近红外光谱测定特医食品多组分含量的方法与流程

本发明涉及分析
技术领域：
，具体涉及特殊医学用途配方食品多组分含量的同时、快速、无损检测。
背景技术：
：特殊医学用途配方食品(foodforspecialmedicalpurpose，以下简称特医食品)是指为了满足进食受限、消化吸收障碍、代谢紊乱或特定疾病状态人群对营养素或膳食的特殊需要，专门加工配制而成的配方食品。特医食品作为一种肠内营养制剂，可以起到营养支持的作用。《特殊医学用途配方食品注册管理办法》中对企业检验能力要求高，特医食品生产企业应具备按照特医食品国家标准规定的全部项目逐批检验能力。而特医食品营养成分众多(如蛋白质、脂肪、膳食纤维等)，国家标准所提供的传统方法(如：凯氏定氮法、索氏提取法等)需对样品进行预处理，操作繁琐费时，且需要大量试剂，不能同时测定。所以有必要在满足准确度与精确度前提下建立一种快速有效的检测方法。近红外光谱技术综合了计算机技术、光谱技术和化学计量学等多个学科，是近年来发展迅猛的无损检测技术。波长范围为780～2500nm，能在此波段产生振动的主要为含h基团，如o-h、c-h、n-h、s-h等，因此近红外可对含h基团的有机物(如：蛋白质、脂肪、膳食纤维等)进行定性或定量分析。近红外光谱法与国家标准方法的比较见表1，但是尚无将之用于特殊医学用途配方食品的含量测定。表1近红外光谱与国家标准所用方法的比较技术实现要素：本发明目的在于提供一种利用近红外光谱快速、同时、无损测定特医食品多组分含量的方法，且具有较高的准确性和精确度。技术解决方案如下：利用近红外光谱测定特医食品多组分含量的方法，包括以下步骤：(1)选取具有代表性的特医食品来初步验证近红外用于特医食品多组分检测的可行性。代表性是指样品的蛋白质、脂肪、膳食纤维含量能涵盖所期望的变化范围，而且在这个范围是均匀变化的。选取的特医食品中蛋白质的含量范围为1％～10％，脂肪的含量范围为1.5％～6％，膳食纤维的含量范围为2％～11％。特医食品的样本数在近红外正式建模型时为80～100个，本发明选用30个样品来验证近红外用于特医食品多组分检测的可行性，为正式建立模型提供必要的基础。(2)分别采用国家标准gb5009.5-2016、gb5009.6-2016、gb5009.88-2014测定样品蛋白质、脂肪、膳食纤维的含量，作为化学值。(3)按5:1的比例将样品随机分为校正集和验证集，采集特医食品校正集和验证集的近红外光谱图，采集参数分别为分辨率：14～18nm；测量速度：2000～6000ms；测量次数：3～10次；光谱采集方式：透射；测量温度：25℃。(4)光谱的预处理：为了消除光谱噪音，减少其它因素对光谱的干扰，需要对光谱进行预处理，以相关系数r、交叉验证均方根误差(rmsecv)、预测均方根误差(rmsep)为评价指标，用化学计量学软件chemostudio对近红外谱图的不同预处理方法进行筛选。所述的不同预处理方法包括：均值中心化、主成分分析法(pca)、马氏距离法、标准正态变量变换(snv)、多元散射校正(msc)、平滑处理、导数法。因为采用一阶导数及平滑预处理方法具有较高的r值，较低的rmsecv和rmsep，因此选用一阶导数及平滑预处理方法对近红外谱图进行预处理。(5)选择合适的谱区范围:对建模的光谱谱区进行选择，可减少噪声影响，提高运算效率和模型的稳定性。可从全谱中挑选出与样品待测组分响应值大的光谱区间进行建模。本发明中选择的谱区范围为1550～1850nm/2050～2350nm。(6)采用多元校正方法将样品谱图经过一阶导数及平滑预处理、在所选择波长范围时的光谱数据与相应的蛋白质、脂肪、膳食纤维含量进行关联，建立校正模型。所述的多元校正方法分为线性回归和非线性回归。其中线性回归方法主要有多元线性回归(mlr)、主成分回归(pcr)、偏最小二乘法回归(plsr)，非线性回归方法有人工神经网络(ann)和支持向量机(svm)等。本发明中采用偏最小二乘法回归。(7)校正模型的验证与评价：采用留一交叉验证法验证或外部验证对模型进行验证，验证指标有相关系数r、交叉验证均方根误差(rmsecv)、预测均方根误差(rmsep)。附图说明图1为样品的原始近红外光谱图；图2为蛋白质校正模型图，r＝0.996；图3为脂肪校正模型图，r＝0.998；图4为膳食纤维校正模型图，r＝0.989。具体实施方式下面结合具体实施例对本发明作进一步说明。实施例1测定特医食品中蛋白质、脂肪、膳食纤维的含量(1)选取30个具有代表性的特医食品。蛋白质的含量范围为1％～10％，脂肪的含量范围为1.5％～6％，膳食纤维的含量为2％～11％。各样品具体蛋白质、脂肪、膳食纤维的含量见表2。表2各样品蛋白质、脂肪、膳食纤维含量(2)采用国家标准gb5009.5-2016、gb5009.6-2016、gb5009.88-2014中的凯氏定氮法、索氏提取法、酶水解法分别测定各样品的蛋白质、脂肪、膳食纤维含量，作为化学值。(3)验证集的选择：将样品随机分为校正集和验证集，其中校正集26个，验证集4个。本实验实施例1中选取5、6、7、19号样品为验证集，校正集用于建模，验证集用于验证建模的准确性。光谱的采集：用近红外光谱仪(傅里叶变换近红外光谱仪，博尔，b311)直接扫描30个样品，得到近红外谱图(见图1，为样品1、样品10、样品15、样品20、样品22的近红外谱图，其余未列)。光谱采集参数分别为分辨率：14～18nm；测量速度：2000～6000ms；测量次数：3～10次；光谱采集方式：透射；测量温度：25℃。(4)光谱的预处理：以相关系数r、交叉验证均方根误差(rmsecv)、预测均方根误差(rmsep)为评价指标，用化学计量学软件chemostudio对步骤(4)得到的近红外谱图的不同预处理方法进行筛选，因为采用一阶导数及平滑预处理方法具有较高的r值，较低的rmsecv和rmsep。因此实施例1本实验选用一阶导数及平滑预处理方法对近红外谱图进行预处理。(5)谱区范围的选择：以相关系数r、交叉验证均方根误差(rmsecv)、预测均方根误差(rmsep)为评价指标，用化学计量学软件chemostudio对步骤(4)得到的近红外谱图的不同波长范围进行筛选。实施例1选择的谱区范围为：1550～1850nm/2050～2350nm。(6)校正模型的建立：采用偏最小二乘法回归(plsr)将30个样品谱图经过一阶导数及平滑预处理、在波长1550～1850nm/2050～2350nm时的光谱数据与相应的蛋白质、脂肪、膳食纤维含量进行关联，建立校正模型，见图2-4。(7)校正模型的验证与评价：对未参与建模的4个验证集样品进行预测，并将预测值与各组分的化学值进行比较，具体数据见表3。表3近红外定量模型对验证集样品蛋白质、脂肪、膳食纤维含量的预测结果其中蛋白质、脂肪、膳食纤维的相关系数r依次为0.996、0.988、0.989，交叉验证均方根误差(rmsecv)依次为0.27、0.26、0.51，预测均方根误差(rmsep)依次为0.48、0.33、0.62。蛋白质、脂肪、膳食纤维近红外定量模型的各参数见表4。表4蛋白质、脂肪、膳食纤维各近红外模型参数模型光谱预处理方法rrmsecrmsep谱区范围(nm)蛋白质一阶导数、平滑0.9960.270.481550～1850/2050～2350脂肪一阶导数、平滑0.9880.260.331550～1850/2050～2350膳食纤维一阶导数、平滑0.9890.510.621550～1850/2050～2350(8)未知样品的分析：对未知含量的特医食品进行光谱扫描，调用校正模型来进行蛋白质、脂肪、膳食纤维含量测定。当前第1页12