MWPLS法在羊肉中TVB-N近红外定量分析中的应用

史智佳，田寒友，邹 昊，刘文营，乔晓玲*

（中国肉类食品综合研究中心，北京 1 00068）

MWPLS法在羊肉中TVB-N近红外定量分析中的应用

史智佳，田寒友，邹 昊，刘文营，乔晓玲*

（中国肉类食品综合研究中心，北京 1 00068）

将移动窗口偏最小二乘（moving window partial least squares，MWPLS）法应用于羊肉中挥发性盐基氮（total volatile basic nitrogen，TVB-N）含量的近红外定量分析模型的构建中，通过改变MWPLS的窗口宽度，优选与羊肉中TVB-N含量高度 相关的光谱区域。模型评价及验证结果显示，移动窗口宽度为160 个波长点时优选得到的光谱区域（1 325～1 484 nm）所构建的定量分析模型最佳，其预测相关系数、预测标准偏差、主因子数和预测偏差比率分别为0.856 84、0.564 29 mg/100 g、 5和2.9，这说明MWPLS可以有效地筛选羊肉中TVB-N的近红外光谱信息区间，提高定量分析模型的预测能力，并降低数据的处理量（数据点由800 个减少为160 个）。

近红外光谱；波段选择；移动窗口偏最小二乘法；挥发性盐基氮

挥发性盐基氮（total volatile basic nitrogen，TVB-N）是动物性食品腐败过程中，由酶和细菌的作用产生的氨及胺类等碱性含氮物，其含量会随着生鲜肉的腐败加剧而增加，是鉴定生鲜肉新鲜度的重要指标。近红外光谱分析技术具有快速、无损等优点，可以应用于TVB-N含量的快速检测[1-5]。

近红外光谱偏最小二乘（partial least squares，PLS）法是近红外定量分析中广泛应用的一种多元建模方法。在建立近红外光谱PLS定量分析模型时，为了简化模型，提高模型的预测能力和稳健性，常通过特定方法对近红外光谱进行特征波长或波长区间的筛选，剔除不相干或非线性变量[6-9]。移动窗口偏最小二乘（moving window partial least squares，MWPLS）法是一种基于PLS法的波段选择方法[10]。采用它优选光谱波段建立的PLS模型，预测精度可得到显著的改善[11-19]，并降低数据处理量。本实验对MWPLS法应用于生鲜羊肉中TVB-N含量近红外定量分析模型的构建效果进行了研究。

1 材料与方法

1.1 材料与试剂

生鲜羊肉 市购。

碳酸钾、甲基红（均为分析纯） 国药集团化学试剂有限公司；盐酸（分析纯） 北京化工厂；次甲基蓝（分析纯） 北京科拓器化玻璃有限公司。

1.2 仪器与设备

SupNIR-1520便携式近红外分析仪 聚光科技（杭州）股份有限公司；2257型分析天平 上海民桥精密科学仪器有限公司；扩散皿（标准型）；微量滴定管（最小刻度0.01 mL）。

1.3 方法

1.3.1 近红外光谱采集

将近红外光谱仪光学探头压在待测羊肉表面，于室温条件下采集肉样近红外光谱，肉样温度始终保持在0～4 ℃。采集的近红外光谱波长范围为1 000～1 800 nm，波长间隔为1 nm，仪器分辨率为10 nm；每个样品进行2 次光谱采集，每次间隔5 s；每次光谱采集，光谱扫描次数为10 次。

1.3.2 肉中TVB-N含量的测定

采用GB/T 5009.44—2003《肉与肉制品卫生标准的分析方法》中的微量扩散法。具体方法为：采集近红外光谱后，将对应部位的羊肉按照国标方法进行TVB-N值测定。

1.3.3 MWPLS

MWPLS的基本思想是将1 个窗口沿着光谱轴连续移动，每移动1 个波长点，采用交互验证方式确定最佳因子数并建立相应的PLS最优模型。改变移动窗口的宽度，最终得到系列不同窗口（移动波长点）和主因子数对应的残差平方和（the sums of squared residues，SSR）。据此选择与待测组分相关的高信息量的光谱区间[20]。本实验设定窗口宽度为100～200 个波长点，间隔为10 个波长点。SSR计算公式如下：

1.3.4 定量分析模型的建立及评价

样本化学值数据的处理借助Version 17.0 SPSS统计软件。近红外光谱的波段优选采用MWPLS方法，借助Matlab软件（R2012b, Version 8.0.0.783，美国MathWorks公司）实现。优选获取最佳波段后，借助聚光世达近红外分析测量分析软件（RIMP.P003.V01B.001，北京聚光世达科技有限公司）进行光谱预处理后，建立PLS法定量分析模型并进行模型评价。

2 结果与分析

2.1 数据预处理

建立模型前，首先利用样品化学值t化残差来判断样品是否为异常样品。当t化残差值大于2.5时，认为光谱可能异常。进一步考察光谱是否有明显缺陷，考虑是否剔除该样品。本研究中有效样本数共计94 个，采集光谱数188 条。将样本按TVB-N含量梯度排序，依3∶1分为模型校正集和验证集，其中TVB-N含量最大和最小样品归为校正集。表1列出羊肉中TVB-N含量的统计结果。

表1 羊肉中TVB-N含量统计表Table1 Statistics of TVB-N content in mutton

2.2 MWPLS优选光谱信息区间

将采集的近红外原始光谱及TVB-N含量数据分别导入Matlab软件中，通过MWPLS从全谱中选取与待测组分相关的高信息量的光谱区间。在不同窗口宽度下选择的光谱区间及其对应PLS模型的评价结果见表2。

表2 原始光谱在不同窗口下MWPLS选取的最优波段及模型评价结果Table2 PLS calibration results and corresponding spectral ranges selected by MWPLSR with different window widths of original spectra

表2中，模型的主因子数对建模效果至关重要。主因子数过少会导致用模型不能解释光谱-组分浓度数据的变化。两组数据之间相关性减弱，导致预测结果不准确。主因子数过多，用模型对包括极其细微的变化（如光谱的噪声信号）在内的光谱数据的变化进行解释，导致“过拟合”现象发生，模型对组分的特异性降低，分析结果不准确。按照概率统计，通过预测标准偏差（standard error of prediction，SEP）可以估计预测值与参考方法实际值之间的偏差。如光谱方法的预测值为，则参考方法实际值落在范围的概率为67%左右，落在范围的概率为95%左右[12]。SEP值越小，结果越准确。决定系数（R2）反映因变量（吸光度）和自变量（成分含量）之间的密切程度。R2值越接近于1，自变量对因变量的解释程度越高，自变量引起的变异占总变异的比例越高，模型的准确度越高。预测偏差比率（residual prediction deviation，RPD）为验证集标准偏差与SEP的比值，其值越大，说明模型的预测精度越高，建模效果越好。

从表2可以看出，不同移动窗口宽度下应用MWPLS法所优选的波段及建立PLS模型评价结果不尽相同。当移动窗口宽度为160个波长点时，优选的波段范围为1 325～1 484 nm，此时建立的PLS模型的各项评价参数最优，其主因子数为5，SEP为0.669 9 mg/100g，小于其他窗口宽度的值；决定系数（R2）为0.827 4，大于其他窗口宽度的值；交互检验RPD为2.41，亦是最大值，也即此光谱波段最佳。

从化学归类上进行分析，光谱区域1 325～1 484 nm处覆盖了—CH3的C—H组合频（2ν＋2δ）、亚甲基的C—H组合频（2ν＋3δ）、芳香族—CH的组合频（2ν＋3δ）、OH的组合频（νas＋νs）和1st倍频（νas＋νs）、—NH2的1st倍频（1 449～1 475 nm）、—CONH2—的2st倍频（1 441～1 460 nm）和—CONH—的2st倍频（1 460～1 511 nm）等信息[9,21]。这些信息为利用近红外光谱分析技术准确预测肉中TVB-N含量提供了理论基础。

2.3 PLS模型的建立及评价

借助RIMP光谱处理软件对光谱进行正交信号校正（orthogonal signal correction，OSC）后，建立全谱定量分析PLS模型和波段优选定量分析PLS模型，并将外部验证集代入模型进行预测能力评价，得到的结果见表3。预测相关系数（Rp）反映了TVB-N含量与光谱信息的线性相关性，其值越接近于1，两者的线性相关性越强。通常认为，如果RPD≥3.0，说明定标效果良好，建立的定标模型可以用于实际检测；如果2.5＜RPD＜3.0，说明利用NIR对该成分进行定量分析是可行的，但预测精度有待于提高；如果RPD＜2.5，则说明该成分难于进行NIRS定量分析[22]。

表3 指定光谱区间PLS建模结果Table3 Results of PLS modeling using given spectral regions

从表3可以看出，近红外光谱经过经OSC后，波段优选定量分析PLS模型好于全光谱定量分析PLS模型，其SEP值小于后者，而Rp、RPD值大于后者。OSC是一种基于浓度阵参与的光谱预处理方法[23-25]，可通过正交投影除去光谱阵中与待测组分无关的信息。张海东等[26]采用OSC对苹果的近红外光谱（1 300～2 100 nm）进行预处理，并结合PLS建立了苹果光谱对糖度的预测模型，结果证明OSC可滤除原始光谱中的部分噪声，保留原光谱中的主要信息，同时由于采纳的因子数少，模型变得十分简洁。

以上说明，MWPLS可以用于筛选近红外光谱信息区间，在减少所用数据点（由800 个减少到160个）数目，降低数据量并提高运算速度的同时，提高了羊肉中TVB-N含量定量分析模型的预测精确度。

3 结 论

本研究应用近红外光谱分析技术对羊肉中TVB-N的含量进行了检测。通过设置MWPLS的窗口宽度优选了光谱信息区间。借助RIMP光谱分析软件，对筛选出的最佳光谱区域（1 325～1 484 nm）进行PLS建模并评价。结果显示，由MWPLS筛选的波段所建立的定量分析模型的预测精度好于全谱模型，且用于建模的光谱数据点由800 个减少到160 个，其Rp、SEP、主因子数和RPD分别为0.856 84、0.564 29 mg/100 g、5和2.9，说明采用MWPLS可以筛选羊肉中TVB-N近红外光谱信息区间，在保证模型预测精度的前提下简化模型，提高建模效率。同时也说明近红外光谱分析技术可用于羊肉中TVB-N的定量分析。

[1] 侯瑞锋, 黄岚, 王忠义, 等. 用近红外漫反射光谱检测肉品新鲜度的初步研究[J]. 光谱学与光谱分析, 2006, 26(12): 2193-2196.

[2] 熊来怡, 胡耀华, 刘聪, 等. 近红外光谱检测猪肉挥发性盐基氮含量及其品质安全判别研究[C]//中国农业工程学会2011年学术年会论文集. 北京: 中国农业工程学会, 2011: 5.

[3] 刘兆丰. 基于近红外光谱技术的猪肉新鲜度快速预测与识别[D]. 杭州: 浙江工商大学, 2012.

[4] 赵松玮, 彭彦昆, 王伟, 等. 基于近红外光谱的生鲜猪肉新鲜度实时评估[J]. 食品安全质量检测学报, 2012, 3(6): 580-584.

[5] 郭培源, 林岩, 付妍, 等. 基于近红外光谱技术的猪肉新鲜度等级研究[J]. 激光与光电子学进展, 2013, 50(33): 183-189.

[6] YING Yibin, LIU Yande. Nondestructive measurement of internal quality in pear using genetic algorithms and FT-NIR spectroscopy[J]. Journal of Food Engineering, 2008, 84(2): 206-213.

[7] 邹小波, 赵杰文, 夏蓉, 等. 苹果糖度近红外光谱小波去噪和iPLS建模[J]. 农业机械学报, 2006, 37(6): 79-82.

[8] ZOU Xiaobo, ZHAO Jiewen, LI Yanxiao. Selection of the efficient wavelength regions in FT-NIR spectroscopy for determination of SSC of ‘Fuji’ apple based on BiPLS and FiPLS models[J]. Vibrational Spectroscopy, 2007, 44(2): 220-227.

[9] 褚小立. 化学计量学方法与分子光谱分析技术[M]. 北京: 化学工业出版社, 2011.

[10] JIANG Jianhui, BERRY R J, SIESLER H W, et al. Wavelength interval selection in multicomponent spectral analysis by moving window partial least-squares regression with applications to midinfrared and near-infrared spectroscopic data[J]. Analytical Chemistry, 2002, 74(14): 3555-3565.

[11] KASEMSUMRAN S, DU Y P, MURAYAMA K, et al. Near-infrared spectroscopic determination of human serum albumin, γ-globulin, and glucose in a control serum solution with searching combination moving window partial least squares[J]. Analytica Chimica Acta, 2004, 512: 223-230.

[12] DU Yiping, LIANG Yizeng, JIANG Jianhui, et al. Spectral regions selection to improve prediction ability of PLS models by changeable size moving window partial least squares and searching combination moving window partial least squares[J]. Analytica Chimica Acta, 2004, 501(2): 183-191.

[13] DAVIES T, NORRIS K H. NIR spectroscopy[J]. NIR News, 2005, 16(7): 9-12.

[14] KANG N, KASEMSUMRAN S, WOO Y A, et al. Optimization of informative spectral regions for the quantification of cholesterol, glucose and urea in control serum solutions using searching combination moving window partial least squares regression method with near infrared spectroscopy[J]. Chemometrics and Intelligent Laboratory Systems, 2006, 82(1): 90-96.

[15] KASEMSUMRAN S, DU Y P, MARUO K, et al. Improvement of partial least squares models for in vitro and in vivo glucose quantifications by using near-infrared spectroscopy and searching combination moving window partial least squares[J]. Chemometrics and Intelligent Laboratory Systems, 2006, 82: 97-103.

[16] 潘涛, 吴振涛, 陈华舟. 土壤总氮近红外光谱分析的波段优选[J]. 分析化学, 2012, 40(6): 920-924.

[17] 刘振尧, 潘涛. 可见-近红外光谱测定血红蛋白的等效波段选择[J].光学精密工程, 2012, 20(10): 2170-2175.

[18] 陈华舟, 唐国强, 艾武, 等. FT-NIR光谱应用于柚子皮果胶定量分析的波段优选[J]. 科学技术与工程, 2013, 13(12): 3232-3237.

[19] 张南楠, 张国鹏. 近红外光谱测定清热解毒口服液中绿原酸与黄芩苷的波段优选[J]. 安徽农业科学, 2013, 41(9): 4080-4081.

[20] JIANG Jianhui, BERRY R J , SIESLER H W, et al. Wavelength interval selection in multicomponent spectral analysis by moving window partial least-squares regression with applications to mid infrared and near infrared spectroscopic data[J]. Analytical Chemistry, 2003, 74(14): 3555-3565.

[21] 杰尔·沃克曼, 洛伊斯·文依. 近红外光谱解析实用指南[M]. 褚小立, 许育鹏, 田高友, 译. 北京: 化学工业出版社, 2009.

[22] 黄光群, 韩鲁佳, 杨增玲. 近红外漫反射光谱法快速测定畜禽粪便堆肥多组分含量[J]. 光谱学与光谱分析, 2007, 27(11): 2203-2207.

[23] FEARN T. On orthogonal signal correction[J]. Chemometrics and Intelligent Laboratory Systems, 2000, 50(1): 47-52.

[24] FERRÉ J, FABER N M. Net analyte signal calculation for multivariate calibration[J]. Chemometrics and Intelligent Laboratory Systems, 2003, 69(1/2): 123-136.

[25] NI Wangdong, BROWN S D, MAN R. The relationship between net analyte signal/preprocessing and orthogonal signal correction algorithms[J]. Chemometrics and Intelligent Laboratory Systems, 2009, 98(2): 97-107.

[26] 张海东, 赵杰文, 刘木华. 基于正交信号校正和偏最小二乘(OSC/ PLS)的苹果糖度近红外检测[J]. 食品科学, 2005, 26(6): 189-192.

Quantitative Analysis of Total Volatile Basic Nitrogen (TVB-N) in Mutton by Near-Infrared (NIR) Spectroscopy with Moving Window Partial Least Squares (MWPLS)

SHI Zhijia, TIAN Hanyou, ZOU Hao, LIU Wenying, QIAO Xiaoling* (China Meat Research Centre, Beijing 100068, China)

Moving window pa rtial least squares (MWPLS) is a method of regional optimization, which is most frequently used for selecting spectral region including large information related to the components to be determined in the samples. In this study, MWPLS was used to select the appropriate frequency range for setting up a partial least squares (PLS) model for quanti tative analysis of the total volatile basic nitrogen (TVB-N) in mutton. The near infrared refl ectance (NIR) spectra were processed by MWPLS and different spectral regions relevant to TVB-N content in meat were selected by chan ging the window width of MWPLS. T he evaluation and validation results showed that the optimal region for setting up a best PLS model was the original spectrum between 1 325 nm and 1 484 nm. and the corresponding correlation coeffi cie nt of prediction (Rp), standard error of prediction (SEP), rank and residual prediction deviation (RPD) were 0.856 84, 0.564 29 mg/100 g, 5 and 2.9, separately, suggesting that MWPLS is a valid method to select the spectral feature that reduces spectral data (from 800 reduce to 160) and enhances the prediction ability of the quantitative analysis model of TVB-N in mutton.

NIR spectroscopy; wavelength region selection; moving window partial least squares; TVB-N

TS251.7；O657.3；S37

A

1002-6630（2015）20-0218-04

10.7506/spkx1002-6630-201520042

2014-10-17

“十二五”农村领域国家科技计划课题（2012BAD28B01）

史智佳（1982—），男，工程师，硕士，研究方向为肉品质量安全控制。E-mail：szj2006@sina.com

*通信作者：乔晓玲（1964—），女，教授级高级工程师，本科，研究方向为肉品科学和加工技术。E-mail：cmecsen@126.com