基于揮發性成分定量預測風味茶油摻浸出茶油的偏最小二乘回歸模型的建立

孫婷婷，陳志清，鐘瑾璟，劉劍波，任佳麗，鐘海雁，周 波

(林產可食資源安全與加工利用湖南省重點實驗室1，長沙 410004)(中南林業科技大學食品科學與工程學院2，長沙 410004)(海普諾凱營養品有限公司3，湖南 長沙 410004)(岳陽市質量計量檢驗檢測中心食品檢驗所3，岳陽 414000)

油茶(CamelliaOleiferaAbel.)屬山茶科(Theaceae)山茶屬(Camellia)的常綠小喬木或灌木，與油棕、油橄欖和椰子齊名為世界四大木本食用油料樹種[1]。油茶籽油又名山茶油、山茶籽油或茶油，是一種營養和功能豐富的高品質食用油[2-4]?；诓栌蜖I養和經濟價值高，以次充好、摻雜使假、以假頂真的市場現象較普遍[5]，故建立科學、快速、有效的茶油摻偽檢測方法是維護茶油正常市場秩序，保護合法生產經營者和消費者權益的必然要求。

茶油摻偽鑒別主要是采用先進的實驗儀器和檢測技術，運用數學統計分析方法，從大量復雜的結構化量測數據中挖掘提取出摻偽鑒別所需的特征信息[6]。目前研究充分的量測數據包括脂肪酸、揮發性成分、活性伴隨物及其他理化指標。茶油摻偽鑒別研究大多集中在檢測手段和分析方法上探討，如常規理化檢測法[7]、色譜法[8-10]、核磁共振法[11]、近紅外光譜法[12,13]、拉曼光譜法[14]、熒光光譜法[15]、電子鼻技術[16]及時間分辨熒光技術[17]等，這些技術能很好地實現茶油摻偽其他油脂的定性判斷和較好的定量鑒別，但難以實現壓榨風味茶油摻浸出茶油的定性和定量鑒別。采用紅外光譜技術結合不同統計分析方法，如紅外光譜透射模式與透反射模式結合判別分析(DA)[18]和主成分分析(PCA)[19]，傅里葉變換紅外光譜儀結合偏最小二乘法(PLS)、支持向量機(SVM)和BP人工神經網絡(BPANN)[20]等，可實現壓榨純茶油與浸出茶油的定性判別，但難以實現定量鑒別?；谖覈L味茶油產品分類分級體系缺乏、感官品質評價技術不完善、茶油風味品質調控不精準和風味茶油相關的結構化量測數據難以確定，導致風味茶油摻浸出茶油的相關研究鮮見報道。本研究提出了茶油的風味和嗜好的定位，定義了茶油原香、濃香(烤香)和果香等8種正面描述語和糊味等10余種負面描述語[21-24]，創制了清香型、果香型和濃香(烤香)型3種風味茶油的雙適度(籽適度烘焙調風味、榨后適度精煉保風味)制油新工藝[25-30]。

風味茶油和浸出茶油的主要區別在于其揮發性成分的組成及其含量不同，其受油茶栽培品種、環境和加工工藝影響，所以定性和定量判斷風味茶油摻浸出茶油的關鍵在于采用何種檢測技術和數據統計分析方法來挖掘和提取出摻偽鑒別所需的信息。本研究基于通過HS-SPME-GC-MS獲得的茶油揮發性成分組成及含量，運用Python語言構建了定量預測風味(原香和濃香)茶油摻浸出茶油的偏最小二乘回歸(PLSR)模型，以期為風味茶油摻浸出茶油的鑒別研究提供參考，為風味茶油的精準定級分類生產和評價提供技術支持。

1 材料與方法

1.1 實驗材料

油茶籽自然曬干后物理冷榨(≤60 ℃)，再通過紗布過濾即得原香茶油。原香茶油油樣來源于湖南生產的茶油(編號YX1、YX2、YX3)以及本實驗室制備(編號YX4)。

油茶籽烘烤干后物理冷榨(≤60 ℃)，再通過紗布過濾即得濃香茶油。本研究中的濃香茶油油樣分別來源于湖南生產的古茶油(編號KX1)、山柚油(編號KX2)以及實驗室制備，具體制備方法：油茶籽120、150、180 ℃下熱炒1 h后進行制備的油樣分別為KX3、KX4、KX5；150℃下分別熱炒10、20、30、40、50 min后制備的油樣分別為KX6、KX7、KX8、KX9、KX10。

浸出茶油是油茶餅通過有機溶劑浸提后獲得，浸出茶油(編號JC1)來源于于湖南某公司。

1.2 實驗方法

1.2.1 實驗儀器

7890B/5977A氣相色譜-質譜聯用儀，毛細色譜柱(HP-5MS，30 m×250 μm×0.25 μm)，SPME固相微萃取頭(57348-U，50/30 μm DVB/CAR/PDMS)，CP224C電子天平，RCT basic加熱攪拌器，CA59G榨油機。

1.2.2 茶油揮發性成分的HS-SPME-GC-MS分析

茶油揮發性成分的HS-SPME-GC-MS分析方法及結果參考朱曉陽等[30]的報道，原香茶油及浸出茶油樣品共檢測出45種揮發性物質成分，濃香茶油樣品共檢測出56種揮發性物質成分。

1.3 摻偽實驗及模型的設計

原/濃香茶油摻浸出茶油設置2個質量分數梯度，自定義為高摻偽梯度(5%、10%、15%、20%、40%、60%、80%)和低摻偽梯度(2%、4%、6%、8%、10%)。高/低摻偽梯度設計的原香和濃香茶油摻偽樣本標簽設置都為“1”，純原香和濃香茶油樣本標簽設置都為“0”。各類樣本數據數量及標簽設置見表1。

表1 各類樣本數據數量及標簽設置

1.4 據預處理及編程平臺

本研究模型和算法均基于Python 3.7編程語言在PyCharm 2018 IDE平臺(JetBrains(Prague), Czech Republic)進行程序編寫蘋果(Apple Computer Inc.)筆記本，配置為因特爾酷睿i5 CPU(Intel(R)Core(TM)@1.70 GHz)，4 GB內存，NVIDIA GeForce 320M顯卡。

2 實驗結果與分析

2.1 偏最小二乘回歸模型摻偽量預測精度分析

利用sklearn.cross_decomposition庫中的PLSRegression函數對數據構建PLSR模型，并通過留一法交叉驗證，得到不同摻偽梯度下PLSR模型摻偽量預測精度分析結果，見表2。高摻偽梯度下原/濃香茶油摻浸出茶油的摻偽量預測PLSR模型的平均R2值分別為0.998/0.998，平均RMSE值分別為1.127/1.166，決定系數取值較高且均方根誤差較低(表2)。低摻偽梯度下原/濃香茶油摻浸出茶油的摻偽量預測PLSR模型的平均R2值分別為0.956/0.999，平均RMSE值分別為0.592/0.094，決定系數取值較高且均方根誤差較低(表2)。與高摻偽梯度下的實驗結果相比，濃香茶油的平均R2值基本持平，平均RMSE值下降；原香茶油的平均R2值降低，平均RMSE值明顯提高(表2)。結果表明PLSR模型定量鑒別原/濃香茶油摻浸出茶油的精準率較高，且對于濃香茶油摻浸出茶油的定量鑒別效果優于原香茶油摻浸出茶油。

表2 不同摻偽梯度下PLSR模型摻偽量預測精度分析

2.2 偏最小二乘回歸模型摻偽量預測結果分析

留一法交叉驗證下PLSR模型預測原香茶油的摻偽量預測結果分析見表3，PLSR模型預測濃香茶油的摻偽量預測結果分析見表4。PLSR模型對絕大部分樣本的摻偽量預測較為準確，預測值與真實值之間的相對誤差在0.65以內(表3和表4)，但對個

表3 PLSR模型預測原香茶油的摻偽量預測結果分析

別低摻偽質量分數樣本的預測效果都較差，如2號真實摻偽質量分數為5%和2%的樣本的預測摻偽質量分數與真實摻偽質量分數的相對誤差分別達到了0.628和0.612(表3)，4號真實摻偽質量分數為5%的樣本的預測摻偽質量分數與真實摻偽質量分數的相對誤差達到了0.608(表4)。但PLSR模型對濃香茶油低摻偽梯度樣本的摻偽量預測比原香更為準確，所有樣本的預測的相對誤差都比較小，均在0.14以內(表4)。

表4 PLSR模型預測濃香茶油的定量摻偽結果分析

2.3 偏最小二乘回歸模型摻偽量預測結果的“真實摻偽量-預測摻偽量”散點圖分析

為了能更為直觀展示摻偽量預測結果，繪制“真實摻偽量-預測摻偽量”散點圖，高摻偽梯度下PLSR模型的摻偽量預測結果散點圖如圖1所示，低摻偽梯度下PLSR模型的摻偽量預測結果散點圖如圖2所示。在理想情況下，模型對樣本的摻偽量預測完全正確時所有樣本點應當全部落在直線y=x上，當樣本點越接近直線y=x，模型對樣本摻偽量的預測效果越好。

圖1 高摻偽梯度下PLSR模型的摻偽量預測結果散點圖

如圖1所示，高摻偽梯度下，PLSR模型對原香和濃香茶油樣本中浸出茶油摻偽量的預測值相對于真實值都存在一定程度的浮動，摻偽質量分數為5%、10%、15%、20%的樣本浮動范圍較大，摻偽質量分數為40%、60%、80%的樣本的浮動范圍較小(圖1)。在本研究中，PLSR模型對原香和濃香茶油中浸出茶油摻偽量的預測能力隨著摻偽質量分數的提高而增強，鑒別精準度提高(圖2a和2b)，但PLSR模型針對濃香茶油摻浸出茶油的定量鑒別的準確性和穩定性都優于原香茶油摻浸出茶油(圖1和圖2)。

圖2 低摻偽梯度下PLS模型的摻偽量預測結果散點圖

2.4 偏最小二乘回歸模型摻偽量預測結果的箱型圖分析

本研究進一步以箱型圖的形式統計了PLSR模型對摻入浸出茶油的壓榨原/濃香茶油的摻偽量預測實驗中真實值與預測值間的相對誤差，不同摻偽梯度下PLS模型的摻偽量預測相對誤差箱型圖如圖3所示。在高/低摻偽梯度下，PLSR模型對原香茶油樣本浸出茶油的摻偽量預測較為準確，高摻偽梯度下大部分樣本的相對誤差集中都在0～0.1之間(圖3a)，低摻偽梯度下大部分樣本的相對誤差集中在0～0.15之間，但都仍存在少量離群點的相對誤差較高(圖3b)。在高/低摻偽梯度下，PLSR模型對濃香茶油中浸出茶油的摻偽量預測較為準確，高摻偽梯度下大部分樣本的相對誤差集中在0～0.1之間(圖3c)，低摻偽梯度下大部分樣本的相對誤差集中在0～0.02之間(圖3d)，但都仍存在少量離群點的相對誤差較高。結果表明，本研究建立的PLSR模型對于濃香茶油摻浸出茶油的定量鑒別的精準率較高，這可能是由于濃香茶油的揮發性成分多，訓練集數據多。

圖3 不同摻偽梯度下PLS模型的摻偽量預測相對誤差箱型圖

3 結論

基于高摻偽梯度(5%、10%、15%、20%、40%、60%、80%)及低摻偽梯度(2%、4%、6%、8%、10%)的摻浸出油的壓榨油茶籽油的揮發性成分數據，利用偏最小二乘回歸算法對原香與濃香壓榨油茶籽油摻浸出油茶籽油的摻偽量進行定量預測。

實驗結果表明，本研究構建的基于揮發性成分定量預測風味茶油摻浸出茶油的偏最小二乘回歸模型的預測能力較強，體現在R2值較高，平均RMSE值較小，相對誤差較小。對于原香油茶籽油，PLS模型對高摻偽梯度樣本的摻偽量預測的平均R2值達到了0.998，平均RMSE值為1.127，大部分樣本的相對誤差集中在0～0.1之間；PLS模型對低摻偽梯度樣本的摻偽量預測的平均R2值為0.956，平均RMSE值為0.592，大部分樣本的相對誤差集中在0～0.15之間。對于濃香油茶籽油，PLS模型對高摻偽梯度樣本的摻偽量預測的平均R2值達到了0.998，平均RMSE值為1.166，大部分樣本的相對誤差集中在0～0.25之間；PLS模型對低摻偽梯度樣本的摻偽量預測的平均R2值為0.999，平均RMSE值為0.094，大部分樣本的相對誤差集中在0～0.04之間。