傅里叶变换衰减全反射红外光谱结合向前区间偏最小二乘法快速测定食用油中总极性化合物

张烝彦，叶沁，刘晓颖，潘丹杰，杨志成，孟祥河*

(1.杭州市粮油中心检验监测站，浙江 杭州 310009； 2.浙江工业大学 海洋学院，浙江 杭州 310014)

总极性化合物(TPC)是食用油在煎炸食品等热处理过程中发生的氧化、裂变、聚合、水解等热反应所产生的一系列极性比甘油三酯更大的成分。这些成分会对油脂的品质产生不良的影响，并且对人体健康产生危害。与传统的酸价、过氧化值、碳基值等指标相比，极性化合物含量的测定具有准确性高、重复性好、可靠性高的特点。因此，TPC含量(%TPC)已成为衡量煎炸油质量的重要指标。许多国家将%TPC在25%～27%作为煎炸油质量的法定限值，超过这个范围的煎炸油必须废弃。

目前，测定食用油中TPC含量最常用的方法是柱层析法，美国油脂化学家协会(AOCS)将其推荐为煎炸油质量检测的标准方法。我国国家标准也采用相同的方法检测%TPC。该方法仪器简单，操作方便，但是耗时太长，有机试剂消耗量也非常巨大，不利于油脂质量的快速监控。近年来，越来越多的研究者开始研究TPC的快速检测技术，如Hein等[1]采用的核磁共振法，Li等[2]采用的电导率法，Gil等[3]采用的图像分析技术，Caldwell等[4]采用的高效体积排阻色谱法，Cuvelier等[5]采用的差示扫描量热法(DSC)，然而上述方法均存在重复性较差的缺点。红外光谱法因重现性较好、不需要使用化学试剂，且可实现无损、实时在线监测而受到越来越多研究者的欢迎。Gertz等[6]采用近红外光谱法(NIR)、Al-Degs等[7]采用傅里叶转换中红外光谱法(MIR)，均构建了测定食用油中TPC含量的模型，然而这些方法的建模样品种类单一，对不同种类煎炸油的预测结果并不理想。

本研究以精炼大豆油、花生油、菜籽油、葵花籽油为原料，经过不同批次的煎炸，利用傅里叶变换衰减全反射红外光谱法(ATR-FTIR)和向前区间偏最小二乘法(FiPLS)测定煎炸油的总极性化合物含量，采用FiPLS对建模区间进行优化，对模型的准确性和有效性进行验证，旨在发展一种准确、快速测定食用油中总极性化合物的方法，为相关检测提供技术支持。

1 材料与方法

1.1 材料

精炼大豆油、菜籽油、葵花籽油、花生油均购自当地超市，煎炸油采集于杭州地区的饭店、小吃摊等。

乙醚(分析纯)，上海凌峰试剂有限公司；石油醚(分析纯，30～60 ℃)，上海凌峰试剂有限公司；柱层析硅胶(100～200目)，上海阿拉丁试剂有限公司。

配有衰减全反射(ATR)附件的Bruker Tensor 27傅里叶中红外光谱仪(OPUS光谱分析软件)，德国布鲁克公司。

1.2 总极性化合物的理化检测

参考AOCS的标准方法(AOCS official method Cd 20-91)进行测定。

1.3 总极性化合物测定的红外光谱(FTIR)法

1.3.1 标准组样品的准备

不同脂肪酸组成的食用油的热稳定性不同，不饱和脂肪酸比饱和脂肪酸更易氧化。为了使标准组更具有代表性，选取大豆油、葵花籽油、花生油、菜籽油作为样品，模拟煎炸过程。

在180 ℃下进行春卷皮煎炸试验。在炸锅中加入2 kg食用油，加热至180 ℃，用控温计精确控制油温。每次煎炸100 g春卷皮，煎炸5 min，每2 h煎炸1次，每次煎炸后采集煎炸油样品20 mL。全程保持180 ℃油温，连续煎炸24 h，煎炸过程中不添加新油。采集的样品置于棕色样品瓶中，充氮气密封后在4 ℃下保存。

1.3.2 红外光谱采集

利用Bruker Tensor 27傅里叶红外光谱仪采集样品光谱。测定范围4 000～400 cm-1，扫描次数32次，分辨率4 cm-1。每个样品做3组平行。测量时环境温度保持在20～25 ℃，相对湿度在60%左右。

1.3.3 模型建立与数据处理

采用OMINC软件对样品的红外光谱进行预处理。预处理过程包括矢量标准归一化(SNV)、多元散射校正(MSC)、一阶导数、二阶导数。同时，本方法利用TQ Analyst光谱分析软件，采用最小偏二乘法(PLS)建立定量模型，选取样品总数的2/3作为标准集，其余1/3作为模型预测集。通过校正决定系数(R2)、校正均方差(RMSEC)和预测均方差(RMSEP)评价模型效果。通常情况下，R2越接近1，表明预测值越接近真实值，模型效果越好；RMSEC和RMSEP的值越小且越接近，表明模型的稳定性越好。此外，本方法采用PLS和FiPLS作为多元方法优化建模区间，提高模型的准确度和稳定性。

2 结果与分析

2.1 理化分析

样品集共有156个样品，其中标准组共120个，包括大豆油、葵花籽油、花生油、菜籽油的模拟煎炸样品；验证组36个，包括13个模拟煎炸样品和23个实际采集样品。样品集的总极性化合物含量范围为3.34%～34.71%，详见表1。

2.2 光谱分析

2.3 光谱预处理

光谱预处理方法包括SNV、MSC、一阶导数、二阶导数。不同光谱预处理方法对总极性化合物偏最小二乘模型的影响如表2所示。可以看出，与原始光谱相比，除了MSC，其他预处理方法均提高了模型的稳定性与准确度。其中，二阶导数作为预处理方法时，得到的模型性能最好。这可能是因为二阶导数的处理消除了食用油光谱的基质效应，屏蔽了杂质干扰，使特征基团更为明显，建模精度更高。

图1 模拟煎炸样品和实际采集样品的典型ATR-FTIR光谱图

表2 不同预处理方法对模型准确度及 稳定性的影响

2.4 FiPLS模型

FiPLS是将波谱分为一定数量的子区间，每增加一个区间后，根据其组合区间的模型性能，考查各区间的重要性[11]。例如，首先选择了第1个区间，然后，构建的第一个模型的区间是对应RMSEC的值最好的模型区间。PLS模型每次增加一个区间，加入区间的模型是这个区间和之前给出的针对RMSEC值最好的区间相结合的模型。持续这个步骤到所有的区间都被加入过。

在本试验中，将全波谱(不包括4 000～3 800 cm-1及2 600～2 000 cm-1)每200 cm-1分为一个子区间，共得到13个子区间。每次运算增加一个子区间，选择最优结果。比如第一个增加的区间是第8号区间，因为当这个区间增加的时候得到了最优模型，说明这个子区间对模型的作用最大。重复这个步骤直到使用全部子区间进行运算。表3显示了子区间选择的结果。

表3 向前区间偏最小二乘法的区间选择对 模型准确度及稳定性的影响

通过波谱二阶导数预处理及FiPLS法建模区间的优化，选择3 400～2 800、1 800～1 400、1 000～800 cm-1作为建模区间，所建模型的R2为0.999 0，RMSEC及RMSEP分别为0.93和1.16，其模型建模集和预测集真实值和预测值之间的散点分布图如图3所示，其决定系数R2大于0.99，斜率和截距分别接近1和0，表明预测值和真实值线性相关良好，吻合度高。与传统PLS法相比，FiPLS法在区间选择上更能合理地整合特征官能团，从而提高模型的性能。

图2 FiPLS法的最优区间

图3 FiPLS模型标准组与%TPC预测值及 真实值的散点分布

Büning-Pfaue等[12]利用近红外反射光谱建立了测定煎炸油脂中TPC含量的模型，所得模型的准确性低于本研究，这可能是因为近红外光谱的灵敏度明显低于中红外，从而导致模型效果不及本试验所构建的模型。Chen等[13]利用104个建模集样品和52个预测集样品，基于傅里叶变换红外光谱(FTIR)二阶导数波谱，建立了测定2种类型菜籽油中TPC含量的PLS模型，模型效果略优于本研究结果。Cascant等[14]比较了基于NIR和MIR波谱构建的PLS模型用于测定橄榄油和花生油中TPC含量的效果，研究表明，NIR和MIR波谱都较好地实现了快速分析的效果，且当基于ATR-FTIR波谱测定TPC含量的PLS建模区间为1 765～1 380、993～802 cm-1时，所得的RMSEP(0.97)优于本试验。这可能是因为上述方法中所涉及的用于建模的油样均属于较为单一的种类，而本方法建模集中所采用的油样涵盖了大豆油、葵花籽油、菜籽油、花生油等大宗食用油，不同油种类之间的差异可能会在一定程度上衰减模型的预测性能。

2.5 方法的准确性验证

模型建立后，为了进一步验证模型对不同种类和未知来源煎炸油的准确性，从不同种类煎炸油的样品组及验证组中各抽取3个样品(共15个样品)，将其FTIR预测值与实际值进行比较。从表4可以看出，不同种类煎炸油的单独相对误差在1.39%～9.33%，并没有因食用油种类而产生差异，实际值与FTIR预测值之间的相对误差为3.88%，显示了模型优良的准确度、稳定性，以及很好的适应性。

表4 不同煎炸油的%TPC实际值与FTIR 预测值比较

3 小结

本研究证实了ATR-FTIR法结合偏最小二乘法在测定煎炸食用油的总极性化合物含量上的可行性。与PLS全波谱模型比较可以发现，经FiPLS法建模区间优化后得到的模型具有更好的模型性能，此时模型的R2为0.999 0，RMSEC和RMESP分别为0.93和1.16，相关区间为3 400～2 800、1 800～1 400、1 000～800 cm-1，说明采用向前区间偏最小二乘法来提高PLS模型的预测准确性是可行的，且该方法具有简便、快速、准确、经济等优点。同时，本方法的建模样品涵盖了大宗食用油，因此具有较好的广谱性和通用性。