红外光谱的随机森林算法与数据融合策略对绒柄牛肝菌产地鉴别

胡翼然，李杰庆，刘鸿高，范茂攀*，王元忠

1. 云南农业大学资源与环境学院，云南 昆明 650201 2. 云南农业大学农学与生物技术学院，云南 昆明 650201 3. 云南省农业科学院药用植物研究所，云南 昆明 650200

引 言

绒柄牛肝菌(BoletustomentipesEarle)隶属于牛肝菌科(Boletaceae)，又名黑牛肝、毛脚牛肝菌，是中国西南地区常见的野生食用牛肝菌，其子实体富含人体必需的蛋白质、维生素及矿质元素等营养元素，是一种健康食品[1]。野生食用菌子实体中营养元素的积累量，受海拔、温度、降水等影响巨大[2]。云南地形多样，气候复杂，野生牛肝菌资源丰富，是绒柄牛肝菌的主产区之一，但不同地区间生长环境差异大，导致各地绒柄牛肝菌品质优劣不一。鲁永新等[3]的研究表明云南各地野生食用菌生长环境差异显著，且不同产地间差异显著。Falandysz等[4]的研究也表明不同产地间绒柄牛肝菌的品质差异显著。为防止劣质产地的绒柄牛肝菌流入市场，确保优质产地的绒柄牛肝菌不被混淆，促进野生食用牛肝菌市场稳健发展，急需建立一种准确、快速、廉价的绒柄牛肝菌产地鉴别技术。

传统形态分类学鉴别技术，鉴别准确率低、受主观影响大； 现代分子生物学鉴别技术，虽然分类准确，但成本昂贵、操作复杂、样本损耗大； 化学指纹图谱结合化学计量学鉴别产地，因具有准确、快速、廉价的特点而迅速发展。近年来，野生牛肝菌产地鉴别以单一化学指纹图谱为主如中红外光谱法、紫外光谱法[5]、高效液相色谱法[6]、电感耦合等离子体-原子发射光谱法[7]等，然而野生牛肝菌化学组成复杂，单一指纹图谱无法完全表征样品化学信息。现阶段，利用数据融合策略串联不同仪器取得了相较于单一光谱更精准的鉴别效果，成为食品质量控制领域的热门研究方向。近红外与中红外光谱由于波段不同，反映的化学信息也不同，可以起到互补作用，更全面的表征样品的化学信息。如Li等[8]在三七产地鉴别研究中，扫描三七粉的近红外和中红外光谱，结合随机森林建立鉴别模型，研究表明，利用高级融合策略与中级融合策略有效提高模型分类性能，验证集正确率均达100%。Wang等[9]在石斛种类鉴别研究中，扫描石斛粉的近红外和中红外光谱，结合偏最小二乘判别、支持向量机、随机森林建立判别模型，结果表明，初级融合策略有效提高模型分类性能，验证集正确率达100%。

迄今为止，野生牛肝菌的产地鉴别以中红外光谱为主，基于近红外光谱对野生牛肝菌产地鉴别未见系统报告。本研究挖掘不同部位绒柄牛肝菌近红外和中红外的光谱信息，结合随机森林建立判别模型，鉴别4个产地的绒柄牛肝菌，根据分类效果选出绒柄牛肝菌产地鉴别方法，为野生常见食用牛肝菌鉴别和质量控制提供参考。

1 实验部分

1.1 材料

87份绒柄牛肝菌采自云南4个气候带，分别为北亚热带、北温带、南亚热带、中亚热带(图1，表1)均由云南农业大学刘鸿高教授鉴定。样品采集后用纯水清洁表面，置于50 ℃烘箱烘干至恒重，研磨成粉过80目标准筛盘，分别保存于聚氯乙烯自封袋中，储存于干燥避光处。

图1 绒柄牛肝菌地理位置Fig.1 The geographic location of Boletus tomentipes

表1 绒柄牛肝菌产地信息Table 1 The specific geographical origin information of Boletus tomentipes

1.2 仪器与试剂

UPT-I-10L型超纯水处理器(四川成都优越科技有限公司)； 101A-1型电热鼓风恒温干燥箱(上海崇明实验仪器厂)； AR1140型电子分析天平(上海升隆电子科技有限公司)； Antaris Ⅱ型傅里叶变换近红外光谱仪(Thermo Fisher公司，USA)，配置漫反射模块； Frontier傅里叶变换中红外光谱仪(Perkin Elmer公司, USA)； FW-100型高速粉碎机(浙江华鑫仪器厂)； YP-2型压片机(上海山岳科学仪器有限公司)； 80目标准筛盘(浙江绍兴道墟五四仪器厂)； 分析纯级溴化钾(天津风船化工科技有限公司)。

1.3 光谱信息采集

1.3.1 中红外指纹图谱采集

中红外光谱是由Frontier型傅里叶变换红外光谱仪采集。取(1.5±0.2) mg绒柄牛肝菌样品和(150±20) mg溴化钾粉末在玛瑙研钵中磨细混匀，再将细粉倒入压片机中制成薄片，扫描。扫描波数范围4 000～400 cm-1，分辨率4 cm-1，信号累计扫描次数16次。每个样本重复扫描3次，取平均光谱。

1.3.2 近红外指纹图谱采集

近红外光谱由Antaris Ⅱ型傅里叶变换近红外光谱仪用漫反射显微镜采集。称取20 g绒柄牛肝菌粉末，置于玻璃器皿中压缩，扫描。扫描波数范围10 000～4 000 cm-1，分辨率4 cm-1，信号累计扫描次数64次。每个样本重复扫描3次，取平均光谱。

1.4 随机森林原理及评价

随机森林(random forest, RF)是一种基于决策树和自助采样法的集成学习方法。本研究在RStudio(3.5.3)中使用randomForest包构建RF模型，原理如图2所示，具体步骤如下： (1) 总样本数为Y，利用自助采样法提取y(约2/3的Y)构建决策树； (2) 每个样本有M个变量，随机取其中m个样本； (3) 重复(1)和(2)过程n次，建立n棵决策树； (4) 每棵决策树自由生长产生一个决策结果，n棵决策树进行投票，分类结果取决于RF中所有决策树的多数表决。

图2 随机森林原理Fig.2 Schematic of random forest

1.5 提取特征值

红外光谱表征样品化学信息全面，但也带来维数诅咒的问题，同时红外光谱中含有大量的噪声和干扰变量，使得其预测性能不可靠。因此，要得到一个拟合良好的模型，筛选特征变量是一种有效方法。本工作使用的3种特征变量筛选方法在食品领域鉴别研究中已有广泛应用：

投影重要性指标值(variable importance in projection, VIP)表示自变量对模型拟合的重要性，VIP值越高，波长点对标签的解释能力越强[10]。根据VIP用10折交叉验证对各波长点进行迭代筛选，选出有效波长点作为特征变量。Boruta算法是围绕RF算法构建的包装器，通过创建混合副本，重新排列原始特征，使每个波长点有对应的阴影特征，比较真实样本与最佳阴影特征的排列精度重要性，将每个变量划分为确定、暂定、拒绝这3个标签[11]。该特征提取方法，可以评估所有波长点的重要性，去除负面变量，得到一个最小最优的特征子集，提高模型分类性能。提取标签为确定、暂定的波长点作为特征变量。潜在变量(latent variable, LV)类似于作成分，基于偏最小二乘关联算法将数据正交变换为互不线性相关的多组LV，提取对数据解释能力强的LV代替原始数据。根据Q2(累计预测能力)第一次到达最大值时的因子数确定提取LV个数。

1.6 数据融合策略

数据融合分为3个层次低级融合，中级融合，高级融合。低级融合又名数据级融合，直接将多个数据矩阵串联得到一个新的数据矩阵，再建立鉴别模型； 中级融合又名特征级融合，将多个特征值数据矩阵串联得到一个新的数据矩阵，再建立鉴别模型； 高级融合又名决策级融合，提取各指纹图谱特征值建立判别模型获得分类结果，再根据一定准则对各分类结果进行融合，最终得到整体一致的决策。本工作根据中级融合分类结果选出最合适的特征值，再基于“模糊集合论”，把各独立模型的模糊现象(同一样品在不同光谱信息来源下有不同分类结果)通过最小值(Min)、最大值(Max)、平均值(Avg)和乘积(Prod)这4种运算符连接，再进行多数投票，表决出最终样品分类结果。

2 结果与讨论

2.1 光谱指纹图谱分析

不同地区绒柄牛肝菌间有相似的峰位、峰型，代表不同产地间绒柄牛肝菌所含化学成分相似，但吸光度差异明显，代表不同产地间化学成分含量不同。图3(a)和(c)与(b)和(d)比较可以看出绒柄牛肝菌菌柄与菌盖的吸光度差异不明显，代表绒柄牛肝菌菌柄和菌盖积累的化学物质相当。从光谱图中可以反映样品间存在细微差异，但仅靠光谱图无法实现产地的精准鉴别，因此需进一步结合化学计量学鉴别产地。

图3 不同产地绒柄牛肝菌的近红外和中红外平均光谱(a)： 菌柄的近红外平均光谱； (b)： 菌盖的近红外平均光谱；(c)： 菌柄的中红外平均光谱； (d)： 菌盖的近红外平均光谱Fig.3 Near-infrared and mid-infrared average spectra of Boletus tomentipes from different sampling places(a): Near-infrared awerage spectra of stipes; (b): Near-infrared average spectra of caps;(c): Mid-infrared average spectra of stipes; (d): Mid-infrared average spectra of caps

2.2 单一光谱分析

使用Kennard-Stone算法将数据集(87)分为2/3的训练集(58)和1/3的验证集(29)。如图4随机森林参数选择图所示，根据OOB选出ntree和mtry，如表2单一光谱模型主要参数图，其中4个单一光谱(N-c，N-g，M-b，M-g)所建立的模型，验证集正确率在72.4%～86.2%之间，预测效果优劣依次为N-g(86.2%)，N-b(86.1%)，M-b(82.8%)，M-g(72.4%)。近红外光谱的预测效果优于中红外光谱的预测效果，表明近红外光谱相对于中红外光谱在绒柄牛肝菌产地鉴别上有更好的预测能力。但单一光谱模型训练集正确率与验证集正确率之间相差超过20%，欠拟合风险大，结合RF用于对绒柄牛肝菌产地鉴别效果不理想，原因可能是光谱中的噪音影响了模型拟合能力。

2.3 特征值提取

图5(a)为Boruta算法筛选的波数，标签0代表拒绝，标签1代表暂定，标签2代表确定。其中，从N-b的3 112个变量中筛选出6个确定标签，23个暂定标签； 从N-g的3 112个变量中筛选出1个确定标签，28个暂定标签； 从M-b的1 867个变量中筛选出1个确定标签，56个暂定标签； 从N-b的3 112变量中筛选出1个确定标签，31个暂定标签。图5(b)为根据VIP排列的变量，迭代10次后进行交叉验证的错误率，当交叉验证错误率最低时，其变量数为最优变量数。其中，筛选N-b的前22个变量为最优变量数； 筛选N-g的前92个变量为最优变量数； 筛选M-b的前427个变量为最优变量数； 筛选M-g的前247个变量为最优变量数。图5(c)为根据Q2确定最优LV数，当Q2第一次到达最大值或趋于稳定时，其LV数为最优LV数。其中，N-b的LV数在11时Q2趋于稳定； N-g的LV数在10时Q2达到最大； N-b的LV数在10时Q2第一次达到最大； N-b的LV数在12时Q2达到最大。

图4 随机森林ntree(左)和mtry(右)选择图(a)，(b): N-b； (c)，(d): N-g； (e)，(f): M-b； (g)，(h): N-gFig.4 The selection diagram of random forest ntree (left) and mtry (right)(a)，(b): N-b； (c)，(d): N-g； (e)，(f): M-b； (g)，(h): N-g

表2 单一光谱模型主要参数Table 2 The major parameters of single spectral model

图5 特征选择图(a): Boruta算法； (b)： VIP； (c)： LVFig.5 Feature selection diagram(a): Boruta algorithm; (b): VIP; (c): LV

2.4 数据融合分析

2.4.1 低级融合

将四个单一光谱矩阵[(N-b)，(N-g)，(M-b)，(M-g)]进行低级融合形成一个87个样本×9 958个变量的矩阵，其中N-b提供3 112个变量，N-g提供3 112个变量，M-b提供1 867个变量，M-g提供1 867个变量。

2.4.2 中级融合

筛选VIP提取四个单一光谱[(N-b)，(N-g)，(M-b)，(M-g)]的特征值形成一个87个样本×788个变量的矩阵，其中N-b提供22个变量，N-g提供92个变量，M-b提供427个变量，M-g提供247个变量。筛选Boruta提取四个单一光谱[(N-b)，(N-g)，(M-b)，(M-g)]的特征值形成一个87个样本×147个变量的矩阵，其中N-b提供29个变量，N-g提供29个变量，M-b提供57个变量，M-g提供32个变量。提取四个单一光谱[(N-b)，(N-g)，(M-b)，(M-g)]的LV形成一个87个样本×43个变量的矩阵，其中N-b提供11个LV，N-g提供10个LV，M-b提供10个LV，M-g提供12个LV。

2.4.3 高级融合

基于特征值LV进行高级融合。提取四个单一光谱[(N-b)，(N-g)，(M-b)，(M-g)]的LV结合RF建立鉴别模型，其中，N-b有12个错误、N-g有11个错误、M-b有17个错误、M-g有18个错误，对4个模型的分类结果进行决策。总共87组样品中有45组样品需要进行高级融合，如表3所示，其中有2组分类错误(6，26)，2组分类歧义(8，52)，43组分类正确。其中，6号样品被N-g和M-b错误分类为class4，M-g错误分类为class3，N-b正确分类为class1，经高级融合后，错误分类为class4。

表3 未正确分类样品高级融合结果Table 3 The results of high-level fusion of misclassification samples

2.4.4 小结

基于数据融合策略建立鉴别模型的主要参数如表4所示，低级融合策略相较于单一光谱使模型表现出更强的拟合能力增强和分类效果，表明近红外结合中红外光谱对分类性能起协同作用； 基于VIP的中级融合策略相较于单一光谱和低级融合策略模型，数据量小，分类能力提高，但模型拟合能力变弱，欠拟合风险增加，原因可能为其特征变量受异常值影响，导致模型过拟合； 基于Boruta的中级融合策略相较于单一光谱、低级融合策略和基于VIP的中级融合策略，数据量小，模型拟合性能良好，表明该方法可提高模型分类性能； 基于LV的中级融合策略相较基于VIP和Boruta的中级融合策略，模型拟合能力优秀，分类性能高，数据量小，原因可能为其特征变量解释样品的大部分信息，充分挖掘样品信息。

高级融合策略相较于单一光谱和低级融合策略，中级融合策略效果更好。低级融合不仅融合了有效信息，还融合了很多干扰信息。中级融合策略在提取特征值的过程中去除样品无效信息，不仅降低运算成本，而且增加了有效信息，提高了模型分类性能。高级融合策略汲取了中级融合策略的优点，再加上“模糊集合论”的对分类结果决策，更进一步提高了模型分类性能。研究表明，提取特征值LV与数据融合策略组合挖掘绒柄牛肝菌红外光谱信息，可以大幅提高模型分类效果，与Li[8]等鉴别三七产地研究结果相似。

表4 数据融合主要参数Table 4 Major parameters of data fusion

3 结 论

研究了绒柄牛肝菌不同部位近红外光谱和中红外光谱及数据挖掘对产地溯源的可行性。结果表明： (1)近红外和中红外光谱均能反映不同产地绒柄牛肝菌间的微小差异； (2)单一光谱结合RF建立判别模型不理想，平均正确率仅81.9%； (3)三种数据融合策略均可提高绒柄牛肝菌的产地鉴定效果，产地鉴别效果优劣依次为高级融合、中级融合、低级融合。

通过扫描绒柄牛肝菌近红外和中红外光谱，使用基于特征变量LV的高级融合策略，结合RF建立不同产地绒柄牛肝菌鉴别模型，有高产地验证集正确率(99.6%)，高灵敏度(0.969)，高特异性(0.986)，实现了绒柄牛肝菌产地的准确、快速、廉价鉴别，可以作为绒柄牛肝菌产地鉴别的一种可靠方法。