《Journal of Food Composition and Analysis》:Non-destructive origin traceability of functional food raw materials using portable near-infrared spectroscopy and variable selection-random forest algorithm
编辑推荐:
基于便携式近红外(NIR)光谱和化学计量学方法,研究人员提出了一种功能性食品原料(FFRMs)无损产地溯源策略。以玉竹(Polygonatum odoratum)、蒲公英(Taraxacum mongolicum)和大黄(Rheum palmatum)为研究对
基于便携式近红外(NIR)光谱和化学计量学方法,研究人员提出了一种功能性食品原料(FFRMs)无损产地溯源策略。以玉竹(Polygonatum odoratum)、蒲公英(Taraxacum mongolicum)和大黄(Rheum palmatum)为研究对象,利用光栅便携式NIR光谱仪在三种积分时间下采集不同产地样品的光谱。采用主成分分析(PCA)和随机森林(RF)方法构建产地溯源模型,并发展了两种变量选择-RF算法以进一步提高准确性。通过验证集和一个月后采集的预测集对模型性能进行评估。结果表明,积分时间的优化在某些情况下可改善性能。 sudden rain" Furthermore,随机化检验(RT)方法表现出更高的稳健性和准确性,而连续投影算法(SPA)方法可简化RF模型。大黄-RT/SPA-RF和蒲公英-RT-RF模型获得了100%的溯源准确率,而玉竹-RT-RF模型的准确率超过95%。变量选择-RF策略为高精准度和高稳健性的FFRMs无损产地溯源提供了一种新方法。
功能性食品原料(FFRMs)在保健和医药领域受到越来越多的关注。同一品种的FFRMs,不同产地的样品通常外观相似,但药效和价格可能存在显著差异,导致产地标签错误的情况频繁发生。目前,FFRMs产地溯源的常用方法包括液相色谱-质谱联用(LC-MS)和气相色谱-质谱联用(GC-MS)等,但这些技术耗时且成本高,且分析前需要对样品进行破坏性预处理。近红外(NIR)光谱作为一种快速、无损、经济的检测方法,通过测量分子键倍频和合频振动引起的光吸收,结合模式识别策略,已用于FFRMs的快速产地溯源。然而,目前还没有针对玉竹无损产地溯源的研究,且现有NIR研究多需粉碎样品才能采集光谱,因此亟需建立一种快速、无损、准确的FFRMs产地溯源方法。
近年来,NIR光谱仪的小型化取得了实质性进展。与傅里叶变换仪器相比,光栅仪器具有成本低、适合小型化的优点,但其信号易受外界干扰,可能导致显著的基线漂移和噪声干扰。积分时间是光栅仪器的重要参数,对信噪比有显著影响。适当的积分时间增强光谱强度并改善信比,但过长的积分时间可能导致高反射区域信号饱和或引入噪声,从而降低模型稳定性。然而,增加积分时间并非在所有材料和建模设置中都能持续改善模型性能。目前,利用便携式NIR光谱进行FFRMs产地溯源的相关研究缺乏,积分时间对产地溯源模型的影响尚不明确。
NIR光谱,尤其是便携式仪器采集的光谱,常受到弱吸收强度、光谱重叠、基线漂移和噪声等干扰的影响。光谱预处理方法可消除NIR光谱中的基线漂移和背景干扰,而模式识别方法可用于建立识别不同来源数据的鉴定模型。主成分分析(PCA)是最常见的无监督模式识别方法,通过线性变换实现复杂多维数据的降维,但由于缺乏先验知识,识别结果往往不理想。随机森林(RF)是一种强大的监督集成式模式识别算法,通过组合多个决策树来提高预测准确率并控制过拟合。近年来,一维卷积神经网络(1D-CNN)和残差网络(ResNet)等深度学习方法在NIR光谱分析中表现出优异的建模性能,但NIR光谱中存在冗余信息,建模前需优化波长区域。随机化检验(RT)和连续投影算法(SPA)是两种常用的有效变量选择方法,前者通过减少无信息波长引入的偏差来提高预测能力,后者在向量空间中采用简单操作获得低共线性的变量子集。然而,变量选择-RF策略至今尚未用于FFRMs的产地溯源。
本研究的技术路线如下:利用光栅便携式NIR光谱仪在三种积分时间下采集玉竹、蒲公英和大黄三种FFRMs不同产地的光谱,采用PCA和RF模式识别方法建立鉴定模型,并发展RT-RF和SPA-RF两种变量选择算法以进一步提高准确性,通过验证集和一个月后采集的预测集评估模型性能。
在样本来源方面,玉竹采自湖南、广西和广东,蒲公英采自福建、河南和山东,大黄采自四川、青海和甘肃,每个产地各70份样品。每种原料来自不少于10个独立生产批次,确保数据集的代表性和统计有效性。所有样品均由湖南农业大学园艺学院中药资源与开发领域专家鉴定。采用Kennard-Stone算法将样本划分为40份校正集和30份验证集,一个月后额外采集各产地30份样品组成预测集。
光谱采集使用Metrohm中国有限公司的i-Spec Plus光栅便携式NIR光谱仪,配备20 W钨灯作为光源,积分球漫反射模式,样品直接放置于光谱仪光源中心。光谱扫描范围890-1720 nm,511个数据点。积分时间设置:玉竹和大黄为45 ms、65 ms和85 ms,蒲公英为25 ms、45 ms和65 ms。数据分析在MATLAB R2022a中完成。
预处理采用De-bias、标准正态变量变换(SNV)、连续小波变换(CWT)、最大最小归一化(Min-Max)、去趋势校正(DT)、多元散射校正(MSC)、一阶导数和二阶导数共8种方法,选择依据各FFRM数据集模型性能最优原则。RF参数设置为:决策树数量100,块大小50000,代价函数为均方根误差(RMSE),min_samples_leaf设为1。SVM使用3阶多项式核,通过MATLAB的OptimizeHyperparameters函数自动优化超参数。PLS-DA潜变量数采用10折交叉验证优化。RT方法先构建正则偏最小二乘(PLS)模型和多个随机PLS模型,计算各变量P值并按重要性降序排列,通过10折交叉验证计算交叉验证均方根误差(RMSECV),选择RMSECV最小时对应的变量数。SPA方法最大变量数设为15,同样以RMSECV确定选择变量数。变量选择和参数调优仅在校正集上进行以避免信息泄露。
研究结果显示,三种FFRMs在三种积分时间下的原始光谱具有相似吸收峰,位于约1000 nm、1200 nm和1440 nm处,分别归属于O-H二级倍频、C-H二级倍频和O-H一级倍频,与水分、醇类和碳水化合物的吸收相关。不同积分时间下主要吸收峰相似,但NIR光谱强度存在细微差异。即使经过光谱预处理,仍无法肉眼识别不同区域光谱的显著差异,因此无法基于原始光谱实现准确产地溯源。
PCA模型的产地溯源效果总体不佳。蒲公英在45 ms和65 ms积分时间下,福建样品与其他产地有一定区分,表明增加积分时间在某些情况下可能改善模型,但并非对所有样品都适用。RF模型的结果显著优于PCA。玉竹原始光谱最优积分时间为85 ms,识别准确率80.00%。蒲公英原始光谱验证集准确率98.89%。大黄在65 ms积分时间下准确率97.78%。预处理可显著提高识别效果:玉竹65 ms二阶导数-RF模型验证集准确率达98.89%;蒲公英65 ms一阶导数和二阶导数-RF模型均达100%;大黄相应模型效果满意。
变量选择进一步优化了模型性能。RT-RF模型中,玉竹原始光谱45 ms验证集准确率65.56%,85 ms时为70%。经SNV预处理后65 ms准确率达97.78%,优于无变量选择的RF模型。蒲公英原始光谱RT-RF准确率98.89%,二阶导数处理后达100%。大黄原始光谱RT-RF准确率90%,一阶和二阶导数处理后均达100%。SPA-RF模型表现略逊于RT-RF:玉竹65 ms一阶导数-SPA-RF准确率95.55%,蒲公英25 ms CWT-SPA-RF达100%,大黄65 ms DT/一阶导数-SPA-RF达100%。
混淆矩阵分析表明,RT-RF模型中玉竹广东样品识别准确,验证集中3份湖南样品误判为广西、1份广西判为湖南,预测集中1份湖南判为广西;蒲公英和大黄验证集与预测集准确率均达100%。SPA-RF模型中玉竹验证集广东准确但预测集1份判为广西;蒲公英效果不够理想;大黄仍保持100%。RT方法变量数较多(玉竹420、蒲公英500、大黄420),接近全光谱;SPA方法变量数少(玉竹30、蒲公英28、大黄39),可简化模型但可能降低准确率。变量分布显示,RT方法在1140-1250 nm和1400-1450 nm等O-H、C-H一级倍频区选取较多变量,SPA方法分布类似但范围更集中,可能与碳水化合物吸收相关。
与文献比较,ATR-FTIR、UPLC-Q-TOF-MS/MS、HPLC-QTOF-MS、稳定同位素和元素分析等技术均耗时且需破坏性预处理,而本研究首次提出基于便携式NIR光谱和化学计量学的三种FFRMs快速无损产地溯源方法,具有同时获得特征变量和可行溯源模型、通过积分时间优化改善性能、降低过拟合风险、适合现场分析等优势。
结论部分指出,基于便携式NIR光谱和化学计量学方法,研究成功提出了FFRMs的无损产地溯源策略。PCA模型即使经过预处理仍无法区分不同区域FFRMs。借助先验知识,RF模型结果显著优于PCA。适当的积分时间优化可在某些情况下改善模型并一定程度上降低过拟合风险。与无变量选择的RF相比,RT方法一般表现出更高稳健性,SPA方法可简化RF模型。该策略为FFRMs质量控制研究提供了有价值的参考。研究局限性在于仅涉及三种FFRMs且各仅三个产地,可能影响结果普适性;RT-RF模型对玉竹的识别尚不完善。未来研究将扩充品种和样本量,结合玉竹化学成分的先前知识优化变量选择规则,并可联合挥发性及非挥发性代谢物分析以进一步提高识别准确率和确定产地差异组分。本研究成果发表于《Journal of Food Composition and Analysis》。