CN114216893A - 一种食用油反式脂肪酸的检测方法 - Google Patents
一种食用油反式脂肪酸的检测方法 Download PDFInfo
- Publication number
- CN114216893A CN114216893A CN202111539258.5A CN202111539258A CN114216893A CN 114216893 A CN114216893 A CN 114216893A CN 202111539258 A CN202111539258 A CN 202111539258A CN 114216893 A CN114216893 A CN 114216893A
- Authority
- CN
- China
- Prior art keywords
- trans
- edible oil
- raman spectrum
- fatty acid
- peak
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
Landscapes
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明提出一种食用油反式脂肪酸的检测方法,属于食用油品质检测领域。首先,对获取的待测食用油拉曼光谱数据进行预处理;然后,对预处理后待测食用油拉曼光谱数据进行峰位拟合,得到新的拉曼光谱数据;并基于谱峰分解法提取新的拉曼光谱数据的特征;最后,将获取的拉曼光谱特征作为模型变量输入反式脂肪酸分类模型和/或反式脂肪酸含量预测模型中,得到食用油反式脂肪酸的分类结果和/或反式脂肪酸含量的预测结果。该方法提取的波峰、波谷和峰面积特征,既保证了所提取有效特征的充分性,且具有代表性,又不会使输入模型的信息过多产生冗余,减少了模型计算的复杂度,保证了模型的稳定性,使得模型预测结果更为精确,提高了模型预测效率。
Description
技术领域
本发明涉及一种食用油反式脂肪酸的检测方法,属于食用油品质检测领域。
背景技术
食用油是人类生活的必需品,在一定条件下会生成反式脂肪酸,给人类健康带来极大隐患,因此食用油中的反式脂肪酸含量早已成为检验食用油品质是否达标的一个重要指标。
采用拉曼光谱技术进行食用油样品分析,主要是通过提取食用油拉曼光谱的特征信息,建立拉曼光谱特征与食用油中反式脂肪酸的预测模型,从而实现对食用油品质的快速检测及鉴别,无需前处理,简单方便。目前,有通过全谱信息进行分析建模以检测食用油品质,也有只对个别峰进行分析的以实现食用油品质鉴定;但前者光谱数据量较大,在峰值较多时,采用全谱信息进行分析建模,不但存在较多的冗余信息,还会增加模型的复杂性,影响模型的稳定性;后者只对个别峰进行分析,导致提供的有效信息不够充分,难以体现被测样品的属性差异,这两者都会影响所建预测模型的精度,使得最终预测结果精度低,食用油品质鉴别结果不可靠。
发明内容
本发明的目的是提供一种食用油反式脂肪酸的检测方法,以解决目前食用油反式脂肪酸检测精度低的问题。
本发明提供的一种食用油反式脂肪酸的检测方法,该方法包括以下步骤:
1)获取待测食用油的拉曼光谱数据,并对获取的待测食用油拉曼光谱数据进行预处理;
2)确定预处理后待测食用油拉曼光谱数据的峰位,对预处理后待测食用油拉曼光谱数据进行峰位拟合,得到新的拉曼光谱数据;并基于谱峰分解法提取新的拉曼光谱数据的特征,提取出的拉曼光谱特征包括波峰、波谷和峰面积;
3)将获取的拉曼光谱特征作为模型变量输入反式脂肪酸分类模型和/或反式脂肪酸含量预测模型中,得到食用油反式脂肪酸的分类结果和/或反式脂肪酸含量的预测结果,其中,反式脂肪酸分类模型为经过训练的FDA模型,反式脂肪酸含量预测模型为经过训练的机器学习模型,反式脂肪酸分类模型是由基于已知反式脂肪酸所属类别的食用油及其对应拉曼光谱特征训练得到,反式脂肪酸含量预测模型是由已知反式脂肪酸含量的食用油及其对应的拉曼光谱特征训练得到。
本发明对预处理后的待测食用油的拉曼光谱数据进行峰位拟合,可以获得更精确的峰位特征;并采用谱峰分解法提取食用油的拉曼光谱中的波峰、波谷和峰面积特征,将这三种特征作为变量输入分类模型和/或预测模型中,得到食用油反式脂肪酸的分类结果和/或预测结果,既保证了所提取有效特征的充分性,又不会使输入模型的信息过多产生冗余。该方法提取的拉曼光谱特征相比个别峰的分析更具有代表性,对比于采用全谱信息进行分析建模,减少了模型计算的复杂度,保证了模型的稳定性,使得模型预测结果更为精确,提高了模型预测效率。
进一步地,为了去除荧光背景的干扰以获取准确的拉曼光谱,所述步骤1)中预处理包括采用多项式迭代拟合基线矫正方法进行的拉曼光谱荧光背景去除。
进一步地,为了减少非样本信息的干扰以获取准确的拉曼光谱,所述步骤1)中预处理还包括采用标准正态变量变换进行的拉曼光谱降噪处理。
进一步地,为了使食用油分类结果更为精准,所述步骤2)还包括对提取出的拉曼光谱特征采用无信息变量消除法进行筛选的步骤。
进一步地,为了快速得到食用油的拉曼光谱特征,所述步骤2)中拉曼光谱特征提取过程为:通过自动寻峰算法得到拉曼光谱特征峰的峰值与峰谷,并采用积分算法得到每一个特征峰的峰面积。
进一步地,所述峰面积的计算公式为:
其中,S为峰面积,N是数据个数,xi是样品的吸光度;Δt为拉曼位移。
进一步地,为了使拉曼光谱信息更加平滑,峰值更加突出,所述步骤2)中在基于谱峰分解法提取特征时需进行峰位拟合,拟合过程为:
A.选取预处理后待测食用油拉曼光谱数据的目标峰位拟合区间;
B.设定强度阈值与间隔阈值,在目标峰位拟合区间内根据所述阈值进行峰位标定,得到标定后的拉曼光谱峰位;
C.采用峰形函数对标定后的拉曼光谱峰位进行拟合。
进一步地,为了保证拉曼光谱峰位拟合的准确性,所述步骤C中的峰形函数为高斯-洛伦兹混合函数。
进一步地,所述的机器学习模型为支持向量机回归模型,该支持向量机回归模型采用的核函数为径向基核函数。
附图说明
图1是本发明食用油反式脂肪酸检测方法的流程图;
图2是本发明中激光共焦拉曼系统示意图;
图3是本发明实施例中食用油原始拉曼光谱图;
图4是本发明实施例中预处理后的食用油拉曼光谱图;
图5是本发明实施例中峰位拟合后的食用油拉曼光谱图;
图6(a)是本发明实验中基于全谱信息菜籽油FDA预测结果图;
图6(b)是本发明实验中基于谱峰分解后特征菜籽油FDA预测结果图;
图6(c)是本发明实验中基于UVA优化后特征FDA预测结果图;
图7(a)是本发明实验中菜籽油SVR训练集结果图;
图7(b)是本发明实验中菜籽油SVR测试集结果图;
图2标记说明:1-激光器、2-干涉滤光片、3-功率衰减片、4-显微镜、5-瑞利滤光片、6-共聚焦针孔、7-狭缝、8-光栅、9-CCD检测器。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步地说明。
本发明提出一种食用油反式脂肪酸的检测方法,具体流程如图1所示。首先,获取待测食用油的拉曼光谱数据,并对获取的待测食用油拉曼光谱数据进行预处理;然后,确定预处理后待测食用油拉曼光谱数据的峰位,对预处理后待测食用油拉曼光谱数据进行峰位拟合,得到新的拉曼光谱数据;并基于谱峰分解法提取新的拉曼光谱数据的特征;最后,基于已知反式脂肪酸所属类别的食用油及其对应拉曼光谱特征训练得到反式脂肪酸分类模型和/或基于已知反式脂肪酸含量的食用油及其对应的拉曼光谱特征训练得到反式脂肪酸含量预测模型,将获取的拉曼光谱特征作为模型变量输入反式脂肪酸分类模型和/或反式脂肪酸含量预测模型中,得到食用油反式脂肪酸的分类结果和/或反式脂肪酸含量的预测结果。该方法采用谱峰分解法提取食用油的拉曼光谱中的波峰、波谷和峰面积特征,既保证了所提取有效特征的充分性,又不会使输入模型的信息过多产生冗余,相比于个别峰的分析更具有代表性,对比于采用全谱信息进行分析建模,减少了模型计算的复杂度,保证了模型的稳定性,使得模型预测结果更为精确,提高了模型预测效率。
步骤1.获取待测数据及数据预处理
首先获取待测的食用油样品,并通过XploRA ONE激光共聚焦拉曼光谱仪获取待测食用油样品的拉曼光谱数据。激光共焦拉曼系统示意图如图2所示,通过激光器1发射激发波长的激光,激光经过干涉滤光片2和功率衰减片3后通过反射镜在食用油样品上发生散射,生成的光束通过瑞利滤光片5和共聚焦针孔6,共聚焦针孔6使仅位于焦点处的信号光通过,再经过狭缝7到达光栅8,光栅8将单一的入射光进行衍射传递到CCD检测器9上,通过CCD检测器9收集拉曼散射光信号。在激光共聚焦拉曼光谱仪采集拉曼光谱的过程中,通过对显微镜4物镜参数(数值孔径、放大倍数和工作距离)调整,获取最佳的样品空间分辨率以及放大倍数。
在本实施例中,选取的食用油为菜籽油、大豆油和玉米油,三种油的品牌分别为道道全、福临门、道道全,规格均为900ml瓶装,且这三种食用油品质都符合国家相关质量标准规定,由于大部分的反式脂肪酸主要是由于食用油高温或长时间烹调煎炸致使顺式脂肪酸异构化所形成的,因此,将三种食用油在190℃时加热不同时间(0min、30min、60min、90min、120min、150min),并且控制加热温度波动不超过±5℃。在加热至不同时间时,分别倒出油样5mL冷却至室温,并在-20℃中下保存。三种食用油,每种食用油有六种样品,因此共得到18种样品油。采用XploRA ONE拉曼光谱仪采集这18种样品油各自的拉曼光谱数据,设置激光的光源波长为785nm,功率375mW,每个样品的采集点数为36,积分时间为15s,扫描范围为200~3600cm-1。在采集之前,首先对仪器进行预热,约15min。样品检测前,首先进行光谱校正,盛有样品的样品池放置在显微镜平台上,选用10倍的显微物镜,调整焦距,使图像达到最清晰状态,然后打开激光,调节激光光斑至最小,设置采集区域为5mm×5mm矩形区域,采集每个样品拉曼光谱数据,得到的食用油拉曼光谱如图2所示。
为了得到食用油中准确的拉曼光谱数据,本发明需对采集到的拉曼光谱数据进行预处理,包括荧光背景去除和拉曼光谱降噪。
其中,荧光背景去除是为了剔除由激光引起的荧光对样品拉曼光谱的影响,拉曼光谱的背景光可能来自多个方面,比如试样、试样容器和式样周围的环境,当背景光强度过高时,会对掩盖样品的拉曼信息。其中荧光背景是最受关注的一种,而激光引起的荧光在拉曼光谱采集中是难以避免的,因此去除荧光背景的干扰是分析拉曼光谱信息中非常重要的一个环节。本发明采用多项式迭代拟合基线矫正方法对光谱基线进行拟合,去除荧光背景,增强了拉曼光谱与反式脂肪酸成分相关的光谱信息。本发明设定多项式的次数为3次,拟合点数为64。作为其他实施方式,多项式的次数和拟合点数可根据具体拉曼光谱数据确定。先从每个样品中选择一条原始光谱数据作为进行多项式拟合的初始数据y1,进行第一次多项式拟合,采用拟合出的多项式计算曲线上的值y2,逐一与y1进行对比;若某一点的y2大于y1,则将该点的y1值赋予y2;若相反,则y2保持不变;以此循环最终将原始光谱的荧光背景信息扣除。
拉曼光谱降噪是因为原光谱信息中有很多噪声,需进行降噪处理以减少非样本信息的干扰,提高后续模型预测能力及稳定性。本发明采用标准正态变量变换实现拉曼光谱的降噪处理。标准正态变量假设光谱数据的吸收度均符合某一分布,可以根据标准正态变换的原理,对光谱进行修正,使其符合标准正态,起到消除因为散射引起的光谱差异的作用,具体公式如下:
在本实施例中,对18个样品油的拉曼光谱数据进行荧光背景去除和降噪处理,得到结果如图4所示,可以看到预处理后的图与预处理前的图(图3)相比,荧光背景明显减少,并且谱峰信息也更加明显。
步骤2.提取拉曼光谱特征
对步骤1得到的预处理后的食用油拉曼光谱数据进行特征提取,为了提取准确的拉曼光谱特征信息,先确定预处理后待测食用油拉曼光谱数据的峰位,对预处理后待测食用油拉曼光谱数据进行峰位拟合,得到新的拉曼光谱数据;并基于谱峰分解法提取新的拉曼光谱数据的特征。
在拉曼光谱图中,一些峰不是由单个独立的峰组成,而是由多个峰叠加合成,因此,在进行拉曼光谱特征提取前,需要先对拉曼光谱进行峰位拟合,以获得精确的波峰、波谷和峰面积等信息。具体过程如下:
(1)确定需要拟合的峰,设定目标峰位拟合区间;此过程中要注意保证峰的完整性,根据峰位主要集中区域,选取目标峰位拟合区间,例如在图4中扫描范围为1800~2700cm-1中,拉曼光谱没有明显上下起伏,不需要进行峰位拟合,若不设置拟合区间,保留不必要数据,只会使得数据量过大,影响后续峰位拟合效率;
(2)设定强度阈值与间隔阈值,在目标峰位拟合区间内根据所述阈值进行峰位标定,得到标定后的拉曼光谱峰位;在本发明中强度阈值设定为10%,则小于最大强度10%的峰将不会被标峰位,减少不必要数据,提高后续峰位拟合效率;间隔阈值设定为15%,当两峰之间的间隔小于15个像素时,该峰同样不会被标峰位,避免造成数据冗余;作为其他实施方式,强度阈值和间隔阈值的设定可根据具体拉曼光谱数据中峰的强度和间隔确定;
(3)采用峰形函数对标定后的拉曼光谱峰位进行拟合;常用的峰形函数有高斯函数、洛伦兹函数,因为反式脂肪酸的结构较为复杂,且种类较多,本发明采用高斯-洛伦兹混合函数,对拉曼光谱峰位进行拟合。作为其他实施方式,峰形函数的选取可以根据具体实际情况确定。
由于一般峰位拟合的基线强度为0,如果峰的最小强度不为0,则可能会对拟合结果造成影响,因此在峰位拟合时需保证峰的最小强度不为0。在本实施例中,对图4进行峰位拟合,得到的峰位拟合结果如图5所示,从图4可以看出,经过峰位拟合后的拉曼光谱信息更加平滑,峰值特征与图4相比更加尖锐突出。
完成峰位拟合后采用自动寻峰算法进行独立谱峰的波峰、波谷特征的提取,并采用积分算法得到每一个特征峰的峰面积。其中,自动寻峰算法的原理为:选定进行拉曼光谱峰位拟合区间作为输入值,采用findpeaks函数获得局部最大位置与局部最小位置,局部最大位置对应的就是波峰,局部最小位置所对应的就是波谷;再通过对光谱进行积分计算得到每一个波峰的峰面积,峰面积计算公式如下:
式中,S为峰面积,N是数据个数,xi是样品的吸光度;Δt为拉曼位移。
在本实施例中,对峰位拟合结果图5进行拉曼光谱特征提取,得到三种食用油所提取的特征数量如表1所示:
表1:
在提取完拉曼光谱波峰、波谷和峰面积特征后,采用无信息变量消除法(UVE)对所提取的三种特征进行筛选,使得最终筛选出的波峰、波谷和峰面积数据更具代表性,避免特征数据冗余。UVE是基于分析PLSR系数的算法,在PLSR模型中,食用油样品拉曼光谱矩阵X和反式脂肪酸含量矩阵Y存在如下关系:
Y=Xb+e
式中,b是系数向量,e是误差向量。无信息变量消除法就是把一定变量数目的随机变量矩阵加入样品的拉曼光谱矩阵中,然后通过交叉验证建立偏最小二乘模型,得到系数矩阵B,分析系数向量b的平均值和标准偏差商C的稳定性,即:
式中,mean(bi)表示系数向量b的平均值,S(bi)表示系数向量b的标准偏差,i表示光谱矩阵中的第i列向量。根据Ci的绝对值大小确定是否保留第i列变量,以实现特征变量的筛选。
在本实施例中,经过UVE对表1中提取的特征进行筛选,最终从菜籽油中筛选出14个特征参量、大豆油中筛选出19个特征参量、玉米油中筛选出21个特征参量。
步骤3.输出待测食用油反式脂肪酸分类和/或含量预测结果
将步骤2得到筛选后的拉曼光谱特征数据(波峰、波谷、峰面积)作为特征变量输入到已训练好的反式脂肪酸分类模型和/或已训练好的反式脂肪酸含量预测模型中,得到待测食用油反式脂肪酸的分类结果和/或反式脂肪酸含量的预测结果。反式脂肪酸分类模型为经过训练的FDA模型,反式脂肪酸含量预测模型为经过训练的机器学习模型,在本实施例中,该机器学习模型为支持向量机回归模型(SVR),该支持向量机回归模型采用的核函数为径向基核函数。作为其他实施方式,机器学习模型也可采用线性回归模型、随机森林回归模型等。
其中,反式脂肪酸分类模型是基于已知反式脂肪酸所属类别的食用油及其对应拉曼光谱特征训练得到,已知食用油反式脂肪酸类别是指根据不同加热时间和的反式脂肪酸含量将食用油分类成多个不同等级或类别。
反式脂肪酸含量预测模型是基于已知反式脂肪酸含量的食用油及其对应的拉曼光谱特征训练得到,已知食用油的反式脂肪酸含量是根据国标5009.257-2016对食用油样品进行检测得到;检测所用的仪器为安捷伦7890A气相色谱仪(配有氢火焰离子化检测器),测定标样为反式油酸、反式亚油酸、反式亚麻酸三种标样,样品需在每个条件下重复三次实验,因此共54个样,设置载气流速为1.3mL/min,进样口温度为250℃,检测器温度为250℃,程序升温为初始温度180℃,保持5min,以1.5℃/min的速率升至230℃,保持20min;进样量为1μL;分流比为30∶1。测定各成分的峰面积,按照下式计算三种反式脂肪酸的含量:
式中,Wx是反式脂肪酸组分X反式脂肪酸甲酯相对质量分数%,Ax是组分X反式脂肪酸甲酯峰面积,fx是组分X反式脂肪酸甲酯的校准因子,At是所有峰校准面积的总和除去溶剂峰。
Wt=∑Wx
式中,Wt是脂肪中反式脂肪酸的质量分数%。
在本实施例中,将通过UVE在菜籽油筛选出的14个特征参量、大豆油中筛选出的19个特征参量、玉米油中筛选出的21个特征参量作为模型的输入变量,输入到已经训练好的反式脂肪酸分类模型中和/或已经训练好的反式脂肪酸含量预测模型中,得到三种食用油各个样品的反式脂肪酸分类结果和/或反式脂肪酸含量预测结果。
为了验证本发明方法提取拉曼光谱特征的有效性,及在食用油反式脂肪酸检测中的可靠性和准确性,通过以下实验进行说明。
对在190℃下加热0min、30min、60min、90min、120min、150min的三种食用油,根据国标GB 5009.257-2016方法食测定的反式脂肪酸含量,结果如表2所示。由表2可知,随着加热时间的延长,菜籽油、大豆油、玉米油的反式脂肪酸含量逐渐增加。在190℃的加热温度下,不同加热时间,食用油中反式脂肪酸的含量不同,依据不同加热时间和反式脂肪酸的含量将食用油分类成六个不同等级或类别,以便于后续FDA分类判别分析。
表2:
利用本发明所述方法提取每种食用油样品的拉曼光谱特征,分别从每种食用油样品36条拉曼光谱中随机选取24条拉曼光谱和对应的食用油中反式脂肪酸类别来构造训练集,剩下的12条拉曼光谱形成测试集。其中,训练集和测试集均包括通过UVA筛选后特征、全谱信息和未进行UVE筛选特征这三种数据集。分别通过UVA筛选后特征、全谱信息和未进行UVE筛选特征和对应的食用油中反式脂肪酸类别进行FDA分类模型训练,并将三种测试数据集输入到训练好的FDA模型中,得到结果如表3所示:
表3:
从表3中可看出,基于全谱信息对不同反式脂肪酸含量的三种食用油的FDA分析判别的正确率都比较低。其主要原因是使用全谱信息时,由于存在较多的冗余信息,降低模型的预测精度,且增加了计算量。以本发明中提取的波峰、波谷和峰面积三种组合特征作为特征变量,进行FDA分析,对大豆油具有较高的鉴别能力,而对玉米油中的鉴别能力次之,对菜籽油中鉴别能力相对最低。不同食用油中反式脂肪酸的种类不同,这可能是因为引入的冗息信息也有所不同,所以对判别结果造成的影响也不同。运用UVE来进一步筛选优化特征参量后,三种食用油的FDA鉴别结果均达到100%。UVE优化后的鉴别结果比优化前明显提高。这说明不同食用油其成分、含量会存在细微差异,因此,不同种类食用油的拉曼光谱也需要用不同的特征来表征。
实验以菜籽油为例进一步展开分析,基于全谱信息、未进行UVE优化的谱峰分解特征和UVE优化后的谱峰分解特征的FDA分析结果分别如图6(a)、图6(b)、图6(c)所示。从三幅图中可以看出,图6(a)由于冗余信息的存在严重干扰样本可分性,导致不同反式脂肪酸含量的菜籽油样品重叠严重,类间离散程度大;图6(b)中相对于全谱信息,其分类界限逐渐明晰,组内样本更加集中;图6(c)中不同种类样本间界限明显,同种类样本集中。
根据上述FDA模型判别结果得知基于UVE筛选优化后特征变量的食用油反式脂肪酸FDA分类判定最优,因此,基于UVE筛选优化后的特征训练集进行SVR预测模型训练,将基于UVE筛选优化后的特征测试集输入到训练好的模型中,得到结果如表4所示,可以看到最终训练集、测试集得到的R2都很高,证明了经过UVA筛选特征变量后得到模型稳健性很好,通过RMSEC和RMSEP可以看出经过UVA筛选特征变量后的模型预测精度较高,误差较小。
表4:
同样以菜籽油为例进一步进行分析,对SVR训练结果和预测结果进行展示,得到结果分别如图7(a)和图7(b)所示。结合表4和图7(a)、图7(b)可以看出,基于谱峰分解信息进一步UVA筛选变量后,更有利于提高模型的稳健性与预测能力,提高了食用油中反式脂肪酸含量的预测精度。
Claims (9)
1.一种食用油反式脂肪酸的检测方法,其特征在于,该方法包括以下步骤:
1)获取待测食用油的拉曼光谱数据,并对获取的待测食用油拉曼光谱数据进行预处理;
2)确定预处理后待测食用油拉曼光谱数据的峰位,对预处理后待测食用油拉曼光谱数据进行峰位拟合,得到新的拉曼光谱数据;并基于谱峰分解法提取新的拉曼光谱数据的特征,提取出的拉曼光谱特征包括波峰、波谷和峰面积;
3)将获取的拉曼光谱特征作为模型变量输入反式脂肪酸分类模型和/或反式脂肪酸含量预测模型中,得到食用油反式脂肪酸的分类结果和/或反式脂肪酸含量的预测结果,其中,反式脂肪酸分类模型为经过训练的FDA模型,反式脂肪酸含量预测模型为经过训练的机器学习模型,反式脂肪酸分类模型是由基于已知反式脂肪酸所属类别的食用油及其对应拉曼光谱特征训练得到,反式脂肪酸含量预测模型是由已知反式脂肪酸含量的食用油及其对应的拉曼光谱特征训练得到。
2.根据权利要求1所述的食用油反式脂肪酸的检测方法,其特征在于,所述步骤1)中预处理包括采用多项式迭代拟合基线矫正方法进行的拉曼光谱荧光背景去除。
3.根据权利要求1或2所述的食用油反式脂肪酸的检测方法,其特征在于,所述步骤1)中预处理还包括采用标准正态变量变换进行的拉曼光谱降噪处理。
4.根据权利要求1所述的食用油反式脂肪酸的检测方法,其特征在于,所述步骤2)还包括对提取出的拉曼光谱特征采用无信息变量消除法进行筛选的步骤。
5.根据权利要求1或4所述的食用油反式脂肪酸的检测方法,其特征在于,所述步骤2)中拉曼光谱特征提取过程为:通过自动寻峰算法得到拉曼光谱特征峰的波峰与波谷,并采用积分算法得到每一个特征峰的峰面积。
7.根据权利要求1所述的食用油反式脂肪酸的检测方法,其特征在于,所述步骤2)中在基于谱峰分解法提取特征时需进行峰位拟合,拟合过程为:
A.选取预处理后待测食用油拉曼光谱数据的目标峰位拟合区间;
B.设定强度阈值与间隔阈值,在目标峰位拟合区间内根据所述阈值进行峰位标定,得到标定后的拉曼光谱峰位;
C.采用峰形函数对标定后的拉曼光谱峰位进行拟合。
8.根据权利要求7所述的食用油反式脂肪酸的检测方法,其特征在于,所述步骤C中的峰形函数为高斯-洛伦兹混合函数。
9.根据权利要求1所述的食用油反式脂肪酸的检测方法,其特征在于,所述的机器学习模型为支持向量机回归模型,该支持向量机回归模型采用的核函数为径向基核函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111539258.5A CN114216893A (zh) | 2021-12-15 | 2021-12-15 | 一种食用油反式脂肪酸的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111539258.5A CN114216893A (zh) | 2021-12-15 | 2021-12-15 | 一种食用油反式脂肪酸的检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114216893A true CN114216893A (zh) | 2022-03-22 |
Family
ID=80702806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111539258.5A Pending CN114216893A (zh) | 2021-12-15 | 2021-12-15 | 一种食用油反式脂肪酸的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114216893A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024061126A1 (zh) * | 2022-09-23 | 2024-03-28 | 北京蓝晶微生物科技有限公司 | 聚羟基脂肪酸酯含量的检测方法、装置、系统、设备 |
-
2021
- 2021-12-15 CN CN202111539258.5A patent/CN114216893A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024061126A1 (zh) * | 2022-09-23 | 2024-03-28 | 北京蓝晶微生物科技有限公司 | 聚羟基脂肪酸酯含量的检测方法、装置、系统、设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Review of NIR spectroscopy methods for nondestructive quality analysis of oilseeds and edible oils | |
Sun et al. | NIRS prediction of dry matter content of single olive fruit with consideration of variable sorting for normalisation pre-treatment | |
Quiñones-Islas et al. | Detection of adulterants in avocado oil by Mid-FTIR spectroscopy and multivariate analysis | |
Zhu et al. | Determination of soybean routine quality parameters using near‐infrared spectroscopy | |
da Silva Medeiros et al. | Assessment oil composition and species discrimination of Brassicas seeds based on hyperspectral imaging and portable near infrared (NIR) spectroscopy tools and chemometrics | |
Moscetti et al. | Near-infrared spectroscopy for detection of hailstorm damage on olive fruit | |
US20180052144A1 (en) | Method And Technique For Verification Of Olive Oil Composition | |
Nenadis et al. | Perspective of vibrational spectroscopy analytical methods in on‐field/official control of olives and virgin olive oil | |
EP2525213A1 (en) | Spectroscopic apparatus and methods for determining components present in a sample | |
Chen et al. | Determination of the degree of degradation of frying rapeseed oil using fourier‐transform infrared spectroscopy combined with partial least‐squares regression | |
JPWO2009038206A1 (ja) | 可視光線・近赤外線分光分析法及びブドウ醸造方法 | |
Wang et al. | Study on starch content detection and visualization of potato based on hyperspectral imaging | |
CN108362659B (zh) | 基于多源光谱并联融合的食用油种类快速鉴别方法 | |
Yuan et al. | Non-invasive measurements of ‘Yunhe’pears by vis-NIRS technology coupled with deviation fusion modeling approach | |
Xu et al. | Factors influencing near infrared spectroscopy analysis of agro-products: a review | |
Piazzolla et al. | Spectra evolution over on-vine holding of Italia table grapes: prediction of maturity and discrimination for harvest times using a Vis-NIR hyperspectral device | |
Lu et al. | Fluorescence hyperspectral image technique coupled with HSI method to predict solanine content of potatoes | |
Tugnolo et al. | A diagnostic visible/near infrared tool for a fully automated olive ripeness evaluation in a view of a simplified optical system | |
Sun et al. | Non-destructive detection of blackheart and soluble solids content of intact pear by online NIR spectroscopy | |
Lu et al. | Hyperspectral imaging with machine learning to differentiate cultivars, growth stages, flowers, and leaves of industrial hemp (Cannabis sativa L.) | |
CN114216893A (zh) | 一种食用油反式脂肪酸的检测方法 | |
Zhang et al. | Vis/NIR reflectance spectroscopy for hybrid rice variety identification and chlorophyll content evaluation for different nitrogen fertilizer levels | |
Barthet et al. | Rapid nondestructive analysis of intact canola seeds using a handheld near‐infrared spectrometer | |
Wei et al. | Identification of soybean origin by terahertz spectroscopy and chemometrics | |
Hao et al. | Study on robust model construction method of multi-batch fruit online sorting by near-infrared spectroscopy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |