基于低场核磁共振技术的大米水分含量及活度快速预测

吉琳琳 夏阿林

(邵阳学院食品与化学工程学院，湖南 邵阳 422000)

水分活度是一个反映产品稳定性和微生物安全的重要参数，主要用来反映物料平衡状态下的水分状态，可以更加准确地反映食品中自由水的含量。随着周围环境条件的不断变动，大米中的水分活度也会随之产生变化，活度值的大小对大米的质构与稳定性有直接的影响[1-4]。因此探索一种快速而准确的同时检测大米水分含量及活度的方法，对控制大米口感、加工、储藏、运输、微生物的稳定性、保质期、营养价值等具有重要意义。

低场核磁共振技术作为一种应用于食品领域的新技术，具有无损、绿色以及快速等优点。该技术使用特定的脉冲序列Carr-Purcell-Meiboom-Gill(CPMG)，使样品中的氢质子发生共振后由非平衡状态恢复至平衡状态的过程称为弛豫过程，此过程中横向矢量方向恢复平衡所需要的时间常数称之为横向弛豫时间(T2)。氢质子在食品中含量极高，能产生很强的核磁共振信号。氢质子的存在状态与弛豫时间往往具有较好的相关性，其所处的物理化学环境不同，会引起弛豫时间的变化，从而获取食品样品的大量内部信息。在不破坏样品本身的情况下结合化学计量学算法直观地显示它们的变化，从而达到对样品的定量定性分析[5-7]。测定水分的传统方法大多为干燥法、蒸馏法、卡尔·费休法等[8]，这些方法虽都具备稳定性高、准确度高的特点，但大都存在过程繁琐、耗时费力等缺点，难以满足对大批量样品快速测定的要求。也有文献报道采用液质联用[9]、近红外[1-2,10]等现代分析仪器检测食物中的水分。与这些方法相比，由于低场核磁共振更能反映水的存在状态，因此采用低场核磁共振预测水分含量及活度更有优势。目前，采用低场核磁共振预测食品中的水分主要是结合一元校正方法[11-12]，该方法最大的缺陷就是对干扰成分信息特别敏感而产生较大误差。多元校正是化学计量学中最为活跃的重要分支，采用多通道分析测量，有效地减小了测量误差，能快速解决多变量校正问题，即待测组分不经分离或掩蔽便可对其进行同时测定。

本试验以大米为研究对象，采用多元校正方法[13-16]提取低场核磁共振谱的有效信息并建立模型，实现对大米水分含量和活度的同时快速检测。旨在探索一种基于低场核磁共振仪的无损、快速、方便、高效的水分含量及活度同时预测的方法。可快速监测大米在加工和储藏过程中水分含量及活度变化，为控制微生物的稳定性、储存时间、保存品质以及食用安全性等提供理论与技术支持。

1 材料与方法

1.1 材料与试剂

试验大米全部从大型超市购买。随机选取5个品种大米，分批购买50次，共获得样品250个。每种大米购买100 g，分别以小塑料袋装好并编号为1～250。

1.2 仪器与设备

低场核磁共振台式仪：MQC-23型，英国牛津公司(Oxford-instruments)；

电子天平：ME104型，梅特勒-托利多仪器(上海)有限公司；

电热鼓风干燥箱：GZX-9140 MBE型，上海博迅实业有限公司；

水分活度测定仪：HD-3A型，无锡市华科仪器仪表有限公司。

1.3 方法

1.3.1 低场核磁共振检测 采用电子天平称量10 g大米，移入26 mm的核磁共振样品管，再将样品管放置于测量池中，仪器磁体温度为32 ℃。样品管放置5 min后，开始使用仪器测量，获得回波曲线数据。每个回波数据通过仪器自带的WinDXP软件运行反演算法获得横向弛豫时间反演谱(T2谱，默认输出为128 个数据点)。每个大米样品重复测量3次，并对每次回波数据进行反演，3次反演数据进行算术平均，平均值作为该样品最终的T2谱数据。图1显示了全部250个样品T2谱。仪器共振频率为23.4 MHz(氢质子)，脉冲序列采用Carr-Purcell-Meiboom-Gill(CPMG)序列。序列参数设置：SW(采样频率)1 000 kHz；P180(180°硬脉冲宽度)10.9 μs；P90(90°硬脉冲宽度)5.45 μs；NECH(回波个数)512；TAU (半回波时间)150 μs；NS (累加次数)16次。

图1 所有大米样品的横向弛豫时间反演曲线

1.3.2 偏最小二乘法(PLS) 偏最小二乘方法主要用来解决变量之间存在多重相关性问题的一种回归方法。该方法通过对样本进行训练学习，建立相应的预测模型，来达到预测目的。使用PLS建模之前，首先需要确定最优主成分数。本研究采用留一交互验证法[17]来确定模型的最优主成分数，评价标准采用交互验证均方根误差(RMSECV)，按式(1)计算：

(1)

式中：

Km——校正集样本数；

Pi——第i个样本的预测值；

Ci——第i个样本的参考值。

将最优主成分数确定后，运用PLS方法对大米校正集样本进行训练，分别建立水分含量及活度校正模型，并用之前没有参加训练的预测集样品进行测试检验。

1.3.3 误差反向传播人工神经网络(BP-ANN) 人工神经网络是通过模拟人脑神经元的学习、记忆、处理问题等功能，而建立起来的一种具有自适应、自组织和自学习特点的并行分布式处理系统计算机模型。神经网络可以通过学习获取相关知识并存储于各连接权重中，具有很强的容错和非线性映照能力[18]。误差反传人工神经网络是在各种人工神经网络方法中应用最广的一种，一般包含3部分：输入层、隐含层和输出层。隐含层节点数的选择是一个十分复杂的问题，同样也是人工神经网络模型中一个非常重要的环节。到目前为止还没有找到一个理想的解析式来表示，通常根据前人的经验和自己通过多次试验来确定[19]。本研究中人工神经网络结构采用单隐含层，通过试验，确定水分含量模型的最优隐含层节点数为13，水分活度模型的最优隐含层节点数为11。输入层节点数作为T2谱数据点数(即128个)。以预测值(水分活度或含量)数(即1)作为输出层的节点数。训练函数采用Levenberg-Marquardt算法[18]。

采用双曲线正切函数(tansig函数)作为输入层和隐含层以及和隐含层和输出层的转换函数，按式(2)计算正切函数。

(2)

采用误差平方和(SSE)作为BP-ANN训练收敛判别公式，按式(3)计算误差平方和。

(3)

式中：

m——校正集样本数；

n——输出节点数；

Eij——输出期望值；

Oij——校正预测输出值。

1.4 数据处理

回波曲线数据反演采用仪器自带的WinDXP数据分析软件处理。PCA、PLS算法程序和BP-ANN算法主程序都在MATLAB软件平台上自编和运行。BP-ANN算法的部分子程序从MATLAB工具箱中调用。作图软件采用OriginLab公司开发的Origin软件。

2 结果与分析

2.1 样品和参考值

将全部250个大米样品分为校正样品和预测样品两部分，校正样品采用随机法选取160个，预测样品为剩余的90个样品。每个样品通过仪器测量后，从测量池取出样品管，将样品移出，置入研钵，迅速研细至粒径大约0.5 mm。称取5～6 g (精确至0.000 1 g)试样置入称量瓶中。水分参考值的测定按照GB 5009.3-2016中直接干燥法进行。表1为测得的大米样品水分含量。另外称取1.000 g试样快速放入玻璃皿中，置于密闭、恒温的水分活度仪测量舱内，此时水分活度仪测量舱内的传感器或数字化探头显示出的响应值(相应湿度对应的数值)即为样品的水分活度(AW)。水分活度参考值的测定方法按照GB 5009.238—2016进行。表2为测得的大米样品水分活度值。通过国标法测定的水分含量及活度值作为化学计量学校正方法建模和预测评价时所需的参考值。

2.2 水分含量建模与预测

使用偏最小二乘方法测定大米样品的水分含量前，首先需要确定最佳主成分数。采用留一交互验证法获得RMSECV值与主成分数之间的关系曲线，如图2所示。

表1 大米水分参考值

表2 大米水分活度参考值

图2 交互验证均方根误差与主成分数的关系

从图2中可见，当主成分数被选为17时，获得最小RMSECV值。因此最佳主成分数选为17。主成分确定后，采用PLS方法对160个大米校正集样本进行建模，获得PLS校正模型。运用该校正模型预测90个预测集样本，对预测结果与参考值进行比较，验证模型性能。图3(a)、(b)分别显示校正集样品预测值与参考值之间的相关曲线以及预测集样品预测值与参考值之间的相关曲线。从图3中可知，对于校正集与预测集样品，PLS校正模型获得的水分含量预测值与国标法测得的参考值之间线性相关性较好。

图3 校正集及预测集大米样品水分含量的参考值与

Figure 3 Correlation between reference and predicted values by PLS for rice water content of calibration set and prediction set samples

采用BP-ANN方法对160个大米校正集样本进行训练优化建模，获得BP-ANN校正模型。运用该校正模型预测90个预测集样本，得到的预测结果与相应水分含量的参考值进行统计比较，验证BP-ANN模型性能。图4(a)、(b)分别显示校正集样品预测值与参考值之间的线性相关曲线以及预测集样品预测值与参考值之间的相关曲线。从图4中可知，对于校正集与预测集样品，BP-ANN校正模型获得的水分含量预测值与国标法测得的参考值之间线性相关性较好。

图4 校正集及预测集大米样品水分含量的参考值与BP-ANN方法获得的预测值关系

Figure 4 Correlation between reference and predicted values by BP-ANN for rice water content of calibration set and prediction set samples

以上2种多元校正模型的预测统计结果见表3。由表3可知，PLS方法与BP-ANN方法相比，校正集均方根误差(RMSEC)值较小，校正集相关系数(Rc)较大。因此，对于校正集，PLS方法的预测结果要稍微好一点。对于预测集，PLS方法与BP-ANN方法相比，预测集均方根误差(RMSEP)值较大，预测集相关系数(Rp)值也较大，但都相差不大，反映两种方法性能相当。结果显示，2种多元校正方法都能比较好地快速测定大米中的水分。

表3 PLS和BP-ANN预测大米水分的统计结果

2.3 活度建模与预测

图5显示所选主成分与RMSECV值之间的关系曲线。从图5中可见，当主成分数设为5时，获得最小的RMSECV值。因此最佳主成分数选为5。

采用PLS方法对160个大米校正集样本建模，获得PLS水分活度校正模型。运用该校正模型预测90个预测集样本。通过比较预测结果与国标法测得的参考值，验证所建模型性能。图6(a)、(b)分别显示校正集样品预测值与参考值之间的相关曲线以及预测集样品预测值与参考值之间的相关曲线。从图6中可知，对于校正集与预测集样品，PLS校正模型获得的水分活度预测值与参考值之间线性相关性较好。

图5 交互验证均方根误差与主成分数的关系

图6 校正集及预测集大米样品水分活度的参考值与PLS方法获得的预测值关系

Figure 6 Correlation between reference and predicted values by PLS for rice water activity of calibration set and prediction set samples

采用BP-ANN方法对160个大米校正集样本进行训练优化建模，获得BP-ANN水分活度的校正模型。运用该校正模型预测90个预测集样本。通过比较预测结果与参考值，验证BP-ANN模型性能。图7(a)、(b)分别显示校正集样品预测值与参考值之间的线性相关曲线以及预测集样品预测值与参考值之间的相关曲线。从图7中可知，对于校正集与预测集样品，BP-ANN校正模型获得的水分活度预测值与国标法测得的参考值之间具有较好线性相关性。

图7 校正集及预测集大米样品水分活度的参考值与BP-ANN方法获得的预测值关系

Figure 7 Correlation between reference and predicted values by BP-ANN for rice water activity of calibration set and prediction set samples

多元校正模型的预测统计结果见表4。由表4可知，PLS方法与BP-ANN方法相比， RMSEC值较大，Rc较小。因此，对于校正集，BP-ANN方法的预测结果要稍微好一些。对于预测集，PLS方法的RMSEP值较大，Rp值较小，因此BP-ANN方法的预测结果也稍微好一些。结果显示，对大米中水分活度的快速测定，BP-ANN方法性能优于PLS方法。不过PLS方法也能获得满意的结果。

表4 PLS和BP-ANN分析大米水分活度的统计结果

3 结论

本研究采用PLS和BP-ANN 2种最有代表性的多元校正方法结合低场核磁共振对大米的水分含量及活度进行预测。与传统方法相比，该方法具有快速、无损、可同时预测多个指标等优点。与其它光谱方法相比，由于预测样品中的氢质子共振信号常与其存在状态和物理化学环境相关联，因此低场核磁共振预测水分含量及活度会更具有优势。试验结果也显示低场核磁共振结合多元校正方法对复杂的大米样品测定表现出较好的预测性能。然而本研究也存在一些需要解决的问题，如大米预测模型的代表性问题，样品均匀性问题等，这些都会成为决定测定结果的准确程度的因素之一。实际应用中，可通过扩大样品类型以及对样品进行多方位测量来提高模型的适用性从而扩大低场核磁共振在大米品质评价和控制中的应用。