預(yù)測(cè)結(jié)果分析

留一法交叉驗(yàn)證下PLSR模型預(yù)測(cè)原香茶油的摻偽量預(yù)測(cè)結(jié)果分析見(jiàn)表3，PLSR模型預(yù)測(cè)濃香茶油的摻偽量預(yù)測(cè)結(jié)果分析見(jiàn)表4。PLSR模型對(duì)絕大部分樣本的摻偽量預(yù)測(cè)較為準(zhǔn)確，預(yù)測(cè)值與真實(shí)值之間的相對(duì)誤差在0.65以內(nèi)(表3和表4)，但對(duì)個(gè)

表3 PLSR模型預(yù)測(cè)原香茶油的摻偽量預(yù)測(cè)結(jié)果分析

別低摻偽質(zhì)量分?jǐn)?shù)樣本的預(yù)測(cè)效果都較差，如2號(hào)真實(shí)摻偽質(zhì)量分?jǐn)?shù)為5%和2%的樣本的預(yù)測(cè)摻偽質(zhì)量分?jǐn)?shù)與真實(shí)摻偽質(zhì)量分?jǐn)?shù)的相對(duì)誤差分別達(dá)到了0.628和0.612(表3)，4號(hào)真實(shí)摻偽質(zhì)量分?jǐn)?shù)為5%的樣本的預(yù)測(cè)摻偽質(zhì)量分?jǐn)?shù)與真實(shí)摻偽質(zhì)量分?jǐn)?shù)的相對(duì)誤差達(dá)到了0.608(表4)。但PLSR模型對(duì)濃香茶油低摻偽梯度樣本的摻偽量預(yù)測(cè)比原香更為準(zhǔn)確，所有樣本的預(yù)測(cè)的相對(duì)誤差都比較小，均在0.14以內(nèi)(表4)。

表4 PLSR模型預(yù)測(cè)濃香茶油的定量摻偽結(jié)果分析

2.3 偏最小二乘回歸模型摻偽量預(yù)測(cè)結(jié)果的“真實(shí)摻偽量-預(yù)測(cè)摻偽量”散點(diǎn)圖分析

為了能更為直觀展示摻偽量預(yù)測(cè)結(jié)果，繪制“真實(shí)摻偽量-預(yù)測(cè)摻偽量”散點(diǎn)圖，高摻偽梯度下PLSR模型的摻偽量預(yù)測(cè)結(jié)果散點(diǎn)圖如圖1所示，低摻偽梯度下PLSR模型的摻偽量預(yù)測(cè)結(jié)果散點(diǎn)圖如圖2所示。在理想情況下，模型對(duì)樣本的摻偽量預(yù)測(cè)完全正確時(shí)所有樣本點(diǎn)應(yīng)當(dāng)全部落在直線y=x上，當(dāng)樣本點(diǎn)越接近直線y=x，模型對(duì)樣本摻偽量的預(yù)測(cè)效果越好。

圖1 高摻偽梯度下PLSR模型的摻偽量預(yù)測(cè)結(jié)果散點(diǎn)圖

如圖1所示，高摻偽梯度下，PLSR模型對(duì)原香和濃香茶油樣本中浸出茶油摻偽量的預(yù)測(cè)值相對(duì)于真實(shí)值都存在一定程度的浮動(dòng)，摻偽質(zhì)量分?jǐn)?shù)為5%、10%、15%、20%的樣本浮動(dòng)范圍較大，摻偽質(zhì)量分?jǐn)?shù)為40%、60%、80%的樣本的浮動(dòng)范圍較小(圖1)。在本研究中，PLSR模型對(duì)原香和濃香茶油中浸出茶油摻偽量的預(yù)測(cè)能力隨著摻偽質(zhì)量分?jǐn)?shù)的提高而增強(qiáng)，鑒別精準(zhǔn)度提高(圖2a和2b)，但PLSR模型針對(duì)濃香茶油摻浸出茶油的定量鑒別的準(zhǔn)確性和穩(wěn)定性都優(yōu)于原香茶油摻浸出茶油(圖1和圖2)。

圖2 低摻偽梯度下PLS模型的摻偽量預(yù)測(cè)結(jié)果散點(diǎn)圖

2.4 偏最小二乘回歸模型摻偽量預(yù)測(cè)結(jié)果的箱型圖分析

本研究進(jìn)一步以箱型圖的形式統(tǒng)計(jì)了PLSR模型對(duì)摻入浸出茶油的壓榨原/濃香茶油的摻偽量預(yù)測(cè)實(shí)驗(yàn)中真實(shí)值與預(yù)測(cè)值間的相對(duì)誤差，不同摻偽梯度下PLS模型的摻偽量預(yù)測(cè)相對(duì)誤差箱型圖如圖3所示。在高/低摻偽梯度下，PLSR模型對(duì)原香茶油樣本浸出茶油的摻偽量預(yù)測(cè)較為準(zhǔn)確，高摻偽梯度下大部分樣本的相對(duì)誤差集中都在0～0.1之間(圖3a)，低摻偽梯度下大部分樣本的相對(duì)誤差集中在0～0.15之間，但都仍存在少量離群點(diǎn)的相對(duì)誤差較高(圖3b)。在高/低摻偽梯度下，PLSR模型對(duì)濃香茶油中浸出茶油的摻偽量預(yù)測(cè)較為準(zhǔn)確，高摻偽梯度下大部分樣本的相對(duì)誤差集中在0～0.1之間(圖3c)，低摻偽梯度下大部分樣本的相對(duì)誤差集中在0～0.02之間(圖3d)，但都仍存在少量離群點(diǎn)的相對(duì)誤差較高。結(jié)果表明，本研究建立的PLSR模型對(duì)于濃香茶油摻浸出茶油的定量鑒別的精準(zhǔn)率較高，這可能是由于濃香茶油的揮發(fā)性成分多，訓(xùn)練集數(shù)據(jù)多。

圖3 不同摻偽梯度下PLS模型的摻偽量預(yù)測(cè)相對(duì)誤差箱型圖

3 結(jié)論

基于高摻偽梯度(5%、10%、15%、20%、40%、60%、80%)及低摻偽梯度(2%、4%、6%、8%、10%)的摻浸出油的壓榨油茶籽油的揮發(fā)性成分?jǐn)?shù)據(jù)，利用偏最小二乘回歸算法對(duì)原香與濃香壓榨油茶籽油摻浸出油茶籽油的摻偽量進(jìn)行定量預(yù)測(cè)。

實(shí)驗(yàn)結(jié)果表明，本研究構(gòu)建的基于揮發(fā)性成分定量預(yù)測(cè)風(fēng)味茶油摻浸出茶油的偏最小二乘回歸模型的預(yù)測(cè)能力較強(qiáng)，體現(xiàn)在R2值較高，平均RMSE值較小，相對(duì)誤差較小。對(duì)于原香油茶籽油，PLS模型對(duì)高摻偽梯度樣本的摻偽量預(yù)測(cè)的平均R2值達(dá)到了0.998，平均RMSE值為1.127，大部分樣本的相對(duì)誤差集中在0～0.1之間；PLS模型對(duì)低摻偽梯度樣本的摻偽量預(yù)測(cè)的平均R2值為0.956，平均RMSE值為0.592，大部分樣本的相對(duì)誤差集中在0～0.15之間。對(duì)于濃香油茶籽油，PLS模型對(duì)高摻偽梯度樣本的摻偽量預(yù)測(cè)的平均R2值達(dá)到了0.998，平均RMSE值為1.166，大部分樣本的相對(duì)誤差集中在0～0.25之間；PLS模型對(duì)低摻偽梯度樣本的摻偽量預(yù)測(cè)的平均R2值為0.999，平均RMSE值為0.094，大部分樣本的相對(duì)誤差集中在0～0.04之間。