傅里葉近紅外光譜法快速檢測魔芋葡甘聚糖中摻假羧甲基纖維素含量

覃小麗，鐘金鋒，張甫生（西南大學食品科學學院，重慶400715）

傅里葉近紅外光譜法快速檢測魔芋葡甘聚糖中摻假羧甲基纖維素含量

覃小麗，鐘金鋒*，張甫生
（西南大學食品科學學院，重慶400715）

采用傅里葉近紅外光譜檢測魔芋葡甘聚糖中羧甲基纖維素摻假比例，以基線校正、平滑、矢量歸一化、一階求導和二階求導法對光譜進行處理，利用偏最小二乘法建立了相應的數學模型，并通過交互驗證和外部驗證檢驗了鑒別模型的預測精度和可靠性。所建立的校正集模型的決定系數R值為0.933～0.997，校正均方根誤差范圍為7.64%～1.56%；結合驗證集模型的決定系數和均方根誤差確定以一階導數（5平滑點）處理光譜，所得模型預測效果最佳，模型的預測均方根誤差為8.37%；校正模型中羧甲基纖維素在魔芋葡甘聚糖中摻假水平的預測值和實際值的相關系數為0.9905。結果表明，近紅外光譜結合化學計量法在有效、快速、準確地定量檢測魔芋葡甘聚糖中摻假羧甲基纖維素的可行性。

魔芋葡甘聚糖，傅里葉近紅外光譜，羧甲基纖維素摻假，偏最小二乘法，快速鑒別

魔芋葡甘聚糖（Konjac glucomannan，簡稱KGM）是魔芋粉的主要成分，是一種非消化性的膳食多糖，已在中國、日本等亞洲國家廣泛食用。一方面，KGM具有良好的成膜、凝膠和增稠性能及獨特的質感，在可食性膜和各種食品添加劑方面應用廣泛［1-3］。另一方面，KGM對人體有促進減肥、通便作用，改善糖尿病患者的碳水化合物代謝，降低甲亢患者血清甲狀腺激素水平，防止結腸癌形成風險，調節脂質代謝

等功能［4-7］。上述功能的發揮與KGM品質（純度）直接相關。然而，某些商家受到利益驅使在魔芋粉中添加價格便宜、感官上難鑒別的其他組分，以獲取更高利潤。該類組分通常會影響KGM的加工性能、營養價值和預防疾病的功效。因此，發展一種快速、簡單、準確定量鑒別KGM摻假的分析方法，對控制KGM品質和維持市場秩序具有重要意義。

KGM含量的檢測方法主要有：比色法［8］、高效液相色譜法［9］、熱重分析法［10］、氣相色譜法［11］和酶聯免疫吸附法［12］。這些方法均存在一定缺點，如前處理繁雜和耗時、測定操作復雜；部分方法難以排除某些摻假組分（如淀粉）對KGM的干擾。近些年，傅里葉變換近紅外光譜（Fourier transform near-infrared spectroscopy，簡稱FT-NIR）因其具有操作簡單、測定快速和準確等特點，已成功用于蘋果汁［13］、蜂蜜［14］和動物肉［15］的摻假鑒別分析。

羧甲基纖維素（Carboxymethyl cellulose，簡稱CMC）具有良好的親水性，與KGM有較好混溶性能，將兩者混合可制備可食性膜［16］。雖然往KGM添加CMC可增加KGM制品的一些物理性能，但對KGM相關功能食品，其純度是至關重要的指標。目前，FT-NIR用于KGM中摻入CMC的相關鑒別研究尚未見報道。因此，本文以KGM、CMC摻假KGM為研究對象，探討FT-NIR結合化學計量學方法對CMC摻假KGM的快速檢測的可行性。

1 材料與方法

1.1 材料與儀器

魔芋葡甘聚糖（KGM，純度≥95%） 四川綿陽魔芋科技公司；羧甲基纖維素（CMC，純度≥99%） 天津科密歐試劑公司。

MPA型傅里葉變換近紅外光譜儀 配帶漫反射積分球附件和OPUS 6.5光譜采集軟件，德國布魯克光學儀器公司。

1.2 KGM及摻假KGM的制備

將KGM和CMC在50℃真空干燥箱中干燥，直至恒重，然后將樣品置于干燥器中冷卻。KGM中CMC摻假百分數分別為0.0%（10份）、15.5%（9份）、20.0% （9份）、25.6%（10份）、32.5%（9份）、41.4%（8份）、53.3%（7份）和100%（8份）（wt%，按照CMC占樣品總質量百分比計算），共制樣70個。其中，隨機抽取53個樣品（占總樣品數的75.7%；包括KGM、CMC、CMC摻假KGM樣品，所選的摻假比例涵蓋了所測試樣品的范圍）用于建模（校正集），剩余17個樣品（占總樣品數的24.3%）用于交互驗證（驗證集）。此外，通過實驗室不同人員制備8個CMC摻假KGM樣品（CMC含量隨機設定，分別為9.0%、17.4%、37.2%和45.0%）用于模型的外部驗證。所有樣品制備好后，置于干燥器中保存待FT-NIR檢測。

1.3 光譜測定條件與數據采集

樣品測試前，將光譜儀開機預熱30 min，使光譜測定狀態處于較理想狀態。測定條件：掃描范圍12000～4000 cm-1，分辨率為8 cm-1，每個樣品連續掃描64次，PbS檢測器，采用石英樣品杯和樣品旋轉臺，漫反射方式收集信號。在室溫下測試樣品，以OPUS 6.5軟件采集光譜；每隔30 min對儀器進行空白背景掃描，以減少基線漂移和噪音對樣品測定結果的影響。

1.4 光譜數據預處理方法

1.4.1 光譜數據的初級預處理 采用光譜儀自帶的OPUS 6.5軟件對所收集的原始光譜進行基線校正、平滑和矢量歸一化處理以濾去光譜噪聲和優化光譜分析信號，獲得初級預處理光譜數據。

1.4.2 導數光譜的獲取 將初級預處理光譜數據經Microsoft Excel轉置后導入SIMCA-P 11.5軟件（Umetrics，Ume?，瑞典），采用一階求導或二階求導與Savitzky-Golay卷積平滑法相結合處理所得的初級預處理光譜，平滑點數分別設為5、7、9、11和13，獲得一階導數譜和二階導數譜。

1.5 預測模型建立與評價

1.5.1 主成成分分析 對初級預處理光譜、一階導數光譜和二階導數光譜數據逐一進行主成分分析（Principal components analysis，簡稱PCA）以獲取不同CMC摻假比例樣品的主成分因子。同時，探討光譜預處理方法對相關結果的影響。

1.5.2 建模方法與評價 在校正集中，分別以初級預處理光譜、一階導數光譜和二階導數光譜為對象，采用偏最小二乘法（Partial least squares，簡稱PLS）建立KGM中CMC摻假比例的定量分析模型。剩余17個樣品作為內部交互驗證集。以校正集的決定系數（coefficient of determination，簡稱R）、校正集均方根誤差（root mean square error of calibration，簡稱RMSEC）、交互驗證集決定系數R和交互驗證集均方根誤差（root mean square error of validation，簡稱RMSEV）為指標比較分析，篩選出最適光譜處理方法以及預測精度高和可靠性好的鑒別模型。RMSEC和RMSEV值越低，R和R值越高，表示該預測模型效果越好。

此外，來自不同操作人員另外制備的8份樣品（摻假比例隨機確定為9.0%、17.4%、37.2%和45.0%，以CMC占樣品總質量計算；每個比例設有2個樣本）作為外部驗證集來測試最佳預測模型的適應性，以評價預測模型用于真實樣品的任意純度測定的可靠性。

2 結果與討論

2.1 樣品的近紅外光譜

所測試樣品間的FT-NIR吸光度較為接近，為了觀察和區分各摻假比例下的光譜，對CMC摻假比例為15.5%～100%的光譜在原有吸光度的基礎上進行了適當整體上移調整，如圖1a所示。KGM和CMC的官能團所對應的吸收峰已有文獻［17-18］報道；由圖1a所示，樣品的主要特征吸收峰及其對應的振動模式如下：4300 cm-1處為C-H拉伸和-CH2變形振動的組合頻峰；4757 cm-1處為C-O伸縮和O-H變形振動的組合頻峰；5172 cm-1附近為O-H伸縮和C-O一級倍頻組合峰；5600～5996 cm-1的吸收峰是-CH2基團中C-H一級倍頻峰；6000～7000 cm-1的吸收峰是O-H或N-H伸縮振動的一級倍頻峰；8315 cm-1附近為多種官能團的C-H伸縮振動的二倍頻峰。從上述分析可知，不

同樣品的光譜信息存在較大的重疊。對KGM、CMC 和CMC摻假的KGM光譜數據進行一階求導和二階求導處理，相關衍生化光譜如圖1b、c所示。從初級預處理光譜、一階導數光譜和二階導數光譜可知，在考察的波數范圍內KGM及CMC摻假的KGM樣品的光譜線輪廓和峰形從肉眼上看均非常相似；在波數＜8000 cm-1圖譜的相對吸收度或其導數值存在細微的差異（圖1），但仍然不能直觀地鑒別KGM和摻假KGM。因此，需要進一步結合適當的化學計量學方法（如PCA、PLS）對光譜數據進行分析，以獲得CMC摻假KGM定性定量分析模型。

圖1 CMC摻假KGM的初級預處理光譜（a）、一階導數光譜（b）和二階導數光譜（c）Fig.1 The original（a），first-order derivative（b）and secondorder derivative（c）spectra of authentic and CMC-adulterated KGM samples

2.2 光譜數據的主成分分析

對KGM和CMC摻假KGM的70個樣品的初級預處理光譜、一階導數光譜和二階導數光譜數據進行主成分分析，得到最主要的前兩個成分的散點分布圖（如圖2）。由圖2a可看出，KGM能與CMC、CMC摻假的KGM樣品明顯區分開，但CMC摻假的KGM樣品組內的樣品聚集相對分散，CMC摻假的KGM樣品（CMC摻假比例53.3%）與CMC存在重疊現象。而且，前兩個主成分PC1和PC2對信息的積累貢獻率僅為36.2%，即前兩個主要成分代表原始數據36.2%的信息量，表明其不足以代表70個樣品原始數據的主要特征，有效信息丟失較多。但是，對初級預處理光譜進行一階求導和二階求導后得到的衍生化圖譜后，其前兩個主成分的散點圖（圖2b、c）顯示，同一摻假比例的CMC摻假KGM樣品趨向緊密聚集；此時，一階導數圖譜和二階導數圖譜的前兩個主成分分別能夠解釋原始光譜量89.6%和95.5%的信息。顯然，對測試樣品的原始光譜進行導數衍生化處理有助于提高KGM、CMC和摻假KGM的區分度。

圖2 KGM和CMC摻假KMG的初級預處理光譜（a）、一階導數圖譜（b）和二階導數圖譜（c）的主成分分析圖Fig.2 PCs-score plots of the original spectra（a），first-derivative spectra（smoothingwith5pointsineach）（b），andsecond-derivative spectra（smoothing with 5 points in each）（c）

2.3 鑒別模型的建立與驗證

以不同光譜處理方法的圖譜數據為對象，采用

PLS法建立各種校正集模型，結果見表1。由表1可知，初級預處理光譜的模型的R和RMSEC分別為0.933 和7.64%。經過一階求導和二階求導后圖譜的PLS校正模型的R均高于0.97及RMSEC值均低于4.24%。R越接近于1和RMSEC越低，說明校正模型效果越佳?？梢?，導數衍生化處理后的鑒別模型效果優于初級預處理光譜的模型效果，這與上述PCA分析結果是一致的。

表1 不同光譜處理方法對PLS模型效果的影響aTable1 Effect of various treatment methods of spectra on the PLS modela

為了評價校正模型的預測精度，選擇了17組KGM、CMC和摻假KGM作為驗證集，評價結果見表1。由表1可知，二階導數光譜的PLS模型中R和RMSEV分別為0.818和15.1，說明該模型的預測精度較低；同樣，初級預處理光譜所對應的PLS模型的驗證結果顯示其模型擬合效果也較差。有研究顯示使用數學平滑能夠降低光譜的噪音［19］。然而，不適宜的平滑參數會丟失一些重要的變量信息。因此，有必要對平滑參數進行優化。由表1可知，在所建立的模型中，一階導數圖譜（5個平滑點）數據建立的PLS模型的R值（0.928）較高和RMSEV值（8.37）最低。因此，選擇一階求導法（5個平滑點）對光譜處理為最佳的處理方法，并基于該處理的光譜數據進行PCA分析和PLS預測鑒別模型的建立。此外，運用該PLS模型對交互驗證集的17個樣品摻假比例的預測值與實際值進行比較（圖3）。校正集的PLS模型回歸方程為y=0.9905x+0.3323，CMC摻假比例的預測值與實際值的決定系數（R2）在0.99以上，結果表明該模型具有較好的預測能力。

此外，采用另外8個CMC摻假KGM樣品作為外部驗證集以驗證最優PLS模型的預測能力、可靠性和適應性，結果如圖3所示。其摻假比例的實際值與經最優PLS模型計算的摻假比例的預測值同樣具有良好的線性相關性（R2=0.9905）。

圖3 一階導數譜（5個平滑點）的最優預測模型的CMC摻假比例的預測值和實際值的比較Fig.3 Predicted values vs.actual values of adulteration in the calibration set，validation set and the external validation set （first-order derivative spectra data with 5 points）

3 結論

本文采用FT-NIR結合偏最小二乘法建立了CMC摻假KMG的FT-NIR數學模型，通過比較不同的光譜處理方法對校正模型的效果，結合交互驗證集（17個樣品）進行檢驗，最終確定光譜處理方法為一階求導（5個平滑點）時，校正模型（R=0.991，RMSEC= 2.84%）取得較好的結果。校正集模型中CMC摻假水平的預測值與實際值呈很好的線性關系（r=0.9905）。綜上述，FT-NIR可用于KMG中CMC摻假水平的定量檢測分析。所建立的定量鑒別模型具有樣品制備簡單、檢測快速等顯著優點。

［1］Li B，Kennedy J F，Jiang Q G，et al.Quick dissolvable，edible and heatsealable blend films based on konjac glucomannan-Gelatin［J］.Food Research International，2006，39（5）：544-549.

［2］Liu J，Zhu K，Ye T，et al.Influence of konjac glucomannan on gelling properties and water state in egg white protein gel［J］.Food Research International，2013，51（2）：437-443.

［3］Zhou Y，Cao H，Hou M，et al.Effect of konjac glucomannan on physical and sensory properties of noodles made from lowprotein wheat flour［J］.Food Research International，2013，51（2）：879-885.

［4］Chen H L，Cheng H C，Liu Y J，et al.Konjac acts as a natural laxative by increasing stool bulk and improving colonic ecology in healthy adults［J］.Nutrition，2006，22（11-12）：1112-1119.

［5］Azezli A D，Bayraktaroglu T，Orhan Y.The use of konjac glucomannan to lower serum thyroid hormones in hyperthyroidism ［J］.Journal of the American College of Nutrition，2007，26（6）：663-668.

［6］Sood N，Baker W L，Coleman C I.Effect of glucomannan on plasma lipid and glucose concentrations，body weight，and blood pressure systematic review and meta-analysis［J］.The American Journal of Clinical Nutrition，2008，88（4）：1167-1175.

［7］Wu W T，Chen H L.Effects of konjac glucomannan on putative risk factors for colon carcinogenesis in rats fed a high-fat diet［J］.

Journal of Agricultural and Food Chemistry，2011，59（3）：989-894.

［8］胡敏，李波，龍萌，等.魔芋葡甘聚糖含量的測定［J］.湖北農業科學，1998（5）：56-58.

［9］謝小波，李桂貞.高效液相色譜法測定魔芋葡甘露聚［J］.華東理工大學學報，2002，28：406-409.

［10］周光來，但悠夢，萬佐璽，等.熱分析法鑒別魔芋精粉的等級［J］.湖北民族學院學報，2006，24（4）：321-323.

［11］廖燕芝，楊代明，張繼紅，等.氣相色譜法測定魔芋食品中葡甘聚糖及淀粉含量［J］.食品與生物技術學報，2008，27（4）：66-69.

［12］Hurley I P，Pickles N A，Qin H，et al.Detection of Konjac glucomannan by immunoassay［J］.International Journal of Food Science&Technology，2010，45（7）：1410-1416.

［13］Kelly J F D，Downey G.Detection of sugar adulterants in apple juice using Fourier transform infrared spectroscopy and chemometrics［J］.Journal of Agricultural and Food Chemistry，2005，53（9）：3281-3216.

［14］Zhu X，Li S，Shan Y，et al.Detection of adulterants such as sweeteners materials in honey using near-infrared spectroscopy and chemometrics［J］.Journal of Food Engineering，2010，101（1）：92-97.

［15］張玉華，孟一，姜沛宏，等.近紅外技術對不同動物來源肉摻假的檢測［J］.食品工業科技，2015，36（3）：316-319.

［16］Cheng L H，Karim A A，Seow C C.Characterisation of composite films made ofkonjac glucomannan（KGM），carboxymethyl cellulose（CMC）and lipid［J］.Food Chemistry，2008，107（1）：411-418.

［17］Xu L，Yan S M，Cai C B，et al.Untargeted detection of illegal adulterations in Chinese glutinous rice flour（grf）by NIR spectroscopy and chemometrics：specificity of detection improved by reducing unnecessary variations［J］.Food Analytical Methods，2013，6（6）：1568-1575.

［18］Xu L，Shi P T，Ye Z H，et al.Rapid analysis of adulterations in Chinese lotus root powder（LRP）by near-infrared（NIR）spectroscopy coupled with chemometric class modeling techniques ［J］.Food Chemistry，2013，141（3）：2434-2439.

［19］Heise H M，Winzen R.Chemometrics in near-infrared spectroscopy［J］.Near-infrared Spectroscopy：Principles，Instruments，Applications，2002：125-162.

Rapid identification of konjac glucomannan adulterated with carboxymethyl cellulose based on FT-NIR spectroscopy

QIN Xiao-li，ZHONG Jin-feng*，ZHANG Fu-sheng
（College of Food Science，Southwest University，Chongqing 400715，China）

The carboxymethyl cellulose（CMC）adulterated in konjac glucomannan（KGM）was detected by Fourier transform near infrared spectroscopy（FT-NIR）.Principal component analysis and partial least squares techniques were used for qualitatively analyzing of the spectra and establishing calibration models from the spectra pretreated by various correction algorithms including baseline correction，smoothing，vector normalization，first derivative and second derivative.The predication accuracy and reliability of the models were checked by cross-validation and external validation.Coefficients of determination（Rin calibration set）and root mean square error of the calibration models ranged from 0.933 to 0.997 and 7.64%to 1.56%，respectively，depending on the mathematical pre-treatment methods on the spectra.The optimal calibration model with first derivative （5 points）pretreatment was obtained by using the validation set that gave a root mean square error of prediction of 8.37%.The analytical results demonstrated that the correlation between the chemical value（true value）of samples of calibration set and the FT-NIR predicated value was 0.9905.The results indicated that chemometric-assisted FT-NIR spectroscopy could be a simple and efficient tool for the detection and quantification of KGM adulterated with cheaper CMC.

konjac glucomannan；Fourier transform near-infrared spectroscopy；carboxymethyl cellulose adulteration；partial least squares analysis；rapid identification

TS201.1

A

1002-0306（2016）08-0054-05

10.13386/j.issn1002-0306.2016.08.002

2015－09－08

覃小麗（1984-），女，博士，講師，研究方向：功能食品與營養，E-mail：qinxl@swu.edu.cn。

*通訊作者：鐘金鋒（1984-），男，博士，講師，研究方向：食品分析和食品化學，E-mail：jinfzhong@163.com。

中央高?；究蒲袠I務費專項（XDJK2013B034，XDJK2014B019）；重慶市基礎與前沿研究計劃（cstc2013jcyjA80024，cstc2015jcyjA80013）項目。