吳彥紅，艾施榮，嚴(yán)霖元*，楊紅飛，胡 琪

(1．江西農(nóng)業(yè)大學(xué) 工學(xué)院，江西 南昌 330045;2．江西農(nóng)業(yè)大學(xué) 軟件學(xué)院，江西 南昌 330045)

茶葉內(nèi)含有茶多酚、氨基酸、咖啡堿等多種對(duì)人體有益的成分，既是一種具有營(yíng)養(yǎng)性和風(fēng)味性的飲品，又是一種具有降血脂、防輻射、抗癌等藥理功效的功能性飲品［1］。隨著生活水平的提高，生活節(jié)奏的加快，液態(tài)茶飲料以其具有方便、消暑解渴、保健療效、開(kāi)瓶即飲等特點(diǎn)越來(lái)越受到人們的喜愛(ài)，目前“即開(kāi)型”茶飲料已占了茶葉產(chǎn)業(yè)的絕大部分市場(chǎng)［2］。而據(jù)國(guó)家質(zhì)量監(jiān)督檢驗(yàn)檢疫總局對(duì)市場(chǎng)上38家企業(yè)的茶飲料產(chǎn)品質(zhì)量抽檢結(jié)果，發(fā)現(xiàn)大部分產(chǎn)品中內(nèi)含成分低于茶飲料標(biāo)準(zhǔn)或根本不含有茶成分［3］。加強(qiáng)茶飲料質(zhì)量檢測(cè)力度，已是茶飲料行業(yè)迫切需要解決的問(wèn)題。

茶葉中的氨基酸是構(gòu)成其鮮爽味的主要物質(zhì)，也是人體所需的主要營(yíng)養(yǎng)物質(zhì)，具有預(yù)防疾病等保健功效［4］。而茶葉中的氨基酸含量較少，只占干物質(zhì)含量的3%左右，在茶飲料中，氨基酸含量更是甚少。氨基酸常規(guī)檢測(cè)方法主要有茚三酮比色法［5］、高效液相色譜法等［6］，這些方法檢測(cè)精度高，但屬于化學(xué)方法，檢測(cè)步驟繁瑣、耗時(shí)長(zhǎng)、費(fèi)用高，無(wú)法滿(mǎn)足茶飲料加工和貿(mào)易過(guò)程中的質(zhì)量快速檢測(cè)需要。

近紅外光譜技術(shù)具有簡(jiǎn)單、快速、成本低和重現(xiàn)性好等優(yōu)點(diǎn)，已被廣泛應(yīng)用于液態(tài)樣品品質(zhì)的快速檢測(cè)中［7－9］，目前在茶湯的茶多酚成分檢測(cè)中也得到了廣泛應(yīng)用［10－11］，但用于茶湯中氨基酸含量檢測(cè)還未見(jiàn)相關(guān)報(bào)道。氨基酸組分復(fù)雜，導(dǎo)致了其近紅外光譜的復(fù)雜性，另外，茶飲料的近紅外譜峰中含有水的強(qiáng)吸收峰。因此，如何通過(guò)一些數(shù)據(jù)挖掘方法從復(fù)雜的液體光譜信息中提取特征信息，以建立精確、穩(wěn)定的定量分析模型是必須要解決的關(guān)鍵問(wèn)題。本研究分別采用間隔偏最小二乘法(interval partial least square，iPLS)和聯(lián)合區(qū)間偏最小二乘法(Synergy interval partial least square，siPLS)從茶湯的近紅外光譜中提取氨基酸光譜信息，建立氨基酸的近紅外光譜定量分析模型，文中由iPLS方法建立的模型簡(jiǎn)稱(chēng)iPLS模型，由siPLS方法建立的模型簡(jiǎn)稱(chēng)siPLS模型。

1 材料和方法

1．1 樣本收集與茶湯制備

從茶葉市場(chǎng)收集綠茶、紅茶、烏龍茶種類(lèi)90個(gè)茶樣，茶樣原產(chǎn)地為江西、江蘇、福建、云南、安微、浙江等國(guó)內(nèi)重要產(chǎn)區(qū)，將茶樣編號(hào)后置于4℃冰柜中保存。試驗(yàn)時(shí)，從每個(gè)茶樣中分別稱(chēng)取3 g，在室溫下放置12 h達(dá)到室溫平衡后，用150 mL沸蒸餾水加蓋沖泡5 min，倒出茶湯，用濾紙過(guò)濾，將濾液迅速冷卻到室溫。

1．2 茶湯近紅外光譜采集

使用AntarisⅡ傅里葉變換近紅外光譜儀(Thermo Scientific，USA)采集茶湯光譜，光譜儀帶有透射樣品池附件。光譜采集條件為:光譜波數(shù)范圍10 000～4 000 cm－1，分辨率為3．856－1，掃描次數(shù)為32次。采集光譜時(shí)，將備用茶湯注入5 mm光程的樣品池中，每個(gè)樣本采集光譜后旋轉(zhuǎn)大約60°重復(fù)采集3次，求其平均值作為原始光譜。

1．3 氨基酸含量參考測(cè)定

為防止因茶湯濃度過(guò)高而導(dǎo)致吸光度值過(guò)大，用吸管分別從每個(gè)樣本的茶湯中吸取10 mL到25 mL容量瓶中，用蒸餾水稀釋到刻度。根據(jù)酒石酸亞鐵比色法 (GB/T 8314—2002)測(cè)量各稀釋后茶湯中的氨基酸含量。從原始樣本中隨機(jī)選出60個(gè)組成校正集，用來(lái)建立校正模型;余下30個(gè)組成預(yù)測(cè)集，用來(lái)檢驗(yàn)?zāi)Ｐ托阅堋?/p>

1．4 間隔偏最小乘法(iPLS)和聯(lián)合區(qū)間偏最小二乘法(siPLS)

間隔偏最小二乘法(iPLS)是一種有效的波長(zhǎng)篩選方法［12］，其原理是將整個(gè)光譜區(qū)等分為若干個(gè)子區(qū)間，然后在全光譜區(qū)和每個(gè)子區(qū)間內(nèi)分別建立偏最小二乘回歸模型，比較各模型的精度，取精度最高的模型所在的子區(qū)間為最終優(yōu)選的特征波長(zhǎng)區(qū)間。聯(lián)合區(qū)間偏最小二乘法(siPLS)已廣泛應(yīng)用于光譜數(shù)據(jù)的特征波長(zhǎng)優(yōu)選上［13－14］，其原理是將整個(gè)光譜區(qū)等分為多個(gè)子區(qū)間，再聯(lián)合其中的2個(gè)、3個(gè)或更多的子區(qū)間建立模型，比較各模型的預(yù)測(cè)誤差，誤差最小的模型所對(duì)應(yīng)的聯(lián)合子區(qū)間即是被優(yōu)選的特征光譜區(qū)間。

1．5 模型性能評(píng)價(jià)

在校正集中采用交互驗(yàn)證法(leave-one-out cross-validation)優(yōu)化模型參數(shù)，以氨基酸含量的實(shí)測(cè)值與模型預(yù)測(cè)值的相關(guān)系數(shù)Rc、校正集交互驗(yàn)證均方根誤差(root mean square error of cross-validation，RMSECV)和預(yù)測(cè)集均方根誤差(root mean squared error of prediction，RMSEP)作為模型性能的評(píng)價(jià)指標(biāo)，所有數(shù)據(jù)分析基于Matlab V7．8．0平臺(tái)完成。

2 結(jié)果與討論

2．1 茶湯近紅外原始光譜分析及光譜預(yù)處理

圖1為茶湯近紅外原始光譜圖，從圖1可看出，各樣本茶湯的光譜信息幾乎沒(méi)有差 異，且 在 6 900 ～7 140 cm－1和5 155 cm－1附近存在強(qiáng)吸收峰，這是茶湯中水的O-H伸縮振動(dòng)的合頻和一級(jí)倍頻吸收［15］，因此必須從整個(gè)光譜信息中提取與氨基酸相關(guān)的特征信息，消除水峰及其他無(wú)關(guān)信息對(duì)模型性能的影響。另外，因原始光譜中夾帶有噪聲信息及其他無(wú)關(guān)信息，文獻(xiàn)研究表明標(biāo)準(zhǔn)正態(tài)變量變換(Standard Normal Variate Transformation，SNV)能有效去除光譜中的噪音信息［16］，本研究采用SNV方法預(yù)處理原始光譜圖。

圖1 茶湯原始光譜圖Fig．1 NIR original spectra of tea infusion

2．2 間隔偏最小二乘法(iPLS)篩選特征光譜區(qū)間及iPLS模型建立

為考察子區(qū)間數(shù)劃分對(duì)優(yōu)選結(jié)果的影響，試驗(yàn)將整個(gè)光譜區(qū)分別等分為11～25個(gè)子區(qū)間，在校正集中用交互驗(yàn)證法優(yōu)化模型參數(shù)，模型性能衡量標(biāo)準(zhǔn)由交互驗(yàn)證均方根誤差值(RMSECV)決定，優(yōu)選結(jié)果見(jiàn)圖2。從圖中可看出，當(dāng)整個(gè)光譜區(qū)等分為15子區(qū)間時(shí)，所建模型的RMSECV值最小，因此研究將整個(gè)光譜區(qū)等分為15個(gè)子區(qū)間來(lái)優(yōu)選特征光譜區(qū)間。圖3是在15個(gè)子區(qū)間上優(yōu)選的區(qū)間結(jié)果圖，當(dāng)選擇第12個(gè)子區(qū)間，使用前5個(gè)主成分建立模型時(shí)，其RMSECV最小，對(duì)應(yīng)的波數(shù)范圍為8 412．0 ～8 809．2 cm－1。模型對(duì)校正集的相關(guān)系數(shù)(Rc)和交互驗(yàn)證均方根誤差(RMSECV)分別為0．788 和0．278;預(yù)測(cè)集的中相關(guān)系數(shù)(Rp)和預(yù)測(cè)均方根誤差(RMSEP)分別為 0．724 和0．299。圖中表明，用iPLS優(yōu)選出來(lái)的特征變量不在水的強(qiáng)吸收峰內(nèi)，從而避免了水峰的影響。

圖2 各劃分子區(qū)間上所建最優(yōu)模型的交互驗(yàn)證均方根誤差Fig．2 RMSECV of the optimal models based on all divided interval numbers

圖3 iPLS優(yōu)選的間隔數(shù)Fig．3 The selected interval by iPLS

2．3 聯(lián)合區(qū)間偏最小二乘法(siPLS)篩選特征光譜區(qū)間及siPLS模型建立

由上述結(jié)果可知，建立的iPLS模型性能較差，研究采用另一種特征變量篩選方法(聯(lián)合區(qū)間偏最小二乘法，siPLS)優(yōu)選特征變量，試驗(yàn)將整個(gè)光譜區(qū)分別等分為11～25個(gè)子區(qū)間，在各等分的子區(qū)間內(nèi)，又分別聯(lián)合其中的2、3和4個(gè)子區(qū)間建立模型。在校正集中交互驗(yàn)證法優(yōu)化模型參數(shù)，由最小的交互驗(yàn)證均方根誤差值(RMSECV)作為衡量標(biāo)準(zhǔn)，優(yōu)選結(jié)果見(jiàn)表1。從表中結(jié)果可知，當(dāng)整個(gè)光譜區(qū)被劃分成21個(gè)子區(qū)間，聯(lián)合其中的第7、13和第17個(gè)子區(qū)間，使用前7個(gè)主成分?jǐn)?shù)時(shí)建立模型的RMSECV值最小。圖4是優(yōu)選結(jié)果圖，圖中的灰色區(qū)是篩選出的3個(gè)特征子區(qū)間，各子區(qū)間對(duì)應(yīng)的波數(shù)范圍分 別 為 5 723．7 ～ 6 005．2 cm－1、7 436．2 ～ 7 717．7 cm－1和 8 577．8 ～8 859．4 cm－1，共 222 個(gè)變量。由圖也可看出，優(yōu)選的特征變量不在水的強(qiáng)吸收峰內(nèi)。

表1 由siPLS方法在不同子區(qū)間劃分的特征光譜區(qū)間優(yōu)選結(jié)果Tab．1 Results of feature spectral regions selected by siPLS

由優(yōu)選的222個(gè)變量建立PLS模型，模型對(duì)校正集樣本的相關(guān)系數(shù)(Rc)和交互驗(yàn)證均方根誤差(RMSECV)分別

為0．912和0．185;預(yù)測(cè)集的中相關(guān)系數(shù)(Rp)和預(yù)測(cè)均方根誤差(RMSEP)分別為0．887和0．202。圖5

校正集和預(yù)測(cè)集中樣本的實(shí)測(cè)值與模型預(yù)測(cè)值之間的散點(diǎn)圖。

圖4 由siPLS篩選的特征光譜區(qū)間［7 1317］Fig．4 Optimal spectral regions［7 1317］selected by siPLS

2．4 模型性能比較與討論

本研究比較經(jīng)典偏最小二乘(PLS)模型、iPLS模型和siPLS模型性能，比較結(jié)果見(jiàn)表2。從表2可看出，siPLS模型性能最好，經(jīng)典PLS模型較差。這是因?yàn)榻?jīng)典PLS模型是利用茶湯的近紅外全光譜變量建模，全光譜區(qū)內(nèi)含有大量與氨基酸成分無(wú)關(guān)的信息，尤其是水的吸收峰，這些信息參與模型建立必然會(huì)嚴(yán)重影響模型的精度和穩(wěn)定性。而利用iPLS建模時(shí)，優(yōu)選出與氨基酸成分最相關(guān)的特征變量建立模型，且優(yōu)選得到的特征變量不在水的強(qiáng)吸收峰內(nèi)，因此其模型性能要好于全光譜區(qū)的PLS模型性能;但僅優(yōu)選其中的一個(gè)子區(qū)間來(lái)建立模型，其他子區(qū)間中也含有一些與氨基酸成分最相關(guān)的信息。SiPLS模型是通過(guò)優(yōu)選出幾個(gè)與氨基酸成分最相關(guān)的光譜子區(qū)間建立的模型，其性能明顯要好于iPLS模型。

表2 不同模型結(jié)果比較Tab．2 Results and comparison from different models

圖5 校正集和預(yù)測(cè)集中實(shí)測(cè)值與模型預(yù)測(cè)值之間的散點(diǎn)圖Fig．5 Reference measurement versus NIR prediction in the calibration and prediction sets

3 結(jié)論

本文研究利用近紅外光譜技術(shù)結(jié)合特征變量篩選方法快速測(cè)定茶湯中的氨基酸含量。研究結(jié)果發(fā)現(xiàn)，利用iPLS方法篩選的特征變量建立模型避開(kāi)了水的強(qiáng)吸收峰影響，但模型精度較差，而利用siPLS方法篩選的特征變量建立模型同樣避開(kāi)了水的強(qiáng)吸收峰影響，但模型性能明顯好于iPLS的。研究表明利用近紅外光譜技術(shù)結(jié)合siPLS方法測(cè)定茶湯中的氨基酸含量是可行的。

茶湯中含有大量水分，由于水分子的強(qiáng)吸收使茶湯近紅外原始光譜在6 900～7 140 cm－1波段產(chǎn)生吸收峰飽和現(xiàn)象;另外，氨基酸在茶湯中的含量很低，相對(duì)于水的強(qiáng)吸收，氨基酸的近紅外光譜非常微弱，其吸收信息容易被水的強(qiáng)吸收信號(hào)掩蓋和干擾。姜禮義等［10］探討利用合適的光程來(lái)減少水溶液干擾所產(chǎn)生的誤差，得出使用1 mm光程的透射附件所建立模型是可行的。但透射附件的光程太小，在清洗、制作工藝等方面會(huì)存在一些相應(yīng)的負(fù)面問(wèn)題。本文探討使用化學(xué)計(jì)量學(xué)方法從茶湯近紅外光譜中提取氨基酸的微弱光譜信息，茶湯原始光譜使用5 mm光程石英比色皿采集，其中有部分光譜區(qū)產(chǎn)生飽和現(xiàn)象，嚴(yán)重影響模型精度。而siPLS方法通過(guò)將整個(gè)光譜區(qū)等分成多個(gè)子區(qū)間，再分別聯(lián)合其中的幾個(gè)精度較高的子區(qū)間建立模型，這些精度較高子區(qū)間內(nèi)的變量跟待測(cè)成分最相關(guān)，直接剔除了一些無(wú)關(guān)信息且避開(kāi)了水峰影響。與利用小光程的近紅外光譜分析方法相比，該方法只使用了全光譜變量(1 557個(gè)變量)中的222個(gè)變量建立模型，模型更簡(jiǎn)潔，且避免利用小光程來(lái)減少水的強(qiáng)吸收影響所帶來(lái)的缺陷。

［1］Bettuzzi S，Brausi M，Rizzi F．Chemoprevention of human prostate cancer by oral administration of green tea catechins in volunteers with high－grade prostate intraepithelial neoplasia:a preliminary report from a one－year proof－of－principle study［J］．Cancer Research，2006，66(2):1234 －1240．

［2］艾施榮，吳瑞梅，吳燕．基于神經(jīng)網(wǎng)絡(luò)近紅外光譜鑒別茶飲料的研究［J］．安徽農(nóng)業(yè)科學(xué)，2010，38(14):7658－7662．［3］谷曉君．來(lái)自茶飲料的困惑［J］．上海標(biāo)準(zhǔn)化，2004，5:36 －38．

［4］郭志明．近紅外光譜法測(cè)定茶葉中游離氨基酸的研究［J］．光譜儀器與分析，2011(1):105－109．［5］張正竹．茶葉生物化學(xué)實(shí)驗(yàn)教程［M］．北京:中國(guó)農(nóng)業(yè)出版社，2009:42－43．

［6］郭升平．高效液相色譜法測(cè)定茶葉中氨基酸的研究［J］．色譜，1996，14(6):464－466．

［7］Yu H Y，Ying Y B，F(xiàn)u X P，et al．Quality determination of Chinese rice wine based on Fourier transform near infrared spectroscopy［J］．Journal of Near Infrared Spectroscopy，2006，14(1):37 －44．

［8］Cozzolino D，Kwiatlowski M J，Waters E J，et al．A feasibility study on the use of visible and short wavelengths in the near－ infrared region for the nondestructive measurement of wine composition［J］．Analytical and Bioanalytical Chemistry，2007，387(6):2289－2295．

［9］Galtier N，Dupuy Y，Le D，et al．Geographic origins and compositions of virgin olive oils determinated by chemometric analysis of NIR spectra［J］．Analytica Chimica Acta，2007，595(1):136 – 144．

［10］姜禮義，劉福莉，陳華才，等．綠茶湯中茶多酚近紅外定量分析的光程選擇［J］．中國(guó)計(jì)量學(xué)院學(xué)報(bào)，2009，20(2):135－138．

［11］吳瑞梅，趙杰文，陳全勝，等．特征變量篩選在綠茶湯中茶多酚近紅外光譜定量分析中的應(yīng)用［J］．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2011，42(12):173 －176．

［12］Norgaard L，Saudland A，Wagner J，et al．Interval partial least－ squares regression(iPLS):a comparative chemometric study with an example from near－ infrared spectroscopy［J］．Applied Spectroscopy，2000，54(3):413 －419．

［13］Chen Q S，Zhao J W，Liu M H，et al．Determination of total polyphenols content in green tea using FT－NIR spectroscopy and different PLS algorithms［J］．Journal of Pharmaceutical and Biomedical Analysis，2008，46(3):568 －573．

［14］朱向榮，李娜，史新元，等．近紅外光譜與組合的間隔偏最小二乘法測(cè)定清開(kāi)靈四混液中總氮和梔子苷的含量［J］．高等學(xué)?；瘜W(xué)學(xué)報(bào)，2008，29(5):906 －911．

［15］Chen Q S，Zhao J W，Huang X Y，et al．Simultaneous determination of total polyphenols and caffeine contents of green tea by near－ infrared reflectance spectroscopy［J］．Microchemical Journal，2006，83(1):42 －47．

［16］Liu F，He Y，Wang L，et al．Detection of organic acids and pH of fruit vinegars using near－ infrared spectroscopy and multivariate calibration［J］．Food and Bioprocess Technology，2011，4(8):1331－1340．