上海理工大学王欣教学等：基于低场核磁弛豫特质的油茶籽油
发布日期：2025-01-13 16:00 点击次数：138
来源：食物科学网
油茶籽油（CAO）富含VE、植物甾醇、角鲨烯、多酚等多种自然抗氧化剂和活性物资，有“东方橄榄油”之称。由于CAO的市集价钱相对较高，导致市集上作恶商贩用廉价食用植物油掺伪CAO冒充纯CAO出售。行为一种新兴的无损快速检测时代，低场核磁共振（LF-NMR）分析时代在食用油品性分析限制应用粗俗。复旧向量机（SVM）是一种基于结构风险最小化和统计学习表面的机器学习模子。SVM不仅具有细致的泛化才智，且有用幸免了传统分类算法中过学习、维数不幸、局部极小化等缺点，因而在小样分内类中获取粗俗应用。
上海理工大学健康科学与工程学院的林晓浪、傅利斌、王欣*等将LF-NMR检测时代与SVM分析表情相策划，在对CAO、几种日常/氧化植物油及多种二元掺兑油样进行LF-NMR弛豫特质扣问及主因素分析（PCA）的基础上，以ReliefF算法进行特征筛选，减少数据冗余；基于LF-NMR弛豫特征和PCA设想SVM分类器，以末端更高效、更智能的CAO掺伪鉴别。扣问可为LF-NMR策划化学计量学表情应用于CAO保真检测提供参考。
张开剩余89%1 不同油样的LF-NMR弛豫特质
1.1 CAO的LF-NMR图谱
图2A标明，各品牌CAO的T2衰减弧线险些磋议，均以最大信号幅度（6 275.95±111.41）运转衰减并在1 300 ms独揽衰减填塞。图2B中，CAO的单组分图谱（T2W）散布在106.55～112.35 ms，各异较小，图2C的多组分弛豫图谱均呈典型双峰散布，其中，T21峰位于5.13～15.69 ms，T22峰位于31.23～449.57 ms。各品牌的LFNMR特质相符度较高，这是由于食用油的LF-NMR弛豫特质与其脂肪酸碳链长度和主要脂肪酸含量密切相关，这有助于后续与其他植物油及掺伪样品鉴识。
1.2 氧化/日常植物油的LF-NMR图谱
图3A标明，OxiCOO衰延缓率最快，着手衰减填塞；SUO的衰延缓率最小，衰减填塞所需时刻最长；其余样品均介于SUO和OxiCOO之间，从上往下顺序是SOO、OxiSUO、COO、OxiSOO、CAO。图3B的单组分弛豫图谱也标明，SUO的T2W（143.14 ms）最大，而OxiCOO的T2W（104.26 ms）最小，其他油样的T2W介于SUO和OxiCOO之间。图3C则标明，CAO的多组分图谱与其他6 种油各异显著，CAO只消T21和T22峰，而其余6 个油样均出现3 个弛豫峰，且与日常油样比拟，氧化油样的弛豫峰显著左移。以上成果标明不同油样的弛豫特质具有一定死别。
1.3 油样LF-NMR弛豫特质的PCA
对7 种氧化/日常植物油的LF-NMR弛豫特质进行PCA，PC1、PC2孝敬率分别为82.16%和12.94%，累计孝敬率为95.10%，标明这两个PC仍是涵盖了原始数据的绝大部分信息，PCA散布如图4所示。CAO聚拢散布在图的左下方，其他6 个油样则散布在图的右侧，且具有一定各异，举例OxiCOO散布在图右上侧位置、OxiSUO散布在图的最右侧。PCA成果标明，基于样品的LF-NMR索要的特征值不错有用鉴识CAO和其他植物油及氧化油脂。
2 二元掺兑油样的LF-NMR弛豫特质
2.1 LF-NMR图谱
本扣问共对6 个二元掺兑体系进行LF-NMR分析，以CAO+SOO的弛豫特质为例对衰减弧线、单/多组分弛豫图谱进行分析（图5）。图5A标明，CAO的衰减弧线（红色）位于最下方，而SOO的T2衰减弧线位于最上方（蓝色），掺兑比例为10%～90%的CAO+SOO样品则介于二者之间。图5B的单组分图谱中，随二元体系中SOO比例的加多，样品的T2W增大，趋近于SOO。多组分弛豫图谱（图5C）中，掺兑比例为0%～20%时，样品仍发达为与CAO雷同的双峰结构，当掺兑比例为30%～100%时，则发达为三峰结构，出现新的T23峰。
图6为其余5 个掺兑体系的多组分弛豫图谱。不错发现，跟着其他油样掺兑比例的加多，样品均会出现T23峰，但这与各体系的掺兑比例密切相关。举例，当SUO比例在10%及以上时，CAO+SUO体系的多组分弛豫图谱发达为三峰结构，而COO掺兑比例在40%及以上时呈现三峰结构；对氧化油样掺兑的样品而言，当OxiCOO掺兑比例在80%及以上时，CAO+OxiCOO体系的多组分弛豫图谱发达为三峰结构，而OxiSOO、OxiSUO掺兑比例分别在50%、40%及以上时样品的多组分弛豫图谱呈三峰结构。此外，跟着掺兑比例的加多，3 个二元氧化掺兑体系的多组分弛豫图谱散布均相对左移。
2.2 二元掺兑油样LF-NMR弛豫特质的PCA
进一步对二元掺兑油样LF-NMR弛豫特质进行PCA，发现PC1、PC2的孝敬率分别为76.36%、11.77%，累计孝敬率为88.13%，以样品的PC1、PC2得分绘画（图7）。图7A标明，样品散布可分为独揽两部分，左侧样本为CAO和仅有T21、T22两个峰的掺兑油样，右侧样本则为存在T23峰的掺兑油样，这标明T23峰的存在不错行为判别CAO掺假的信息之一。进一步分别对独揽两侧油样进行PCA，成果如图7B、C所示。图7B中，CAO与掺兑氧化油样（OxiCOO、OxiSOO、OxiSUO）可显著鉴识，但当掺兑较低比例（10%～20%）的COO、SOO时，PCA散布仍有一定搀和。图7C标明，掺兑SUO的油样主要散布在左上部分，而掺兑OxiSOO、OxiSUO的油样主要散布在右下部分。
3 SVM二叉树结构设想
合理的结构设想能有用镌汰SVM多分类进程中的“邪恶累计”，普及模子的分类精度。基于对各油样的LF-NMR弛豫特质的比较及PCA的成果设想CAO掺兑识别的SVM二叉树结构分类器，图8中的SVM二叉树分类器由13 个二分类SVM构成，最初通过核函数K1（x1,x2）构建二分类器可末端CAO和掺兑样品的鉴识。再基于是否存在T23峰这一显贵特征，以核函数K2（x1,x2）构建二分类器，初步末端低比例和高比例掺兑的鉴识。随后，分别以核函数K3（x1,x2）～K13（x1,x2）构建多个二分类顺序末端不同掺兑类型、掺兑比例的鉴识。最终形成的分类标签如图8的系数叶子节点所示（灰色标志部分），推断14 个分类标签，涵盖CAO、掺兑油类型、掺兑比例信息。
4 ReliefF特征数取舍
诈欺ReliefF去除无谓要的特征有助于普及模子的分类准确率。以ReliefF算法野心锻真金不怕火聚拢16 个LFNMR弛豫特征信息对最终分类标签的紧迫性并列序，成果如图9所示。权重不错反馈特征与分类标签之间的相关性。图9标明，TS23权重最大（0.43），诠释其在油样的分类中阐明紧迫作用，而TP21权重最小（0.02），诠释其对样本鉴识的孝敬最小。此外，权重排序前3的特征信息（TS23、TE23、TP23）均与T23峰相关，且7 个分类标签（图8旅途a）中均存在T23峰，诠释T23峰弛豫特征的存在有助于CAO掺兑样本的鉴识。而权重排序的后3 位（TP21、TS21、TE21）均与T21峰相关，诠释该弛豫峰在油样分类中的作用相对较小。
为了细则SVM模子的最优特征数，依照特征权重从大到小的法例，缓缓加多特征个数并锻真金不怕火SVM多分类模子，分别野心模子锻真金不怕火集和考证集的分类准确率，成果如图10所示。跟着特征数的加多，SVM模子在锻真金不怕火集和考证聚拢的分类准确率有一定各异。在锻真金不怕火聚拢，跟着特征数的加多，分类准确率逐步普及，当特征数为10时，锻真金不怕火集分类准确率最高（92.56%）。连续加多特征数时，分类准确率的变化不显著。在考证聚拢，跟着特征数的加多，分类准确率亦呈上涨趋势，并在特征数为9时达到最大（90.77%）。但连续加多特征数时，分类准确率呈下跌趋势，并在特征数为16时降至82.05%。诠释特征数从1逐步加多到9时，涵盖的样本有用信息更为丰富，有助于不同油样的鉴识，模子的分类准确率加多。但过多的特征数则会引入冗余特征，加多模子复杂度，导致模子的过拟合。综上，特征数为9时，考证集分类准确率最高，模子险些不存在过拟合。因此，最终保留前9 个LF-NMR弛豫特征进行SVM模子的构建。
5 最优SVM模子分类成果
以考证集对SVM分类模子的性能进行测试，成果如图11所示。在CAO的检测识别中，仅有2 个CAO样本被失误分类为低掺兑比例的CAO+SOO（10%～20%），180 个掺假样品均被准确识别，全体分类准确率达到了98.97%（193/195）。这是因为在低比例的掺兑下，含量较高的CAO对LF-NMR弛豫特质影响较大，从而形成了分类贵重，在Shi Ting等基于核磁共振波谱进行CAO分析时相通也发现当掺兑比例低于20%时CAO+SOO与CAO鉴识贵重。
在掺兑类型和比例的识别中，模子分类准确率为90.77%（177/195），存在16 个样本被失误分类，举例3 个CAO+SUO（50%～100%）被失误识别成CAO+COO（40%～100%）。这与孙婷婷等基于脂肪酸和甘油三酯进行掺兑类型的检测时不雅察到的不同掺兑类型之间的失误分类相似。掺兑类型失误分类的样品的脂肪酸构成较为相似，这使其LF-NMR弛豫特质接近，故难以鉴识。
6 模子检测精度分析
进一步就SVM模子对CAO及6 种二元掺兑体系的分类精度进行评估。分别将不同类别及掺兑比例油样视为阳性（正类）样本，其他油样视为阴性（负类）样本，野心调回率、精准率、F1分数，成果如表2所示。
由表2可知，CAO的调回率为86.67%，精准率为100%，F1分数为0.93，各掺兑类型及掺兑比例样本的平均调回率为90.87%、平均精准率为90.83%、平均F1分数为0.90。但不同掺兑类型及比例的检出精度有一定各异。举例，当COO掺兑比例为10%～30%、OxiCOO掺兑比例为80%～100%、OxiSOO掺兑比例为50%～100%、OxiSUO掺兑比例为40%～100%时，SVM模子的检出精度最高，调回率和精准率均达到100%，F1分数均为1.00。而当OxiSUO掺兑比例在10%～30%时，调回率和F1分数最低，分别为66.67%和0.75，当OxiSOO掺兑比例在10%～40%时，精准率最低，为73.33%。总体而言，模子具有较高的检测精度。
比拟之下，本扣问提议的基于LF-NMR弛豫特征的SVM CAO检测表情，不需要复杂的样品接续、检测速率快、操作绵薄且检测精度较高，约略知足及时检测需求。
论断
本扣问开采了基于LF-NMR弛豫特质的CAO SVM掺伪鉴别模子，并对模子的性能进行了评价。在对日常/氧化的CAO、其他种类的植物油及多种二元掺兑油样的LF-NMR弛豫特质比较及PCA的基础上，设想了CAO掺兑识别的SVM二叉树结构分类器，并选拔ReliefF算法进行特征筛选，发现当特征数为9时，SVM多分类模子的性能最好，准确率为90.77%，对CAO、掺兑类型及比例的平均调回率为90.87%、精准率为90.83%、F1分数为0.90，具有较高的分类性能。本扣问可为诈欺LF-NMR弛豫特质进行CAO的保真决然和掺兑检测提供时代依据。
发布于：北京市