楊雪倩 于慧春 殷 勇 袁云霞 吳 昊 李 欣

(河南科技大學(xué)食品與生物工程學(xué)院,河南 洛陽 471023)

玉米是重要的糧食作物和生產(chǎn)原料,可以加工成各種食物、飼料和工業(yè)產(chǎn)品[1],但在運(yùn)輸和儲(chǔ)藏過程中極易發(fā)生霉變而產(chǎn)生黃曲霉毒素B1(aflatoxin B1,AFB1)和玉米赤霉烯酮(zearalenone,ZEN)等真菌毒素[2],尤其干燥不徹底時(shí),玉米中殘留的水分更為這些毒素的生長提供了有利條件[3]。玉米受到有害真菌毒素的感染會(huì)導(dǎo)致其品質(zhì)劣變,引發(fā)食品安全問題,造成經(jīng)濟(jì)損失[4]。針對(duì)谷物霉變毒素的常規(guī)檢測技術(shù)主要有聚合酶鏈?zhǔn)椒磻?yīng)(polymerase chain reaction,PCR)以及酶聯(lián)免疫法(enzyme linked immunosorbent assay,ELISA)[5]、氣相色譜法(gas chromatography,GC)[6]和高效液相色譜法(high performance liquid chromatography,HPLC)[7]等,這些方法雖然具有高靈敏度、高準(zhǔn)確性的優(yōu)點(diǎn),但操作復(fù)雜,耗時(shí)費(fèi)力,采樣過程中樣本的可變性較大[8]。因此,探究AFB1和ZEN等真菌毒素的快速、準(zhǔn)確的檢測方法,對(duì)避免受污染玉米進(jìn)入市場,保證食品安全具有重要的現(xiàn)實(shí)意義。

近年來,拉曼光譜分析技術(shù)因其快速、簡便、分辨率高、需較少樣品預(yù)處理,且能檢測黑體及含水樣品等優(yōu)點(diǎn)[9-10],在農(nóng)產(chǎn)品及食品安全檢測領(lǐng)域的應(yīng)用引起人們的廣泛重視[11-12],但該技術(shù)在谷物霉變毒素檢測方面的研究報(bào)道較少。Lee等[13]以受到濃度范圍0～1 206μg·kg-1黃曲霉毒素污染的玉米樣品為試驗(yàn)對(duì)象,進(jìn)行拉曼光譜檢測,構(gòu)建了判別分類模型和含量預(yù)測模型,判別的正確率達(dá)94%,含量預(yù)測效果也較好,表明拉曼光譜法適合用于快速篩選玉米中的黃曲霉毒素。Liu等[14]對(duì)受不同濃度脫氧雪腐鐮刀菌烯醇(deoxynivalenol,DON)污染的大麥和小麥樣本進(jìn)行拉曼光譜測量,通過主成分分析實(shí)現(xiàn)了對(duì)不同濃度DON污染樣本的分類。為了實(shí)現(xiàn)對(duì)微痕量毒素信息的準(zhǔn)確檢測,Singh等[15]利用銀納米粒子作為表面增強(qiáng)拉曼光譜(surface-enhanced Raman spectroscopy,SERS)的基底,通過標(biāo)準(zhǔn)加樣法,在激光波長為633 nm的拉曼顯微鏡下成功檢測了桔霉素。李琴[16]構(gòu)建了用于快速檢測AFB1的SERS傳感器,通過檢測基底上DNA短鏈捕獲的SERS探針拉曼信號(hào)的變化,確定了AFB1濃度。此外,袁景[17]也利用SERS對(duì)玉米中DON含量進(jìn)行檢測,在合成銀納米粒子基底之后,通過對(duì)不同濃度DON水溶液的SERS檢測得到相應(yīng)的拉曼光譜,并進(jìn)行密度泛函理論的計(jì)算。

拉曼光譜結(jié)合表面增強(qiáng)技術(shù)提高了檢測精準(zhǔn)度,但在進(jìn)行某種物質(zhì)的檢測時(shí)先要確定其匹配的增強(qiáng)劑及增強(qiáng)技術(shù),增加了拉曼檢測的復(fù)雜性。此外,拉曼光譜中包含豐富的信息,但上述前人研究[13-17]在利用拉曼光譜技術(shù)對(duì)被測物質(zhì)進(jìn)行定量預(yù)測時(shí)還存在模型精度較低、可靠性較差等問題。

因此,本研究采用普通共焦拉曼光譜技術(shù)對(duì)不同霉變程度的玉米進(jìn)行檢測。首先對(duì)原始拉曼光譜數(shù)據(jù)進(jìn)行基線校正和預(yù)處理,去除熒光背景及噪聲干擾;然后分別針對(duì)AFB1和ZEN進(jìn)行特征波長的篩選;進(jìn)而構(gòu)建2種毒素含量的預(yù)測模型,對(duì)霉變玉米中真菌毒素進(jìn)行準(zhǔn)確定量預(yù)測,以實(shí)現(xiàn)拉曼光譜技術(shù)對(duì)霉變玉米中真菌毒素的快速檢測。

1 材料與方法

1.1 儀器與設(shè)備

FSD-100A高速粉碎機(jī),上海昂尼儀器儀表有限公司;XploRA ONE共焦顯微拉曼光譜儀,法國HORIBA JOBIN YVON;LHS-100CB恒溫恒濕箱,樂清市宇隆儀器有限公司;Waters H-Class/TQ-SMicro超高效液相色譜儀,美國沃特世公司。

1.2 試驗(yàn)材料

玉米樣品(中單909)購于洛陽市鄭興農(nóng)貿(mào)市場,顆粒大小基本一致。將采購的新鮮玉米放置于恒溫恒濕箱(溫度30℃、濕度90%[18]),進(jìn)行玉米霉變培養(yǎng),對(duì)培養(yǎng)的玉米每隔1 d取樣一次,即分別在培養(yǎng)第2、第4、第6、第8、第10天進(jìn)行取樣,共5次,以新鮮玉米作為對(duì)照組(取樣時(shí)間0 d)。每次取出的玉米樣品分成2組,分別進(jìn)行超高效液相色譜和激光拉曼檢測。

1.3 拉曼光譜采集

在進(jìn)行拉曼光譜檢測前,須先將玉米樣品進(jìn)行粉碎,其目的是將分析物轉(zhuǎn)變成更加適合拉曼檢測的形態(tài)[19]。然后將玉米粉置于2片載玻片間,將其壓平、壓勻,將載玻片置于共焦顯微拉曼光譜儀的檢測平臺(tái),進(jìn)行檢測。

在激光光源波長785 nm,功率375 mW,光譜采集范圍200～3 500 cm-1,光譜分辨率6 cm-1,室溫25±1℃的條件下進(jìn)行檢測。不同天數(shù)的樣品做3次平行試驗(yàn),為盡可能全面的獲取樣品信息,每次試驗(yàn)的樣品分別均勻采集40個(gè)點(diǎn),即得到40條拉曼光譜,取3次試驗(yàn)的平均光譜用于光譜信息研究。

1.4 AFB1和ZEN含量測定

AFB1、ZEN含量的測定分別參照GB 5009.22-2016《食品中黃曲霉毒素B族和G族的測定》[20]和GB 5009.209-2016《食品中玉米赤霉烯酮的測定》[21]。具體如下:

稱取粉碎好的玉米樣品20 g,加入4 g氯化鈉,加入100mL 70%甲醇溶液(分析純)后震蕩30min,靜置10 min。取10 mL上清液加入20 mL雙氧水,得到稀釋后的上清液,并使用定性濾紙進(jìn)行過濾,取其中的15 mL濾液注入免疫親和柱,待全部通過后,用20 mL雙氧水清洗免疫親和柱。吹干柱子后加入1 mL甲醇洗脫,收集的洗脫液用0.22μm微孔濾膜過濾后裝入進(jìn)樣瓶中,采用超高效液相色譜儀檢測毒素含量。測定參數(shù)如下:熒光檢測器激發(fā)波長360 nm、發(fā)射波長440 nm,流動(dòng)相為75%甲醇、25%雙氧水,進(jìn)樣量1 μL,進(jìn)樣時(shí)間5 min,流速0.1 mL·min-1。不同毒素、不同天數(shù)的玉米樣品分別收集洗脫液,試驗(yàn)設(shè)置3次平行。

1.5 數(shù)據(jù)處理

1.5.1 原始光譜數(shù)據(jù)的預(yù)處理 首先,采用儀器自帶系統(tǒng)處理軟件中的迭代多項(xiàng)式擬合基線校正方法,通過對(duì)拉曼曲線的基線進(jìn)行多項(xiàng)式函數(shù)擬合[22],從而實(shí)現(xiàn)拉曼光譜的基線校正及熒光背景的去除。

為了減少環(huán)境噪聲及儀器自身的系統(tǒng)誤差對(duì)被測樣品拉曼光譜信息的影響,分別采用多元散射校正(multiplicative scatter correction,MSC)、標(biāo)準(zhǔn)正態(tài)變量變換(standard normal variate,SNV)和高斯-洛倫茲混合函數(shù)(GaussLor)3種方法對(duì)原始拉曼光譜進(jìn)行預(yù)處理,并根據(jù)相關(guān)系數(shù)(R2)和均方根誤差(root mean square error,RMSE)進(jìn)行結(jié)果對(duì)比。

1.5.2 特征波長的選擇 采集到的光譜數(shù)據(jù)信息量大,且數(shù)據(jù)之間存在較強(qiáng)的關(guān)聯(lián)。為減少后續(xù)模型的運(yùn)算量,提高計(jì)算精度,對(duì)預(yù)處理之后的光譜數(shù)據(jù)采用競爭性自適應(yīng)重加權(quán)采樣(competitive adaptive reweighted sampling,CARS)方法進(jìn)行特征波長的選擇。

CARS方法是基于蒙特卡羅采樣和偏最小二乘(partial least squares,PLS)模型中回歸系數(shù)的一種特征波長選擇方法,旨在選擇最具有競爭力的波數(shù)組合[23]。其通過蒙特卡羅采樣選擇的校正集樣本建立對(duì)應(yīng)的PLS模型,計(jì)算該次采樣中波長回歸系數(shù)的絕對(duì)值權(quán)重,去掉權(quán)重較小的波長后,采用自適應(yīng)重加權(quán)采樣(adaptive reweighted sampling,ARS)的方法選擇波長來建立PLS模型,選取交互驗(yàn)證均方根誤差(root mean square error of cross validation,RMSECV)最小的PLS模型對(duì)應(yīng)的波長為特征波長[24]。

玉米霉變等級(jí)不同,AFB1、ZEN的含量不同,光譜信息也不同,光譜數(shù)據(jù)與理化數(shù)據(jù)之間存在關(guān)聯(lián)性,通過CARS將二者相聯(lián)系,分別提取最能表征AFB1、ZEN的光譜特征,最大程度地除去光譜信息中的冗余信息,以減少后續(xù)預(yù)測模型的運(yùn)算量。

1.5.3 模型的建立 分別基于全波長和特征波長拉曼光譜信息,采用BP神經(jīng)網(wǎng)絡(luò)(back propagation neural network,BPNN)、PLS和支持向量機(jī)(support vectormachine,SVM)3種常用方法構(gòu)建不同霉變程度玉米中AFB1和ZEN含量的預(yù)測模型,并對(duì)預(yù)測結(jié)果進(jìn)行比較分析,確定適合的建模方法。

BPNN是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò),采用經(jīng)驗(yàn)風(fēng)險(xiǎn)最小和梯度下降法計(jì)算目標(biāo)函數(shù)最優(yōu)值從而逼近函數(shù)表達(dá)[25],使信號(hào)正向傳播和誤差反向傳播交替循環(huán)進(jìn)行,信號(hào)正向傳播一次計(jì)算相應(yīng)的誤差一次,并讓誤差沿著梯度負(fù)方向下降一個(gè)很小的變化量,將得到的誤差變化量反向傳播到BPNN各層,然后對(duì)各層參數(shù)的值進(jìn)行調(diào)整,再進(jìn)行下一次循環(huán)。當(dāng)BPNN的誤差收斂到一個(gè)較為穩(wěn)定的范圍,可認(rèn)為各層參數(shù)的值達(dá)到了理想狀態(tài),模型達(dá)到了最優(yōu)狀態(tài)。

PLS是一種多元統(tǒng)計(jì)數(shù)據(jù)分析方法,集中了主成分分析、典型相關(guān)分析和線性回歸分析的特點(diǎn)[26-27]。該方法用指定的成分?jǐn)?shù)量對(duì)數(shù)據(jù)進(jìn)行最大程度的提取,不斷提取有效信息,對(duì)最終結(jié)果進(jìn)行求解。在建模過程中采用信息綜合與篩選技術(shù),從自變量系統(tǒng)中逐步提取對(duì)自變量系統(tǒng)和因變量系統(tǒng)都具有最佳解釋能力的新綜合變量,是一種多因變量對(duì)多自變量的建模方法,可以較好地解決普通方法無法解決的問題。

SVM是基于統(tǒng)計(jì)學(xué)習(xí)理論的一種機(jī)器學(xué)習(xí)方法,其核心思想是機(jī)構(gòu)風(fēng)險(xiǎn)最小化,通過核函數(shù)把輸入線性不可分的數(shù)據(jù)映射到高維空間,構(gòu)造超平面,使不同樣本之間的類間隔最大[28],具有較強(qiáng)泛化能力和廣泛適應(yīng)性[29]。在SVM預(yù)測模型訓(xùn)練過程中需對(duì)懲罰參數(shù)c和核函數(shù)參數(shù)g進(jìn)行優(yōu)化,本研究利用常用的meshgrid函數(shù)來選取c和g。會(huì)存在不同的c和g均對(duì)應(yīng)較高的準(zhǔn)確率的情況,此時(shí)把具有最小c的一組參數(shù)認(rèn)為是最佳參數(shù)組合,c的設(shè)置過高會(huì)造成過學(xué)習(xí)狀態(tài),降低最終的準(zhǔn)確率。

2 結(jié)果與分析

2.1 AFB1和ZEN含量的測定結(jié)果

由表1可知,隨著培養(yǎng)時(shí)間的延長,玉米樣品中2種毒素的含量逐漸增多,從取樣第6天之后,樣品中2種毒素的含量已超過國家標(biāo)準(zhǔn)(AFB1≤20μg·kg-1,ZEN≤60μg·kg-1)[30],而且取樣第4～第6天時(shí),2種毒素的含量變化明顯,玉米品質(zhì)迅速劣變。根據(jù)這2種毒素含量的變化情況,可將玉米分為6個(gè)等級(jí),分別標(biāo)注為1、2、3、4、5、6。

表1 不同霉變程度玉米樣品中AFB1和ZEN含量Table1 Contents of AFB1 and ZEN in different grade ofmoldy maize

2.2 拉曼光譜的預(yù)處理

圖1為6個(gè)不同等級(jí)玉米樣品的拉曼光譜圖。受玉米粉末顆粒的不均勻性及熒光、噪聲等影響,圖中拉曼譜線較為不規(guī)整。為減小這些因素的干擾,首先采用多項(xiàng)式擬合基線校正方法去除熒光背景的干擾,原始光譜數(shù)據(jù)經(jīng)過5階次處理后基線基本被扣除。然后分別采用MSC、SNV和GaussLor方法對(duì)光譜進(jìn)行預(yù)處理,并基于預(yù)處理后的光譜數(shù)據(jù)建立PLS模型,每個(gè)霉變等級(jí)玉米樣品的40條拉曼光譜中35條作為訓(xùn)練集,5條作為預(yù)測集,結(jié)果如表2所示。

表2 3種預(yù)處理方法的PLS判別分析結(jié)果Table2 PLS discriminant analysis results of three preprocessing methods

基于GaussLor預(yù)處理方法所建立的PLS模型,對(duì)AFB1含量進(jìn)行預(yù)測,訓(xùn)練集和測試集的R2、RMSE分別0.792 7、0.590 2(訓(xùn)練集)和0.752 1、0.630 9(測試集);對(duì)ZEN含量進(jìn)行預(yù)測,訓(xùn)練集和測試集的R2、RMSE分別0.823 1、0.612 7(訓(xùn)練集)和0.760 1、0.642 6(測試集)。預(yù)處理結(jié)果表明采用GaussLor進(jìn)行拉曼光譜峰位擬合,對(duì)所收集的拉曼光譜擬合效果較好,適合用于拉曼光譜的預(yù)處理。采用GaussLor進(jìn)行預(yù)處理時(shí),強(qiáng)度閾值設(shè)定為最大強(qiáng)度的20%,間隔閾值選擇10個(gè)像素。預(yù)處理后的拉曼光譜圖如圖2所示,預(yù)處理后在保留光譜圖中有用信息的同時(shí)剔除了干擾信息,特征峰更明顯。

由圖2可以明顯觀察到420～550、790～980以及1 050～1 500 cm-1波段范圍內(nèi)峰值凸顯,認(rèn)為該波段的變化是受到玉米中毒素的影響[13]。根據(jù)文獻(xiàn)[31],位于859 cm-1的拉曼峰屬于芳環(huán)骨架變形振動(dòng),934 cm-1處的峰屬于芳環(huán)呼吸振動(dòng),1 032 cm-1處的峰屬于CH2=CH2伸縮振動(dòng),1 120 cm-1處的峰屬于cyclopentene環(huán)上的C=O伸縮振動(dòng),1 254 cm-1處的峰屬于醚鍵伸縮振動(dòng),1 343 cm-1處的峰屬于甲基彎曲振動(dòng),476 cm-1和1 457 cm-1處的峰來源于芳環(huán)上C原子上的C-H相關(guān)振動(dòng)。

2.3 特征波長的選擇

為提高不同霉變程度玉米的檢測效率,對(duì)預(yù)處理后的光譜數(shù)據(jù)采用CARS方法,并結(jié)合理化試驗(yàn)中測得的AFB1和ZEN含量提取特征波長,篩選過程如圖3所示。圖3-a-1為針對(duì)AFB1的拉曼特征光譜篩選過程,隨著采樣次數(shù)的增加,優(yōu)化變量數(shù)逐步下降,且下降趨勢由快變慢。圖3-a-2中RMSECV值表明了基于CARS選擇的特征波長建立的PLS模型的效果,*號(hào)即為RMSECV值最小的位置,*號(hào)之后RMSECV值開始變大。對(duì)應(yīng)RMSECV值最小的位置采集次數(shù)為31次,所得針對(duì)AFB1的較優(yōu)特征波長個(gè)數(shù)為22個(gè)。同理,針對(duì)ZEN的采樣次數(shù)為27次,得到的較優(yōu)特征波長個(gè)數(shù)為36個(gè)。針對(duì)2種毒素,篩選出的特征波長如表3所示。

2.4 霉變玉米毒素含量預(yù)測

2.4.1 基于全波長光譜信息霉變玉米毒素含量預(yù)測模型分析結(jié)果 基于全波長拉曼光譜信息分別采用BPNN、PLS和SVM 3種方法建立2種毒素的預(yù)測模型。每個(gè)霉變等級(jí)玉米樣品的40條拉曼光譜中35條作為訓(xùn)練集,5條作為預(yù)測集。

表3 特征波長選擇結(jié)果Table3 The characteristic wavelength selection results

3種預(yù)測模型結(jié)果如表4所示。在BPNN模型中,輸入層神經(jīng)元個(gè)數(shù)變?yōu)槿ㄩL下的光譜值,迭代次數(shù)設(shè)置1 000次,學(xué)習(xí)速率為0.001,訓(xùn)練目標(biāo)為0.000 1,隱含層神經(jīng)元函數(shù)選擇tansig函數(shù),輸出層神經(jīng)元函數(shù)選擇purelin函數(shù),網(wǎng)絡(luò)訓(xùn)練函數(shù)選擇trainlm函數(shù)。2種毒素的預(yù)測模型中,輸入層神經(jīng)元個(gè)數(shù)均為969,對(duì)應(yīng)AFB1和ZEN全波長下的光譜值,輸出層神經(jīng)元數(shù)為1,對(duì)應(yīng)AFB1和ZEN的含量。隱含層層數(shù)越多,精度越高,網(wǎng)絡(luò)結(jié)構(gòu)就越復(fù)雜,訓(xùn)練時(shí)間越長[32],本試驗(yàn)最終選擇的隱含層層數(shù)均為1。隱含層神經(jīng)元個(gè)數(shù)的選擇參照公式(1),經(jīng)調(diào)試,其神經(jīng)元個(gè)數(shù)為34。

式中,N為隱含層神經(jīng)元個(gè)數(shù),n為輸入層神經(jīng)元個(gè)數(shù),m為輸出層神經(jīng)元個(gè)數(shù),a為常數(shù)。

在SVM模型中,懲罰參數(shù)c和核函數(shù)參數(shù)g的尋找范圍均為-10～10,步長為0.5。

由表4可知,3種模型的預(yù)測結(jié)果均不理想。對(duì)AFB1來說,BPNN模型相對(duì)較優(yōu);對(duì)ZEN來說,BPNN和SVM模型相對(duì)較優(yōu)?？傮w而言,測試集的R2均較低,在0.78左右,即毒素含量的預(yù)測值大約只有80%

表4 全波長下BPNN,PLS與SVM模型測試集預(yù)測結(jié)果Table4 Test set predictive results of BPNN,PLS and SVM models based on the full wavelength

由全波長下的拉曼光譜信息來說明或決定,說明在全波長拉曼光譜信息中包含了較多的冗余信息,降低了模型的精度和可靠度,因此,有必要對(duì)全波長光譜進(jìn)行特征波長的選擇。

2.4.2 基于特征波長光譜信息霉變玉米毒素含量預(yù)測模型分析結(jié)果 基于CARS算法提取的特征波長光譜信息,分析建立2種毒素的預(yù)測模型,同樣每個(gè)等級(jí)霉變玉米樣品的40條拉曼光譜中35條作為訓(xùn)練集,5條作為預(yù)測集。

3種預(yù)測模型結(jié)果如表5所示。BPNN預(yù)測模型中,設(shè)置迭代次數(shù)為100次,學(xué)習(xí)速率為0.001,訓(xùn)練目標(biāo)為0.000 1,隱含層神經(jīng)元函數(shù)選擇tansig函數(shù),輸出層神經(jīng)元函數(shù)選擇purelin函數(shù),網(wǎng)絡(luò)訓(xùn)練函數(shù)選擇trainlm函數(shù)。針對(duì)AFB1含量的預(yù)測模型中,輸入層神經(jīng)元個(gè)數(shù)為22,對(duì)應(yīng)22個(gè)特征波長下的光譜值,輸出層神經(jīng)元個(gè)數(shù)為1,表示AFB1的含量;針對(duì)ZEN含量的預(yù)測模型中,輸入層神經(jīng)元個(gè)數(shù)為36,對(duì)應(yīng)其36個(gè)特征波長下的光譜值,輸出層神經(jīng)元個(gè)數(shù)為1,表示ZEN的含量。隱含層層數(shù)均為1,隱含層神經(jīng)元個(gè)數(shù)的選擇參照公式(1),經(jīng)調(diào)試,其神經(jīng)元個(gè)數(shù)為21時(shí),2種毒素含量預(yù)測效果最佳。

SVM預(yù)測模型懲罰參數(shù)c和核函數(shù)參數(shù)g的尋找范圍均為-5～5,步長為0.5。

表5 特征波長下BPNN,PLS與SVM模型測試集預(yù)測結(jié)果Table5 Test set predictive resu lts of BPNN,PLS and SVM models based on the characteristic wavelengths

由表5可知,3種模型的預(yù)測效果均明顯改善,尤其BPNN模型對(duì)AFB1和ZEN的預(yù)測效果均較好,R2分別達(dá)到0.986 9和0.967 3,RMSE分別為0.098 7和0.092 2,與全波長光譜信息的預(yù)測模型相比,預(yù)測的精度大大提高,且模型的訓(xùn)練時(shí)間縮短,速度快。

基于特征光譜信息,采用BPNN模型對(duì)不同霉變程度玉米中2種毒素的含量進(jìn)行預(yù)測,結(jié)果如圖4所示。圖中預(yù)測值在其期望值上下波動(dòng),針對(duì)2種毒素含量的預(yù)測模型隨機(jī)劃分訓(xùn)練集與測試集,幾次測試結(jié)果基本保持一致,說明模型的穩(wěn)定性及準(zhǔn)確度較高。

3 討論

在數(shù)據(jù)處理過程中,選取合適的處理方法可以簡化研究過程的運(yùn)算量,降低難度。本研究在對(duì)拉曼原始光譜數(shù)據(jù)進(jìn)行初步處理時(shí),采用MSC、SNV、GaussLor 3種處理方法,對(duì)比PLS判別分析結(jié)果確定GaussLor方法較為合適。

關(guān)于拉曼光譜技術(shù)對(duì)毒素的研究大多集中在拉曼檢測結(jié)合表面增強(qiáng)技術(shù),通過對(duì)特定峰的分析實(shí)現(xiàn)對(duì)特定毒素進(jìn)行準(zhǔn)確的定性判斷。在谷物毒素含量預(yù)測方面,對(duì)谷物中AFB1的定量預(yù)測報(bào)道較多,如Lee等[33]以受到AFB1污染的玉米樣品為研究對(duì)象,通過對(duì)全譜數(shù)據(jù)分析,建立預(yù)測模型,但模型預(yù)測精度較低。本研究通過對(duì)全波長和特征波長預(yù)測結(jié)果的比較,認(rèn)為導(dǎo)致預(yù)測精度較低的原因是全波長光譜中含有較多冗余信息,影響模型的精度和可靠性,通過提取有效的特征,使得模型的R2從0.78左右提高到0.96以上,明顯提升了模型的預(yù)測精度,這與蔡亮紅等[34]利用CARS篩選出131個(gè)波長變量所建立的預(yù)測模型精度高于全波段預(yù)測模型的結(jié)果相一致。同時(shí),孫靜濤等[35]在結(jié)合特征波長和SVM來判別哈密瓜成熟度的研究中,將CARS算法、連續(xù)投影算法(successive projections algorithm,SPA)與CARS和SPA相結(jié)合的方法進(jìn)行比較,最終選取CARS-SPA方法進(jìn)行有效特征的提取,獲得了較佳的結(jié)果,為本研究中特征波長的提取提供了借鑒。袁景[17]利用SERS對(duì)玉米等谷物中的DON進(jìn)行檢測時(shí),利用銀溶膠作為基底,獲得DON水溶液的標(biāo)準(zhǔn)SERS光譜,進(jìn)一步深入了解DON分子的結(jié)構(gòu)與性質(zhì),對(duì)谷物中添加的DON進(jìn)行檢測,試驗(yàn)效果較好,但其研究的重點(diǎn)是對(duì)谷物中微痕量的DON進(jìn)行準(zhǔn)確的定量檢測。而本研究以不同程度霉變玉米為試驗(yàn)對(duì)象,利用拉曼技術(shù)采集光譜信息,從信號(hào)處理的角度出發(fā),通過對(duì)一系列的數(shù)學(xué)算法處理,對(duì)玉米中AFB1和ZEN含量構(gòu)建預(yù)測模型,與SERS相比降低了檢測難度,應(yīng)用性和實(shí)用性更強(qiáng)。

本研究采用基于特征波長的BPNN預(yù)測模型,對(duì)AFB1含量進(jìn)行預(yù)測時(shí),第3、第5、第6等級(jí)的預(yù)測值與期望值相差較小,而第1、第2等級(jí)的預(yù)測值在期望值上下波動(dòng)較大;AFB1含量整體預(yù)測值的R2和RMSE值分別為0.986 9和0.098 7,預(yù)測結(jié)果較滿意;對(duì)ZEN含量進(jìn)行預(yù)測時(shí),預(yù)測值的R2和RMSE分別為0.967 3和0.092 2,但是第4等級(jí)中2個(gè)測試集的預(yù)測值與期望值之間差別較大,影響模型預(yù)測精度的原因主要有2個(gè)方面:一是特征提取方法,二是模型構(gòu)建方法。因此,如何進(jìn)行多特征的提取和優(yōu)化,獲取最有效的特征信息,以及如何對(duì)模型的結(jié)構(gòu)和參數(shù)做進(jìn)一步的分析和設(shè)計(jì),構(gòu)建最優(yōu)模型,是值得不斷深入分析和研究的問題。

4 結(jié)論

本研究通過對(duì)原始拉曼光譜數(shù)據(jù)的預(yù)處理及有效特征波長的提取,建立了玉米AFB1和ZEN含量的定量預(yù)測模型。首先采用CARS提取特征波長,針對(duì)AFB1提取22個(gè)特征波長,針對(duì)ZEN提取36個(gè)特征波長,表明預(yù)測的毒素不同,提取的特征波長也不同,所以特征波長的選擇要有針對(duì)性;通過對(duì)不同建模方法預(yù)測結(jié)果的比較,BPNN模型相對(duì)來說具有更好的穩(wěn)定性和精度,基于所篩選的特征波長,BPNN對(duì)AFB1和ZEN含量預(yù)測值的R2分別為0.986 9和0.967 3,對(duì)AFB1和ZEN含量預(yù)測值的RMSE分別為0.098 7和0.092 2,結(jié)果較優(yōu),但是2種毒素含量的定量預(yù)測模型的RMSE較高,所以仍需要對(duì)拉曼光譜數(shù)據(jù)的特征提取方法及建模方法等方面進(jìn)一步深入分析,以建立更加穩(wěn)健的毒素含量定量預(yù)測模型。本研究結(jié)果為拉曼光譜技術(shù)用于霉變玉米真菌毒素的快速、準(zhǔn)確檢測提供了借鑒,也為其他谷物品質(zhì)的快速檢測提供了一定的參考。