激光诱导击穿光谱检测青菜中镉元素的多变量筛选研究

杨晖　黄林　刘木华　陈添兵　王彩虹　姚明印

摘要利用激光诱导击穿光谱（LIBS）技术与常规化学分析方法获取28个浓度梯度含Cd元素的青菜样品的LIBS谱线信息以及Cd含量信息。对获取的光谱信息结合标准归一化处理（SNV）、一阶导数（FD）、二阶导数（SD）、中心化处理（Center）作为偏最小二乘法（PLS）模型的优选方法；再根据4种预处理方法的预测结果选取最佳方法，同时将该方法作为间隔偏最小二乘法（iPLS）与联合区间间隔偏最小二乘法（SiPLS）优选青菜LIBS谱线的最佳波长区间。结果表明： 通过SiPLS优选的特征波长区间分别为214.72～215.82 nm，215.88～216.97 nm， 225.08～226.35 nm，并且经过中心化预处理后建立的验证模型效果最好，结果显示交叉验证均方根误差（RMSECV）为1.487，验证均方根误差（RMSEP）为1.094，相关系数（R）为0.9942，平均相对误差（ARE）为11.60%。 研究结果表明，所选优化方法适合青菜中重金属Cd元素的LIBS校正模型的建立，且具有较好的预測效果。

关键词激光诱导击穿光谱；青菜；镉；变量筛选

1引 言

蔬菜是人们日常生活不可缺少的食物之一，但由于工业废水、废气的排放及农药、化肥的滥用，导致蔬菜重金属超标现象时有发生[1～4]。Shaheen等[5]研究发现，重金属在蔬菜中的残留具有普遍性； Anwar等[6]对污水灌溉区叶菜样品进行了化学检测，得出重金属超标的结论；龚梦丹[7]等对杭州某蔬菜重金属风险进行评价，发现该地区以镉（Cd）污染为主；刘尧兰等[8]对环鄱阳湖区采集的叶类蔬菜样品重金属污染情况进行检测，结果显示青菜中Cd超标率为33%；Ye等[9]发现Cd在蔬菜中的积累能力高于其它重金属。蔬菜富集的重金属经食物链被人体吸收，危害健康。因此，需要在蔬菜进入餐桌前，对其安全性进行检测。检测蔬菜中重金属传统方法主要有原子吸收光谱法（AAS）[10，11]、电感耦合等离子体质谱法（ICPMS）[12]等，虽然这些方法检测精度高，但需要进行复杂的前处理，对操作人员具有较高的技术要求，且还会带来次生污染。因此，发展简单绿色、无污染的检测方法具有重要的现实意义。

激光诱导击穿光谱（LIBS）[13～15]是新型的物质成分分析技术，具有多元素检测、无需复杂的样品化学前处理、对环境友好等诸多优点，在材料成分检测[16，17]、生物医学[18，19]、产品分类[20，21]等领域应用广泛， LIBS在农产品质量安全检测方面的研究也日益突出，但主要集中在样品分类或矿物质营养元素的定性/定量分析研究[22]，对重金属污染物的研究较少[23]。为了提高LIBS在农产品重金属检测方面的预测精度，国内外研究组在定性/定量分析上采用了多种方法， Sankaran等[24]利用基线校正、小波去噪等预处理方法并结合支持向量机（SVM）算法对异常柑橘叶检测分类，结果表明，分类准确率为97.5%。陈添兵等[25]比较了5种不同的光谱数据预处理方法对PLS建立猪肉中Pb元素预测模型精度的影响，结果表明，多元散射（MSC）预处理效果最好，验证集预测平均相对误差为7.8%。

本研究以实验室Cd元素污染的青菜为例进行LIBS实验，采用偏最小二乘法（Partial least square， PLS）、间隔偏最小二乘算法（Interval PLS， iPLS）、联合区间偏最小二乘法（Synergy interval PLS， SiPLS）并结合不同的光谱预处理， 建立青菜中Cd元素的定量模型，比较不同变量筛选方法对模型预测能力的影响。

2实验部分

2.1仪器与试剂

固体Nd：YAG双光束激光器（中国北京Beamtech公司）； 输出波长1064nm，重复频率1～15 z，脉宽为8ns；激光能量测量仪（中国计量科学研究院）；双通道光栅光谱仪（荷兰Avantes公司）； 波长范围206～330 nm，330～483 nm，分辨率分别为0.08和0.16 nm；DG645数字脉冲延迟发生器 （美国Stanford 公司）； SC300二维旋转平台（北京卓立汉光公司）；便携式食品重金属快速分析仪（江苏天瑞仪器股份有限公司）； CdCl2， NO3， ClO4均为天津市永大化学试剂有限公司提供的纯度≥99%的优级纯试剂；实验用水均来自SRO10L/超纯水系统。

2.2污染样品制备

实验所用的青菜（四季小白菜）样品购自本地农贸市场，初步测定样品中Cd元素含量为0.22 mg/kg。为了研究LIBS对青菜中Cd元素的预测可行性，需要对样品进行实验室污染处理。首先称取不同质量的CdCl2，配制浓度范围在0.2～10 mg/L的28个浓度梯度的Cd水溶液。将青菜放入配制好的溶液中浸泡4 h后取出，并用去离子水多次清洗， 消除样品表面残留的Cd的影响，自然风干后， 将3片叶片叠加放置于LIBS试验平台进行光谱采集。LIBS测试结束后，取LIBS击打附近0.5 g青菜样品放入150 mL锥形瓶中，加入25 mL NO3ClO4混合酸（4∶1， V/V），放置约10 h。然后在电热板上加热，直至锥形瓶中溶液剩1～2 mL，且为无色透明或略现黄色。完全冷却，用少量超纯水清洗瓶壁，通过中速滤纸过滤到50mL容量瓶中，用超纯水定容。再采用石墨炉原子吸收分光光度计校核准确度为95%～105%的便携式食品检测仪获取样品中Cd元素的浓度，为保证测量的准确性，每个样品做3次重复，结果如表1所示，可知污染处理后的青菜样品Cd平均真实浓度在0.7978～28.20 mg/kg之间，均超过食品安全国家标准[26]。同时可知除#8样品多次测量重复性为5.13%之外，其余样品测量重复性均在5%以下，整体在0.07%～4.63%范围内变化，说明此便携式检测方法稳定性满足要求。

3结果与讨论

3.1LIBS谱线

LIBS试验装置工作时，激光器发射高能脉冲激光经反射镜反射，由焦距为100 mm的聚焦透镜聚焦于放置在二维旋转平台上的样品表面产生的等离子体，再经穿孔反射镜反射到焦距为100 mm的水平石英聚焦透镜耦合至光纤，光谱仪对光纤传输的信号进行采集，最后利用计算机对光谱信息进行分析处理。为了减少样品不均匀性带来的误差，提高分析灵敏度，第一束激光能量选取160 mJ，第二束激光能量为180 mJ，同时每个样品采集10幅光谱，每幅光谱均是激光累计击打15次的平均结果，最终光谱数据选择平均值。

图1是无污染处理的青菜样品和#7污染处理样品在206.28～330.99 nm波长范围的LIBS谱线，可以看出，LIBS能清晰探测到#7样品中的Cd 214.43 nm， Cd 226.50 nm， Cd 228.80 nm 3条特征谱线，而在对照组青菜样品中则未探测到Cd元素的谱线信息。根据探测的等离子体谱线分布对比查询NIS标准原子光谱数据库，可知在该波段范围内含有丰富的Fe， Mg， Na， Al和Ca等矿质元素。

3.2光谱处理

LIBS采集光谱信息时，受仪器本身的稳定性、实验参数、外部环境等因素的影响，获取的光谱数据中除含有青菜所需的原始信息外，还包含基线漂移、背景信号、噪声信号等干扰信息。为了提高后期数据分析的准确性、减小误差，对采集的光谱结合基线校正、小波去噪等前处理方法。图2为#7青菜样品光谱前处理结果。可知，样品在211.10～229.53nm波长范围内的原始LIBS谱线整体向上漂移，且包含了较多的噪声信号。通过手动基线校正与小波去噪后，对基线的漂移和噪声去除有较为明显的改善，且原本被噪声信号掩盖或不易辨析的其它元素信号也得以显现。

3.3变量筛选

为进一步消除噪声信号与基线偏移对模型的影响，采用标准归一化处理（SNV）、一阶导数（FD）、二阶导数（SD）、中心化处理（Center）对前处理后的光谱进一步处理，同时结合偏最小二乘法（PLS）进行建模分析选取最佳处理方法，并在此基础上将此处理方法作为间隔偏最小二乘法（iPLS）与SiPLS数据预处理方法，进行建模分析， 选取最佳变量区间，以提高青菜中Cd元素的预测模型精度。

3.3.1偏最小二乘法建模分析选取包含目标元素Cd特征谱线Cd 214.43 nm，Cd 226.50 nm，Cd 228.80 nm 在内的211.10～229.53 nm波长范围所有LIBS强度值作为分析自变量与Cd元素含量相关联， 进行建模分析。分析结果如表2所示，在中心化预处理下PLS具有良好的预测性能，此时预测集预测浓度与原始浓度相关系数（R）为0.9976，预测均方根误差（RMSEP）为0.8996，相对分析误差（Relative percent deviation，RPD）为1.761，验证集预测平均相对误差（ARE）为12.59%，其中相对分析误差RPD=SEDV/RMSECV（SEDV）为定标集标准偏差，RMSECV为交叉验证均方根误差，RPD>2时建立模型可靠； RPD<1.5时，表示模型预测不准确； RPD在1.5～2.0之间， 基本可以满足预测精度要求[27]。根据PLS模型的优化比较结果将中心化处理作为iPLS与SiPLS的数据前处理方法。

3.3.2间隔偏最小二乘法建模iPLS是将选取的LIBS光谱等分为若干子区间，分别对每个子区间建立PLS模型，并对主成分（PC）数进行选取，最终选择最佳建模子区间。本工作比较了不同区间数对模型预测能力的影响，结果见表3和图3，可知iPLS模型下将区间个数划分为12时，选择区间数10，波长范围为225.08～226.63 nm，主成分数为6模型效果最佳，此时定标集相关系数（Rt）为0.9849、交叉验证均方根误差（RMSECV）为1.553、验证集相关系数（Rp）为0.9989、验证集均方根误差（RMSEP）为0841、验证集相对平均误差（ARE）为16.99%。

3.3.3联合区间间隔偏最小二乘法建模SiPLS是将划分子区间中精度较高的几个局部模型联合起来共同预测待测元素成分。不同区间数下SiPLS模型预测能力见表4与图4，可见在SiPLS模型下将区间数划分16，选择联合子区间[4513]，联合区间波长范围为214.72～215.82 nm，215.88～216.97 nm， 225.08～226.16 nm，主成分数为9时模型效果最佳，此时Rt、RMSECV、Rp、RMSEP、ARE分别为0.9863， 1.487， 0.9942，1.094， 11.60%。

3.4结果对比分析

综上所述，采用不同的变量筛选方法对同一样本进行变量筛选，对LIBS建模分析精度有较大的影响。结合多个指标对模型进行的优劣进行评价，综合对比3种分析模型，可知在SiPLS模型下有较好的分析预测效果，这主要是因为PLS模型选择整个211.03～229.56 nm波长范围的LIBS谱线信息，其中包含分析所需的有用信息，同时也融入了大量的冗余信息，对分析准确性造成干扰；iPLS模型将所选的211.03～229.56 nm波长范围划分为若干子区间，分别进行PLS建模分析，并对潜在变量因子数进行优化，选取最佳建模区间，但可能会遗漏一些有用信息，分析信息不完整影响分析准确度；SiPLS是将同一次区间划分中精度较高的几个局部模型所在的区间联合起来共同预测待测成分，在选取主要信息同时也会在其它区间进行筛选，将筛选的区间联合起来共同预测成分。与PLS相比减少了分析中融入的无用信息，与iPLS相比补充了分析中可能遗漏的有用信息，提高了分析准确性。

4结 论

本研究以四季小白菜作为叶类蔬菜代表，进行LIBS对蔬菜中重金属元素Cd的分析可行性研究，在实验室含Cd溶液污染处理条件下获取了不同浓度梯度的叶菜样品，并利用LIBS技术对青菜光谱信息进行检测，探讨了PLS，iPLS， SiPLS 3种变量筛选方法对Cd元素分析精度的影响，建立Cd元素含量的预测模型。将3种模型的预测结果进行综合对比，比较结果表明，3种模型预测集相关系数与均方根误差均相近，在评价预测准确性的相对误差参数上，SiPLS模型优于其它两种模型，其平均相对误差为11.60%。低浓度样品预测时，较小的绝对误差会引起较大的相对误差，将其中一个相对误差较大的低浓度样品剔除后，预测样品平均相对误差为8.3%。结果表明，LIBS技术结合经变量篩选后的SiPLS算法能够更为准确检测青菜中的重金属Cd元素，提高模型预测的精度。

Abstracteavy metal residue in vegetables is a big concern in the whole world. he aim of this work is to explore the effect of multivariable selection on analyzing Cd in Chinese cabbage polluted in lab by collecting the spectra of laser induced breakdown spectroscopy （LIBS） from the samples. At the same time， the actual Cd content in samples was obtained by anodic stripping voltammetry （ASV）. he LIBS spectral range in partial least square （PLS） model was screened by standard normal variable transformation （SNV）， first derivative （FD）， second derivative （SD） and center treatment （C） for preprocessing spectra and the optimized method was used for the analysis of interval partial least square （iPLS） and synergy interval partial least square （SiPLS）. he results indicated that the method of C was the best as a comparison with PLS， iPLS and SiPLS. And the intervals of wavelength were 214.72-215.82 nm， 215.88-216.97 nm and 225.08-226.35 nm by utilizing the optimized SiPLS. ere the root mean square error of cross validation （RMSECV） between real content and predicted ones was 1.487， the root mean squared error of prediction （RMSEP） was 1.094， the correlation coefficient （R） was 0.9942， and the average relative error （ARE） was 11.60%. he results displayed that LIBS could predict Cd in vegetables by multivariable selection of SiPLS and the accuracy could meet the requirement of rapid and green analysis of Cd in vegetables.

KeywordsLaser induced breakdown spectroscopy； Chinese cabbage； Cadmiun； Variable screening