傅里叶近红外光谱法快速检测魔芋葡甘聚糖中掺假羧甲基纤维素含量

覃小丽，钟金锋，张甫生（西南大学食品科学学院，重庆400715）

傅里叶近红外光谱法快速检测魔芋葡甘聚糖中掺假羧甲基纤维素含量

覃小丽，钟金锋*，张甫生
（西南大学食品科学学院，重庆400715）

采用傅里叶近红外光谱检测魔芋葡甘聚糖中羧甲基纤维素掺假比例，以基线校正、平滑、矢量归一化、一阶求导和二阶求导法对光谱进行处理，利用偏最小二乘法建立了相应的数学模型，并通过交互验证和外部验证检验了鉴别模型的预测精度和可靠性。所建立的校正集模型的决定系数R值为0.933～0.997，校正均方根误差范围为7.64%～1.56%；结合验证集模型的决定系数和均方根误差确定以一阶导数（5平滑点）处理光谱，所得模型预测效果最佳，模型的预测均方根误差为8.37%；校正模型中羧甲基纤维素在魔芋葡甘聚糖中掺假水平的预测值和实际值的相关系数为0.9905。结果表明，近红外光谱结合化学计量法在有效、快速、准确地定量检测魔芋葡甘聚糖中掺假羧甲基纤维素的可行性。

魔芋葡甘聚糖，傅里叶近红外光谱，羧甲基纤维素掺假，偏最小二乘法，快速鉴别

魔芋葡甘聚糖（Konjac glucomannan，简称KGM）是魔芋粉的主要成分，是一种非消化性的膳食多糖，已在中国、日本等亚洲国家广泛食用。一方面，KGM具有良好的成膜、凝胶和增稠性能及独特的质感，在可食性膜和各种食品添加剂方面应用广泛［1-3］。另一方面，KGM对人体有促进减肥、通便作用，改善糖尿病患者的碳水化合物代谢，降低甲亢患者血清甲状腺激素水平，防止结肠癌形成风险，调节脂质代谢

等功能［4-7］。上述功能的发挥与KGM品质（纯度）直接相关。然而，某些商家受到利益驱使在魔芋粉中添加价格便宜、感官上难鉴别的其他组分，以获取更高利润。该类组分通常会影响KGM的加工性能、营养价值和预防疾病的功效。因此，发展一种快速、简单、准确定量鉴别KGM掺假的分析方法，对控制KGM品质和维持市场秩序具有重要意义。

KGM含量的检测方法主要有：比色法［8］、高效液相色谱法［9］、热重分析法［10］、气相色谱法［11］和酶联免疫吸附法［12］。这些方法均存在一定缺点，如前处理繁杂和耗时、测定操作复杂；部分方法难以排除某些掺假组分（如淀粉）对KGM的干扰。近些年，傅里叶变换近红外光谱（Fourier transform near-infrared spectroscopy，简称FT-NIR）因其具有操作简单、测定快速和准确等特点，已成功用于苹果汁［13］、蜂蜜［14］和动物肉［15］的掺假鉴别分析。

羧甲基纤维素（Carboxymethyl cellulose，简称CMC）具有良好的亲水性，与KGM有较好混溶性能，将两者混合可制备可食性膜［16］。虽然往KGM添加CMC可增加KGM制品的一些物理性能，但对KGM相关功能食品，其纯度是至关重要的指标。目前，FT-NIR用于KGM中掺入CMC的相关鉴别研究尚未见报道。因此，本文以KGM、CMC掺假KGM为研究对象，探讨FT-NIR结合化学计量学方法对CMC掺假KGM的快速检测的可行性。

1 材料与方法

1.1 材料与仪器

魔芋葡甘聚糖（KGM，纯度≥95%） 四川绵阳魔芋科技公司；羧甲基纤维素（CMC，纯度≥99%） 天津科密欧试剂公司。

MPA型傅里叶变换近红外光谱仪 配带漫反射积分球附件和OPUS 6.5光谱采集软件，德国布鲁克光学仪器公司。

1.2 KGM及掺假KGM的制备

将KGM和CMC在50℃真空干燥箱中干燥，直至恒重，然后将样品置于干燥器中冷却。KGM中CMC掺假百分数分别为0.0%（10份）、15.5%（9份）、20.0% （9份）、25.6%（10份）、32.5%（9份）、41.4%（8份）、53.3%（7份）和100%（8份）（wt%，按照CMC占样品总质量百分比计算），共制样70个。其中，随机抽取53个样品（占总样品数的75.7%；包括KGM、CMC、CMC掺假KGM样品，所选的掺假比例涵盖了所测试样品的范围）用于建模（校正集），剩余17个样品（占总样品数的24.3%）用于交互验证（验证集）。此外，通过实验室不同人员制备8个CMC掺假KGM样品（CMC含量随机设定，分别为9.0%、17.4%、37.2%和45.0%）用于模型的外部验证。所有样品制备好后，置于干燥器中保存待FT-NIR检测。

1.3 光谱测定条件与数据采集

样品测试前，将光谱仪开机预热30 min，使光谱测定状态处于较理想状态。测定条件：扫描范围12000～4000 cm-1，分辨率为8 cm-1，每个样品连续扫描64次，PbS检测器，采用石英样品杯和样品旋转台，漫反射方式收集信号。在室温下测试样品，以OPUS 6.5软件采集光谱；每隔30 min对仪器进行空白背景扫描，以减少基线漂移和噪音对样品测定结果的影响。

1.4 光谱数据预处理方法

1.4.1 光谱数据的初级预处理 采用光谱仪自带的OPUS 6.5软件对所收集的原始光谱进行基线校正、平滑和矢量归一化处理以滤去光谱噪声和优化光谱分析信号，获得初级预处理光谱数据。

1.4.2 导数光谱的获取 将初级预处理光谱数据经Microsoft Excel转置后导入SIMCA-P 11.5软件（Umetrics，Umeå，瑞典），采用一阶求导或二阶求导与Savitzky-Golay卷积平滑法相结合处理所得的初级预处理光谱，平滑点数分别设为5、7、9、11和13，获得一阶导数谱和二阶导数谱。

1.5 预测模型建立与评价

1.5.1 主成成分分析 对初级预处理光谱、一阶导数光谱和二阶导数光谱数据逐一进行主成分分析（Principal components analysis，简称PCA）以获取不同CMC掺假比例样品的主成分因子。同时，探讨光谱预处理方法对相关结果的影响。

1.5.2 建模方法与评价 在校正集中，分别以初级预处理光谱、一阶导数光谱和二阶导数光谱为对象，采用偏最小二乘法（Partial least squares，简称PLS）建立KGM中CMC掺假比例的定量分析模型。剩余17个样品作为内部交互验证集。以校正集的决定系数（coefficient of determination，简称R）、校正集均方根误差（root mean square error of calibration，简称RMSEC）、交互验证集决定系数R和交互验证集均方根误差（root mean square error of validation，简称RMSEV）为指标比较分析，筛选出最适光谱处理方法以及预测精度高和可靠性好的鉴别模型。RMSEC和RMSEV值越低，R和R值越高，表示该预测模型效果越好。

此外，来自不同操作人员另外制备的8份样品（掺假比例随机确定为9.0%、17.4%、37.2%和45.0%，以CMC占样品总质量计算；每个比例设有2个样本）作为外部验证集来测试最佳预测模型的适应性，以评价预测模型用于真实样品的任意纯度测定的可靠性。

2 结果与讨论

2.1 样品的近红外光谱

所测试样品间的FT-NIR吸光度较为接近，为了观察和区分各掺假比例下的光谱，对CMC掺假比例为15.5%～100%的光谱在原有吸光度的基础上进行了适当整体上移调整，如图1a所示。KGM和CMC的官能团所对应的吸收峰已有文献［17-18］报道；由图1a所示，样品的主要特征吸收峰及其对应的振动模式如下：4300 cm-1处为C-H拉伸和-CH2变形振动的组合频峰；4757 cm-1处为C-O伸缩和O-H变形振动的组合频峰；5172 cm-1附近为O-H伸缩和C-O一级倍频组合峰；5600～5996 cm-1的吸收峰是-CH2基团中C-H一级倍频峰；6000～7000 cm-1的吸收峰是O-H或N-H伸缩振动的一级倍频峰；8315 cm-1附近为多种官能团的C-H伸缩振动的二倍频峰。从上述分析可知，不

同样品的光谱信息存在较大的重叠。对KGM、CMC 和CMC掺假的KGM光谱数据进行一阶求导和二阶求导处理，相关衍生化光谱如图1b、c所示。从初级预处理光谱、一阶导数光谱和二阶导数光谱可知，在考察的波数范围内KGM及CMC掺假的KGM样品的光谱线轮廓和峰形从肉眼上看均非常相似；在波数＜8000 cm-1图谱的相对吸收度或其导数值存在细微的差异（图1），但仍然不能直观地鉴别KGM和掺假KGM。因此，需要进一步结合适当的化学计量学方法（如PCA、PLS）对光谱数据进行分析，以获得CMC掺假KGM定性定量分析模型。

图1 CMC掺假KGM的初级预处理光谱（a）、一阶导数光谱（b）和二阶导数光谱（c）Fig.1 The original（a），first-order derivative（b）and secondorder derivative（c）spectra of authentic and CMC-adulterated KGM samples

2.2 光谱数据的主成分分析

对KGM和CMC掺假KGM的70个样品的初级预处理光谱、一阶导数光谱和二阶导数光谱数据进行主成分分析，得到最主要的前两个成分的散点分布图（如图2）。由图2a可看出，KGM能与CMC、CMC掺假的KGM样品明显区分开，但CMC掺假的KGM样品组内的样品聚集相对分散，CMC掺假的KGM样品（CMC掺假比例53.3%）与CMC存在重叠现象。而且，前两个主成分PC1和PC2对信息的积累贡献率仅为36.2%，即前两个主要成分代表原始数据36.2%的信息量，表明其不足以代表70个样品原始数据的主要特征，有效信息丢失较多。但是，对初级预处理光谱进行一阶求导和二阶求导后得到的衍生化图谱后，其前两个主成分的散点图（图2b、c）显示，同一掺假比例的CMC掺假KGM样品趋向紧密聚集；此时，一阶导数图谱和二阶导数图谱的前两个主成分分别能够解释原始光谱量89.6%和95.5%的信息。显然，对测试样品的原始光谱进行导数衍生化处理有助于提高KGM、CMC和掺假KGM的区分度。

图2 KGM和CMC掺假KMG的初级预处理光谱（a）、一阶导数图谱（b）和二阶导数图谱（c）的主成分分析图Fig.2 PCs-score plots of the original spectra（a），first-derivative spectra（smoothingwith5pointsineach）（b），andsecond-derivative spectra（smoothing with 5 points in each）（c）

2.3 鉴别模型的建立与验证

以不同光谱处理方法的图谱数据为对象，采用

PLS法建立各种校正集模型，结果见表1。由表1可知，初级预处理光谱的模型的R和RMSEC分别为0.933 和7.64%。经过一阶求导和二阶求导后图谱的PLS校正模型的R均高于0.97及RMSEC值均低于4.24%。R越接近于1和RMSEC越低，说明校正模型效果越佳。可见，导数衍生化处理后的鉴别模型效果优于初级预处理光谱的模型效果，这与上述PCA分析结果是一致的。

表1 不同光谱处理方法对PLS模型效果的影响aTable1 Effect of various treatment methods of spectra on the PLS modela

为了评价校正模型的预测精度，选择了17组KGM、CMC和掺假KGM作为验证集，评价结果见表1。由表1可知，二阶导数光谱的PLS模型中R和RMSEV分别为0.818和15.1，说明该模型的预测精度较低；同样，初级预处理光谱所对应的PLS模型的验证结果显示其模型拟合效果也较差。有研究显示使用数学平滑能够降低光谱的噪音［19］。然而，不适宜的平滑参数会丢失一些重要的变量信息。因此，有必要对平滑参数进行优化。由表1可知，在所建立的模型中，一阶导数图谱（5个平滑点）数据建立的PLS模型的R值（0.928）较高和RMSEV值（8.37）最低。因此，选择一阶求导法（5个平滑点）对光谱处理为最佳的处理方法，并基于该处理的光谱数据进行PCA分析和PLS预测鉴别模型的建立。此外，运用该PLS模型对交互验证集的17个样品掺假比例的预测值与实际值进行比较（图3）。校正集的PLS模型回归方程为y=0.9905x+0.3323，CMC掺假比例的预测值与实际值的决定系数（R2）在0.99以上，结果表明该模型具有较好的预测能力。

此外，采用另外8个CMC掺假KGM样品作为外部验证集以验证最优PLS模型的预测能力、可靠性和适应性，结果如图3所示。其掺假比例的实际值与经最优PLS模型计算的掺假比例的预测值同样具有良好的线性相关性（R2=0.9905）。

图3 一阶导数谱（5个平滑点）的最优预测模型的CMC掺假比例的预测值和实际值的比较Fig.3 Predicted values vs.actual values of adulteration in the calibration set，validation set and the external validation set （first-order derivative spectra data with 5 points）

3 结论

本文采用FT-NIR结合偏最小二乘法建立了CMC掺假KMG的FT-NIR数学模型，通过比较不同的光谱处理方法对校正模型的效果，结合交互验证集（17个样品）进行检验，最终确定光谱处理方法为一阶求导（5个平滑点）时，校正模型（R=0.991，RMSEC= 2.84%）取得较好的结果。校正集模型中CMC掺假水平的预测值与实际值呈很好的线性关系（r=0.9905）。综上述，FT-NIR可用于KMG中CMC掺假水平的定量检测分析。所建立的定量鉴别模型具有样品制备简单、检测快速等显著优点。

［1］Li B，Kennedy J F，Jiang Q G，et al.Quick dissolvable，edible and heatsealable blend films based on konjac glucomannan-Gelatin［J］.Food Research International，2006，39（5）：544-549.

［2］Liu J，Zhu K，Ye T，et al.Influence of konjac glucomannan on gelling properties and water state in egg white protein gel［J］.Food Research International，2013，51（2）：437-443.

［3］Zhou Y，Cao H，Hou M，et al.Effect of konjac glucomannan on physical and sensory properties of noodles made from lowprotein wheat flour［J］.Food Research International，2013，51（2）：879-885.

［4］Chen H L，Cheng H C，Liu Y J，et al.Konjac acts as a natural laxative by increasing stool bulk and improving colonic ecology in healthy adults［J］.Nutrition，2006，22（11-12）：1112-1119.

［5］Azezli A D，Bayraktaroglu T，Orhan Y.The use of konjac glucomannan to lower serum thyroid hormones in hyperthyroidism ［J］.Journal of the American College of Nutrition，2007，26（6）：663-668.

［6］Sood N，Baker W L，Coleman C I.Effect of glucomannan on plasma lipid and glucose concentrations，body weight，and blood pressure systematic review and meta-analysis［J］.The American Journal of Clinical Nutrition，2008，88（4）：1167-1175.

［7］Wu W T，Chen H L.Effects of konjac glucomannan on putative risk factors for colon carcinogenesis in rats fed a high-fat diet［J］.

Journal of Agricultural and Food Chemistry，2011，59（3）：989-894.

［8］胡敏，李波，龙萌，等.魔芋葡甘聚糖含量的测定［J］.湖北农业科学，1998（5）：56-58.

［9］谢小波，李桂贞.高效液相色谱法测定魔芋葡甘露聚［J］.华东理工大学学报，2002，28：406-409.

［10］周光来，但悠梦，万佐玺，等.热分析法鉴别魔芋精粉的等级［J］.湖北民族学院学报，2006，24（4）：321-323.

［11］廖燕芝，杨代明，张继红，等.气相色谱法测定魔芋食品中葡甘聚糖及淀粉含量［J］.食品与生物技术学报，2008，27（4）：66-69.

［12］Hurley I P，Pickles N A，Qin H，et al.Detection of Konjac glucomannan by immunoassay［J］.International Journal of Food Science&Technology，2010，45（7）：1410-1416.

［13］Kelly J F D，Downey G.Detection of sugar adulterants in apple juice using Fourier transform infrared spectroscopy and chemometrics［J］.Journal of Agricultural and Food Chemistry，2005，53（9）：3281-3216.

［14］Zhu X，Li S，Shan Y，et al.Detection of adulterants such as sweeteners materials in honey using near-infrared spectroscopy and chemometrics［J］.Journal of Food Engineering，2010，101（1）：92-97.

［15］张玉华，孟一，姜沛宏，等.近红外技术对不同动物来源肉掺假的检测［J］.食品工业科技，2015，36（3）：316-319.

［16］Cheng L H，Karim A A，Seow C C.Characterisation of composite films made ofkonjac glucomannan（KGM），carboxymethyl cellulose（CMC）and lipid［J］.Food Chemistry，2008，107（1）：411-418.

［17］Xu L，Yan S M，Cai C B，et al.Untargeted detection of illegal adulterations in Chinese glutinous rice flour（grf）by NIR spectroscopy and chemometrics：specificity of detection improved by reducing unnecessary variations［J］.Food Analytical Methods，2013，6（6）：1568-1575.

［18］Xu L，Shi P T，Ye Z H，et al.Rapid analysis of adulterations in Chinese lotus root powder（LRP）by near-infrared（NIR）spectroscopy coupled with chemometric class modeling techniques ［J］.Food Chemistry，2013，141（3）：2434-2439.

［19］Heise H M，Winzen R.Chemometrics in near-infrared spectroscopy［J］.Near-infrared Spectroscopy：Principles，Instruments，Applications，2002：125-162.

Rapid identification of konjac glucomannan adulterated with carboxymethyl cellulose based on FT-NIR spectroscopy

QIN Xiao-li，ZHONG Jin-feng*，ZHANG Fu-sheng
（College of Food Science，Southwest University，Chongqing 400715，China）

The carboxymethyl cellulose（CMC）adulterated in konjac glucomannan（KGM）was detected by Fourier transform near infrared spectroscopy（FT-NIR）.Principal component analysis and partial least squares techniques were used for qualitatively analyzing of the spectra and establishing calibration models from the spectra pretreated by various correction algorithms including baseline correction，smoothing，vector normalization，first derivative and second derivative.The predication accuracy and reliability of the models were checked by cross-validation and external validation.Coefficients of determination（Rin calibration set）and root mean square error of the calibration models ranged from 0.933 to 0.997 and 7.64%to 1.56%，respectively，depending on the mathematical pre-treatment methods on the spectra.The optimal calibration model with first derivative （5 points）pretreatment was obtained by using the validation set that gave a root mean square error of prediction of 8.37%.The analytical results demonstrated that the correlation between the chemical value（true value）of samples of calibration set and the FT-NIR predicated value was 0.9905.The results indicated that chemometric-assisted FT-NIR spectroscopy could be a simple and efficient tool for the detection and quantification of KGM adulterated with cheaper CMC.

konjac glucomannan；Fourier transform near-infrared spectroscopy；carboxymethyl cellulose adulteration；partial least squares analysis；rapid identification

TS201.1

A

1002-0306（2016）08-0054-05

10.13386/j.issn1002-0306.2016.08.002

2015－09－08

覃小丽（1984-），女，博士，讲师，研究方向：功能食品与营养，E-mail：qinxl@swu.edu.cn。

*通讯作者：钟金锋（1984-），男，博士，讲师，研究方向：食品分析和食品化学，E-mail：jinfzhong@163.com。

中央高校基本科研业务费专项（XDJK2013B034，XDJK2014B019）；重庆市基础与前沿研究计划（cstc2013jcyjA80024，cstc2015jcyjA80013）项目。