CN106950241A - 一种预测茶油中其他掺杂油种类及含量的方法 - Google Patents

Abstract

本发明提供了一种预测茶油中其他掺杂油种类及含量的方法，该技术方案首先通过收集不同种类和品牌的茶油、玉米油、葵花籽油、菜籽油，向茶油中掺入不同比例的玉米油、葵花籽油、菜籽油，进行¹H NMR检测，获得相应的图谱，通过PCA得分图确定最佳前处理方法。进一步采用正交偏最小二乘法‑判别分析(OPLS‑DA)以及偏最小二乘法(PLS)，建立定性和定量模型，并对模型进行校验，最后利用预测集对该模型进行鉴别。当玉米油、葵花籽油、菜籽油的掺假量在5％以上时，判别准确率在97％以上，核磁数据结合偏最小二乘法(PLS)可定量检测掺伪油的体积分数。该方法操作简单，技术可靠，可快速检测茶油中掺假油种类和掺假量。

Description

一种预测茶油中其他掺杂油种类及含量的方法

技术领域

本发明涉及化学分析技术领域，进一步涉及核磁共振技术和化学计量学在食品成分分析中的应用，具体涉及一种预测茶油中其他掺杂油种类及含量的方法。

背景技术

茶油，又名山茶油或油茶籽油，是从山茶科山茶属植物的普通油茶(Camelliaoleifera Abel)成熟种子中提取的纯天然高级食用植物油，色泽金黄或浅黄，品质纯净，澄清透明，气味清香，味道纯正。茶油是世界四大木本植物油之一，油茶籽含油率一般为25～35％，所榨出的油茶籽油主要含油酸、亚油酸等不饱和脂肪酸，其脂肪酸含量、比例与橄榄油极为相似，甚至有些营养成分的指标还要高于橄榄油。由于具有较高的品质且产量较低，因此市售茶油成为掺杂使假的高发产品，而最常见的手段是添加一定比例的其他食用油，其中以玉米油、葵花籽油、菜籽油等成分较为多见，在掺假含量较低的情况下仅凭外观和味觉很难判断真伪，而常规的化学分析方法一方面步骤较为繁琐、检测成本和时间周期较长，另一方面由于上述其他食用油的化学成分与茶油相似性较高，因此在检测的准确性方面缺乏有效保证。

核磁共振是近年来蓬勃发展起来的一种快速检测手段，具有快速、高效、无污染、无需繁琐的前处理、重现性高等优点，在许多领域得到广泛的应用。根据核磁共振原理，采用特定的脉冲序列对样品中具有固定磁矩的原子核(如1H、13C、31P等)进行激发，然后产生一串强度衰减的可检测感应信号。该弛豫信号强度与被测样品中所含核自旋数目成正比(定量基础)，信号衰减过程与被测物质的成分结构密切相关(定性基础)，通过数学方法对信号进行反演分析，可获得其他手段难以得到的各种成分和微观结构信息。因此利用NMR信号可以反映样品的化学结构、分子或原子的扩散系数、反应速率、化学变化以及其他性质。不同品种植物油的化学组成和含量不同，茶油掺假后或品质变化后也必然导致其化学组成与含量的改变，从而在核磁共振谱上表现出较大的区分度，这为利用核磁共振谱预测茶油的品质和掺伪程度提供了可能。

化学计量学作为化学领域中的一个重要交叉学科已在科研领域显示出了强大的生命力，它运用数学、统计学、计算机科学以及其他相关学科的理论和方法，优化化学量测过程，并从化学量测数据中最大限度地获取有用的化学信息。主成分分析(principalcomponent analysis，PCA)是一种最常用的多元统计分析方法，其基本思想是将原变量进行转换，用几个相互独立的变量来线性表示出原始变量。主要用于化学实验数据的降维、压缩、变量的选择、去相关，常与其他方法联用进行数据处理。正交偏最小二乘法-判别分析(OPLS-DA)是OPLS的一个特例，当Y变量是分类变量时，该模型可称作OPLS-DA。偏最小二乘法(partial least squares，PLS)是一种数学优化技术，它通过最小化误差的平方和找到一组数据的最佳函数匹配，通常用于曲线拟合。OPLS实质是正交矫正信号OSC与PLS-DA的组合。OPLS-DA利用正交矫正信号，在拟合模型前将与Y变量无关的信息过滤掉，使模型的精度增加，同时减少模型所拟合的成分。

发明内容

本发明旨在针对现有技术的技术缺陷，提供一种预测茶油中其他掺杂油种类及含量的方法，以解决现有技术中，茶油中其他掺假油的定性及定量检测精度较低的技术问题。

本发明要解决的另一技术问题是现有技术中，茶油中其他掺假油的检测方法繁琐、速度慢。

为实现以上技术目的，本发明采用以下技术方案：

一种预测茶油中其他掺杂油种类及含量的方法，包括以下步骤：

1)取茶油纯品和其他植物油纯品，将后者以不同体积比与前者混合，得到若干待测样本；

2)取步骤1)所述若干待测样本，分别与氘代氯仿涡旋混匀，而后分别检测其¹HNMR图谱；

3)取步骤2)所得的茶油纯品¹H NMR图谱和其他植物油纯品¹H NMR图谱，进行相位和基线的校准之后采用不同区域的分段积分，而后执行PCA分析；

4)以步骤3)所得的PCA得分情况为依据选择一种前处理方法对步骤2)所得的若干¹H NMR图谱分别进行分段积分；

5)取步骤4)所得数据，分为训练集和预测集；训练集作PCA分析，查看样本的整体分类情况，通过DmodX图剔除异常点；PCA初步分析过的样本进一步采用OPLS-DA分析，根据得分图及DmodX图剔除异常点，通过载荷图找出差异代谢物；通过置换检验验证模型的有效性；利用上述校验过的模型鉴别预测集，通过判别正确率来评价模型的对掺假油种类的识别能力；

6)取步骤4)所得的部分数据，分为训练集和预测集，通过训练参数R2、RMSEE以及预测参数RMESP来评价定量模型。

作为优选，所述其他植物油纯品有三种，分别为玉米油、葵花籽油和菜籽油。

作为优选，步骤1)混合产物中所述其他植物油纯品的体积分数分别为0％、5％、10％、20％、30％、40％、50％、60％、70％、80％、100％。

作为优选，步骤2)中所述待测样本的用量为200μL，所述氘代氯仿的用量为800μL。

作为优选，步骤4)所选择的前处理方法为：以0.01ppm的积分宽度对10-0.5ppm区域分段积分，扣除氘代氯仿溶剂峰信号，得到879个变量，归一化处理。

作为优选，步骤4)所选择的前处理方法为：对0-7ppm的谱图自动积分，部分区域手动积分，15个峰的积分面积以标准化为1000的酰基链的α-亚甲基氢为参考，得到15个变量，归一化处理。

作为优选，步骤4)所选择的前处理方法为：以0.04ppm的积分宽度对7-0ppm的谱图区域分段积分，得到175个变量，归一化处理。

作为优选，步骤5)中所取的数据来自111个待测样本，分为77个训练集和34个预测集，训练集中纯茶油样本以及掺玉米油、葵花籽油、菜籽油的样本依次为15、21、21、20，验证集中依次为7、9、9、9；对77个训练集作PCA分析，剔除一个异常点，得分图上掺有玉米油和葵花籽油的样本重叠较大，先将玉米油和葵花籽油归为一类，剔除2个异常点，最终利用74个训练集建立OPLS-DA Modle 1，34个验证集预测该模型；玉米油和葵花籽油单独建立OPLS-DA Modle 2，其中训练集和预测集样本数分别为41和18。

作为优选，步骤2)所述检测其¹H NMR图谱，其核磁共振条件为：质子共振频率为600MHz，时域为32K，脉冲为90，时间为11μs，谱宽为10ppm，恢复时间为2s，信号检测时间为2.73s，每次自由感应衰减扫描次数为32，虚拟扫描次数为4；化学位移以ppm为单位，以四甲基硅烷(TMS,δ＝0)为内标。

作为优选，步骤3)所述相位和基线的校准包括以下步骤：将测得的¹H NMR自由感应衰减信号导入MestReC软件进行傅立叶转换，自动调整相位和基线，以内标峰TMS(δ＝0)为基准校正化学位移。

在以上技术方案中，所述茶油纯品是指全部来源于山茶籽、未添加其他来源油脂的茶油，因此，本发明中所述茶油纯品在化学组成方面可以是混合物。所述其他植物油纯品是指由某种单一植物原材料榨取的油脂，例如可以是纯的菜籽油、玉米油或葵花籽油等；同样的，本发明中所述其他植物油纯品在化学组成方面也可以是混合物。

本发明提供了一种预测茶油中其他掺杂油种类及含量的方法，该技术方案首先通过收集不同种类和品牌的茶油、玉米油、葵花籽油、菜籽油，向茶油中掺入不同比例的玉米油、葵花籽油、菜籽油，进行¹H NMR检测，获得相应的图谱，通过PCA得分图确定最佳前处理方法。进一步采用正交偏最小二乘法-判别分析(OPLS-DA)以及偏最小二乘法(PLS)，建立定性和定量模型，并对模型进行校验，最后利用预测集对该模型进行鉴别。当玉米油、葵花籽油、菜籽油的掺假量在5％以上时，判别准确率在97％以上，核磁数据结合偏最小二乘法(PLS)可定量检测掺伪油的体积分数。该方法操作简单，技术可靠，可快速检测茶油中掺假油种类和掺假量。

经过研究和试验，我们首次发现茶油，玉米油，葵花籽油和菜籽油核磁数据的最佳前处理方法是：以0.01ppm的积分宽度对10-0.5ppm区域分段积分，扣除氘代氯仿(7.6-6.9ppm)溶剂峰信号，得到879个变量，进行归一化处理。¹H NMR结合PCA可初步分析茶油与掺伪茶油的整体分类趋势，进一步采用有监督的模式识别方法建立掺伪油种类和掺杂量的模型，通过相应的校验参数及预测集验证模型的可靠有效性。本发明核磁实验前处理简单，速度快，在茶油中掺入少量玉米油、葵花籽油或菜籽油时，判别准确率在97％以上，通过PLS模型可以准确的量化掺伪油的种类。

附图说明

图1是本发明实施例1中¹H NMR图谱上得出的15个变量结合PCA得出的纯油得分图。

图2是本发明实施例1中¹H NMR图谱上得出的175个变量结合PCA得出的纯油得分图。

图3是本发明实施例1中¹H NMR图谱上得出的879个变量结合PCA得出的纯油得分图。

图4是本发明实施例1中三种掺伪油以及纯茶油的PCA得分图。

图5是本发明实施例1中¹H NMR结合OPLS-DA预测纯茶油、掺有玉米油/葵花籽油样品、掺有菜籽油样品的结果图。

图6是本发明实施例1中¹H NMR结合OPLS-DA预测掺有玉米油样品、掺有葵花籽油样品结果图。

图7是本发明实施例1中¹H NMR结合PLS预测茶油中玉米油的掺假量结果图。

图8是本发明实施例1中¹H NMR结合PLS预测茶油中葵花籽油的掺假量结果图。

图9是本发明实施例1中¹H NMR结合PLS预测茶油中菜籽油的掺假量结果图。

图中，CAO：纯茶油；COO:纯玉米油；SO:纯葵花籽油；RO：纯菜籽油；CAO+COO:掺有玉米油的样品；CAO+SO：掺有葵花籽油的样品；CAO+RO:掺有菜籽油的样品；CAO+C/S:掺有玉米油或葵花籽油的样品。

具体实施方式

以下将对本发明的具体实施方式进行详细描述。为了避免过多不必要的细节，在以下实施例中对属于公知的结构或功能将不进行详细描述。除有定义外，以下实施例中所用的技术和科学术语具有与本发明所属领域技术人员普遍理解的相同含义。

以下实施例中所用的试验试剂耗材，如无特殊说明，均为常规生化试剂；所述实验方法，如无特殊说明，均为常规方法；以下实施例中的定量试验，均设置三次重复实验，结果取平均值；以下实施例中的％，如无特别说明，均为质量百分含量。

实施例1

1、样品前处理

以市售绿海牌茶油和齐云山牌茶油为纯茶油样本，分别往纯茶油中掺入不同比例(0％、10％、20％、30％、40％、50％、60％、70％、80％、100％v/v)的玉米油、葵花籽油和菜籽油，涡旋混匀。

2、核磁实验

取200μL混合油样与800μL CDCl₃混合，涡旋半分钟，室温下静至5min,取600μL转移至5mm核磁管中进行核磁实验。核磁条件为：质子共振频率为600MHz，时域为32K，脉冲为90，时间为11μs，谱宽为10ppm，恢复时间为2s，信号检测时间为2.73s，每次自由感应衰减扫描次数为32，虚拟扫描次数为4。化学位移以ppm为单位，以四甲基硅烷(TMS,δ＝0)为内标。

3、数据处理与分析

将测得的¹H NMR自由感应衰减信号导入MestReC软件进行傅立叶转换，自动调整相位和基线，以内标峰TMS(δ＝0)为基准校正化学位移。分段积分得到的变量在excel里进行总峰面积归一化处理，然后以ASCII格式输出数据，即得到各化学位移段与之相对应的信号峰面积值，最终得到的数据进行多变量统计分析。

处理过的核磁数据导入SIMCA-P+12.0(Umetrics,Sweden)，结合PCA、OPLS-DA和PLS建立掺杂油种类及其掺杂量的预测模型。

4、前处理方法的筛选

4.1本发明方案根据15个变量对纯油进行PCA分析：对纯油的¹HNMR图谱0-7ppm自动积分，特殊区域手动积分，15个峰的积分面积以标准化为1000的酰基链的α-亚甲基氢(-OCO-CH₂-)作参考，积分得到的结果以ASCII格式输出。

4.2本发明方案根据175个变量对纯油进行PCA分析：以0.04ppm的积分宽度对0-7ppm的谱图区域分段积分，得到175个变量，积分得到的结果以ASCII格式输出。

4.3本发明方案根据879个变量对纯油进行PCA分析：与4.2不同之处在于以0.01ppm的积分宽度对0.5-10ppm区域分段积分，扣除氘代氯仿(7.6-6.9ppm)溶剂峰信号，得到879个变量。

4.4将预处理过的¹H NMR数据导入到SIMCA-P+中，进行PCA分析，图1-图3为不同变量下得到的得分图，从图中可以看出随着变量的增加，其解释的总方差由75.87％上升至88.90％，Q²X(cum)由22.98％升至78.33％，所有数据均在95％的置信区间，四种纯植物油在图3中得到最好的区分。

5、¹H NMR结合OPLS-DA对掺伪油建模分析

由图4可知玉米油和葵花籽油在PCA得分图上有很大的重叠，因此先将两者归为一类，建立纯茶油、掺有玉米油/葵花籽油样品、掺有菜籽油样品的判别模型，如图5。再对掺有玉米油样品和葵花籽油样品建模分析，如图6。利用34个预测集对模型进行验证，Modle 1的正确率达到了100％，Modle 2的正确率为94％，模型中玉米油、葵花籽油、菜籽油的最低浓度分别为5％。

6、¹H NMR结合PLS对掺伪油定量分析

将掺假比例为0％-100％的三种掺假油的¹H NMR分别与PLS结合，建立掺伪油含量的预测模型。相应的PLS参数如表1，图7-9为相应的PLS模型图，三个模型中的R²均大于0.99，预测值和真实值的样本点基本分布在对角线上。

表1 PLS的模型参数

实施例2

(1)建立掺伪油脂样品库

将纯茶油与玉米油、葵花籽油、菜籽油以5％、10％、20％、30％、40％、50％、60％、70％、80％的体积比例混合，涡旋，油样总体积为1mL。

本发明中所用的茶油来自市场销售和国家质检局，不同品牌的玉米油、葵花籽油和菜籽油购自当地商场。

(2)获得所有油样的1H NMR图谱

取200μL混合油样和800μL CDCl3混合，涡旋、静置，转移至5mm核磁管中进行1HNMR实验。核磁条件为：质子共振频率为600MHz，时域为32K，脉冲为90，时间为11μs，谱宽为10ppm，恢复时间为2s，信号检测时间为2.73s，每次自由感应衰减扫描次数为32，虚拟扫描次数为4。化学位移以ppm为单位，以四甲基硅烷(TMS,δ＝0)为内标。

(3)对核磁数据分段积分，确定最佳前处理条件

对7种茶油、3种玉米油、3种葵花籽油以及2种菜籽油的核磁数据采用不同的分段积分获得不同数目的变量，当输入变量为879个时，PCA得分图上4种油可以得到最大的区分。

(4)核磁数据结合OPLS-DA建立预测掺伪油种类的模型

经过最佳前处理的核磁数据分为训练集和预测集，训练集结合OPLS-DA建立判别模型，预测集进行验证。

(5)核磁数据结合PLS建立掺伪油含量的预测模型

经过最佳前处理的核磁数据分为训练集和预测集，训练集结合PLS建立预测茶油中玉米油、葵花籽油以及菜籽油含量的模型，通过R2和RMSEE以及RMSEP验证模型的可靠性。

实施例3

一种预测茶油中其他掺杂油种类及含量的方法，包括以下步骤：

1)取茶油纯品和其他植物油纯品，将后者以不同体积比与前者混合，得到若干待测样本；

2)取步骤1)所述若干待测样本，分别与氘代氯仿涡旋混匀，而后分别检测其¹HNMR图谱；

3)取步骤2)所得的茶油纯品¹H NMR图谱和其他植物油纯品¹H NMR图谱，进行相位和基线的校准之后采用不同区域的分段积分，而后执行PCA分析；

4)以步骤3)所得的PCA得分情况为依据选择一种前处理方法对步骤2)所得的若干¹H NMR图谱分别进行分段积分；

5)取步骤4)所得数据，分为训练集和预测集；训练集作PCA分析，查看样本的整体分类情况，通过DmodX图剔除异常点；PCA初步分析过的样本进一步采用OPLS-DA分析，根据得分图及DmodX图剔除异常点，通过载荷图找出差异代谢物；通过置换检验验证模型的有效性；利用上述校验过的模型鉴别预测集，通过判别正确率来评价模型的对掺假油种类的识别能力；

6)取步骤4)所得的部分数据，分为训练集和预测集，通过训练参数R2、RMSEE以及预测参数RMESP来评价定量模型。

在以上技术方案的基础上，满足以下条件：

所述其他植物油纯品有三种，分别为玉米油、葵花籽油和菜籽油。

步骤1)混合产物中所述其他植物油纯品的体积分数分别为0％、5％、10％、20％、30％、40％、50％、60％、70％、80％、100％。

步骤2)中所述待测样本的用量为200μL，所述氘代氯仿的用量为800μL。

步骤4)所选择的前处理方法为：以0.01ppm的积分宽度对10-0.5ppm区域分段积分，扣除氘代氯仿溶剂峰信号，得到879个变量，归一化处理。

步骤5)中所取的数据来自111个待测样本，分为77个训练集和34个预测集，训练集中纯茶油样本以及掺玉米油、葵花籽油、菜籽油的样本依次为15、21、21、20，验证集中依次为7、9、9、9；对77个训练集作PCA分析，剔除一个异常点，得分图上掺有玉米油和葵花籽油的样本重叠较大，先将玉米油和葵花籽油归为一类，剔除2个异常点，最终利用74个训练集建立OPLS-DA Modle1，34个验证集预测该模型；玉米油和葵花籽油单独建立OPLS-DA Modle2，其中训练集和预测集样本数分别为41和18。

步骤2)所述检测其¹H NMR图谱，其核磁共振条件为：质子共振频率为600MHz，时域为32K，脉冲为90，时间为11μs，谱宽为10ppm，恢复时间为2s，信号检测时间为2.73s，每次自由感应衰减扫描次数为32，虚拟扫描次数为4；化学位移以ppm为单位，以四甲基硅烷(TMS,δ＝0)为内标。

步骤3)所述相位和基线的校准包括以下步骤：将测得的¹H NMR自由感应衰减信号导入MestReC软件进行傅立叶转换，自动调整相位和基线，以内标峰TMS(δ＝0)为基准校正化学位移。

实施例4

一种预测茶油中其他掺杂油种类及含量的方法，包括以下步骤：

1)取茶油纯品和其他植物油纯品，将后者以不同体积比与前者混合，得到若干待测样本；

2)取步骤1)所述若干待测样本，分别与氘代氯仿涡旋混匀，而后分别检测其¹HNMR图谱；

3)取步骤2)所得的茶油纯品¹H NMR图谱和其他植物油纯品¹H NMR图谱，进行相位和基线的校准之后采用不同区域的分段积分，而后执行PCA分析；

4)以步骤3)所得的PCA得分情况为依据选择一种前处理方法对步骤2)所得的若干¹H NMR图谱分别进行分段积分；

5)取步骤4)所得数据，分为训练集和预测集；训练集作PCA分析，查看样本的整体分类情况，通过DmodX图剔除异常点；PCA初步分析过的样本进一步采用OPLS-DA分析，根据得分图及DmodX图剔除异常点，通过载荷图找出差异代谢物；通过置换检验验证模型的有效性；利用上述校验过的模型鉴别预测集，通过判别正确率来评价模型的对掺假油种类的识别能力；

6)取步骤4)所得的部分数据，分为训练集和预测集，通过训练参数R2、RMSEE以及预测参数RMESP来评价定量模型。

以上对本发明的实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，并不用以限制本发明。凡在本发明的申请范围内所做的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种预测茶油中其他掺杂油种类及含量的方法，其特征在于包括以下步骤：

1)取茶油纯品和其他植物油纯品，将后者以不同体积比与前者混合，得到若干待测样本；

2)取步骤1)所述若干待测样本，分别与氘代氯仿涡旋混匀，而后分别检测其¹H NMR图谱；

3)取步骤2)所得的茶油纯品¹H NMR图谱和其他植物油纯品¹H NMR图谱，进行相位和基线的校准之后采用不同区域的分段积分，而后执行PCA分析；

4)以步骤3)所得的PCA得分情况为依据选择一种前处理方法对步骤2)所得的若干¹HNMR图谱分别进行分段积分；

5)取步骤4)所得数据，分为训练集和预测集；训练集作PCA分析，查看样本的整体分类情况，通过DmodX图剔除异常点；PCA初步分析过的样本进一步采用OPLS-DA分析，根据得分图及DmodX图剔除异常点，通过载荷图找出差异代谢物；通过置换检验验证模型的有效性；利用上述校验过的模型鉴别预测集，通过判别正确率来评价模型的对掺假油种类的识别能力；

6)取步骤4)所得的部分数据，分为训练集和预测集，通过训练参数R2、RMSEE以及预测参数RMESP来评价定量模型。

2.根据权利要求1所述的一种预测茶油中其他掺杂油种类及含量的方法，其特征在于所述其他植物油纯品有三种，分别为玉米油、葵花籽油和菜籽油。

3.根据权利要求1所述的一种预测茶油中其他掺杂油种类及含量的方法，其特征在于步骤1)混合产物中所述其他植物油纯品的体积分数分别为0％、5％、10％、20％、30％、40％、50％、60％、70％、80％、100％。

4.根据权利要求1所述的一种预测茶油中其他掺杂油种类及含量的方法，其特征在于步骤2)中所述待测样本的用量为200μL，所述氘代氯仿的用量为800μL。

5.根据权利要求1所述的一种预测茶油中其他掺杂油种类及含量的方法，其特征在于步骤4)所选择的前处理方法为：以0.01ppm的积分宽度对10-0.5ppm区域分段积分，扣除氘代氯仿溶剂峰信号，得到879个变量，归一化处理。

6.根据权利要求1所述的一种预测茶油中其他掺杂油种类及含量的方法，其特征在于步骤4)所选择的前处理方法为：对0-7ppm的谱图自动积分，部分区域手动积分，15个峰的积分面积以标准化为1000的酰基链的α-亚甲基氢为参考，得到15个变量，归一化处理。

7.根据权利要求1所述的一种预测茶油中其他掺杂油种类及含量的方法，其特征在于步骤4)所选择的前处理方法为：以0.04ppm的积分宽度对7-0ppm的谱图区域分段积分，得到175个变量，归一化处理。

8.根据权利要求2所述的一种预测茶油中其他掺杂油种类及含量的方法，其特征在于步骤5)中所取的数据来自111个待测样本，分为77个训练集和34个预测集，训练集中纯茶油样本以及掺玉米油、葵花籽油、菜籽油的样本依次为15、21、21、20，验证集中依次为7、9、9、9；对77个训练集作PCA分析，剔除一个异常点，得分图上掺有玉米油和葵花籽油的样本重叠较大，先将玉米油和葵花籽油归为一类，剔除2个异常点，最终利用74个训练集建立OPLS-DAModle 1，34个验证集预测该模型；玉米油和葵花籽油单独建立OPLS-DA Modle 2，其中训练集和预测集样本数分别为41和18。

9.根据权利要求1所述的一种预测茶油中其他掺杂油种类及含量的方法，其特征在于步骤2)所述检测其¹H NMR图谱，其核磁共振条件为：质子共振频率为600MHz，时域为32K，脉冲为90，时间为11μs，谱宽为10ppm，恢复时间为2s，信号检测时间为2.73s，每次自由感应衰减扫描次数为32，虚拟扫描次数为4；化学位移以ppm为单位，以四甲基硅烷(TMS,δ＝0)为内标。

10.根据权利要求1所述的一种预测茶油中其他掺杂油种类及含量的方法，其特征在于步骤3)所述相位和基线的校准包括以下步骤：将测得的¹H NMR自由感应衰减信号导入MestReC软件进行傅立叶转换，自动调整相位和基线，以内标峰TMS(δ＝0)为基准校正化学位移。