CN114428061A - 一种基于紫外-可见-近红外光谱预测蕨菜中总多糖含量的方法 - Google Patents
一种基于紫外-可见-近红外光谱预测蕨菜中总多糖含量的方法 Download PDFInfo
- Publication number
- CN114428061A CN114428061A CN202111542103.7A CN202111542103A CN114428061A CN 114428061 A CN114428061 A CN 114428061A CN 202111542103 A CN202111542103 A CN 202111542103A CN 114428061 A CN114428061 A CN 114428061A
- Authority
- CN
- China
- Prior art keywords
- bracken
- visible
- ultraviolet
- fiddlehead
- sample
- 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
- 238000000034 method Methods 0.000 title claims abstract description 88
- 150000004676 glycans Chemical class 0.000 title claims abstract description 66
- 229920001282 polysaccharide Polymers 0.000 title claims abstract description 66
- 239000005017 polysaccharide Substances 0.000 title claims abstract description 66
- 238000000584 ultraviolet--visible--near infrared spectrum Methods 0.000 title claims abstract description 10
- 240000005893 Pteridium aquilinum Species 0.000 claims abstract description 72
- 235000009936 Pteridium aquilinum Nutrition 0.000 claims abstract description 72
- 239000000843 powder Substances 0.000 claims abstract description 35
- 230000003595 spectral effect Effects 0.000 claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000005259 measurement Methods 0.000 claims abstract description 7
- 241001290564 Fimbristylis Species 0.000 claims abstract description 4
- 238000001228 spectrum Methods 0.000 claims description 28
- 238000012937 correction Methods 0.000 claims description 22
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 12
- 239000008103 glucose Substances 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 11
- 238000001392 ultraviolet--visible--near infrared spectroscopy Methods 0.000 claims description 9
- 238000002835 absorbance Methods 0.000 claims description 8
- 238000001035 drying Methods 0.000 claims description 8
- MYKOKMFESWKQRX-UHFFFAOYSA-N 10h-anthracen-9-one;sulfuric acid Chemical compound OS(O)(=O)=O.C1=CC=C2C(=O)C3=CC=CC=C3CC2=C1 MYKOKMFESWKQRX-UHFFFAOYSA-N 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000004737 colorimetric analysis Methods 0.000 claims description 4
- 238000009833 condensation Methods 0.000 claims description 4
- 230000005494 condensation Effects 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 4
- 239000012153 distilled water Substances 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 239000000706 filtrate Substances 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 125000002791 glucosyl group Chemical group C1([C@H](O)[C@@H](O)[C@H](O)[C@H](O1)CO)* 0.000 claims description 4
- 239000012535 impurity Substances 0.000 claims description 4
- 239000007788 liquid Substances 0.000 claims description 4
- 238000002156 mixing Methods 0.000 claims description 4
- 239000010453 quartz Substances 0.000 claims description 4
- 238000010992 reflux Methods 0.000 claims description 4
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000005303 weighing Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 239000002994 raw material Substances 0.000 claims description 2
- 238000004468 VIS-NIR spectroscopy Methods 0.000 claims 1
- 238000004445 quantitative analysis Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000013441 quality evaluation Methods 0.000 abstract 1
- 238000010606 normalization Methods 0.000 description 9
- 238000011160 research Methods 0.000 description 9
- 238000002203 pretreatment Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 235000013311 vegetables Nutrition 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 238000004497 NIR spectroscopy Methods 0.000 description 2
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 238000007873 sieving Methods 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 241001332107 Ottelia acuminata Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229930003935 flavonoid Natural products 0.000 description 1
- 150000002215 flavonoids Chemical class 0.000 description 1
- 235000017173 flavonoids Nutrition 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229930014626 natural product Natural products 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000144 pharmacologic effect Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002137 ultrasound extraction Methods 0.000 description 1
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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/33—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using ultraviolet light
-
- 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (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 Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开一种基于紫外‑可见‑近红外光谱预测蕨菜中总多糖含量的方法，涉及蕨菜品质检测技术领域，包括以下步骤：(1)采用紫外可见近红外分光光度仪多次采集蕨菜粉末样品的紫外‑可见‑短波近红外光谱图，所述紫外可见近红外分光光度仪的测定范围200～1100nm；(2)光谱数据预处理：采用一阶导数法对光谱数据进行预处理；(3)波长变量筛选；(4)蕨菜总多糖含量预测。本发明的有益效果在于：本发明以蕨菜样品的检查方法为采集蕨菜样品的紫外‑可见‑短波近红外光谱数据，导入定量分析模型中，预测其总多糖含量。该方法实现了蕨菜中总多糖含量的快速无损检测，可为蕨菜质量评价进行快速检测。
Description
技术领域
本发明涉及蕨菜品质检测技术领域，具体涉及一种基于紫外-可见-近红外光谱预测蕨菜中总多糖含量的方法。
背景技术
蕨菜是孢子植物，又名龙爪菜、如意菜、拳头菜等。其生长于山林野地，少受污染，食用鲜美，口感脆爽，蕨的根茎或全草均可入药，具有较高的药用价值，近年来已成为深受人们喜爱的山野菜。
蕨菜营养成分丰富，富含黄酮类、多糖、蛋白质等，总多糖含量作为蕨菜及其产品质量评价的重要指标之一，但蕨菜多糖的研究相对较少，开展蕨菜中总多糖成分的研究对蕨菜资源深度开发具有重要意义。传统的测定蕨菜中总多糖含量的方法主要采用蒽酮-硫酸比色法(郝经文,陈林霖,司华阳,等.蕨菜多糖超声波辅助提取及其药理活性初步研究[J].天然产物研究与开发,2019,031(006):957-963.)，苯酚-硫酸比色法(夏海涛,刘玉芬,王蓉,等.花果山野生蕨菜多糖和黄酮的提取及含量测定[J].食品科学,2010(24):124-127.)，这两种化学检测方法提取时间较长，对检验人员专业技术要求高，需要使用浓硫酸有一定安全风险，已难以满足蕨菜产业化生产快速检测需求，因此亟需构建一种快速，绿色，操作简便的蕨菜中总多糖含量测定方法。
紫外-可见-短波近红外光谱(UV-visible-shortwave near infrared diffusereflectance spectroscopy，UV-Vis-SWNIR-DRS)作为一种快速、无损分析技术，具有简便快捷、节省费用等特点，虽然在土壤、癌症原位诊断、中药鉴别等方面应用，然而鲜有在植物粉末样品中化学成分检测的研究及应用报道。且紫外-可见-短波近红外光谱与近红外或中红外光谱比较，光谱信息除分子的振动，能反应样品中电子的变化，光谱数据更加丰富。该技术在定量检测方面的研究较少。因为在检测过程中会遇到光谱信息复杂，所定量成分与光谱信息相关性不强，无关波长变量对模型准确性干扰的问题。
发明内容
本发明所要解决的技术问题在于提供一种基于紫外-可见-近红外光谱预测蕨菜中总多糖含量的方法。
本发明通过以下技术手段实现解决上述技术问题：
一种基于紫外-可见-近红外光谱预测蕨菜中总多糖含量的方法，包括以下步骤：
(1)采用紫外可见近红外分光光度仪多次采集蕨菜粉末样品的紫外-可见-短波近红外光谱图，所述紫外可见近红外分光光度仪的测定范围200～1100nm；
(2)光谱数据预处理：采用一阶导数法对光谱数据进行预处理；
(3)波长变量筛选：筛选388～566nm、744～833nm、1011～1100nm三个波段为建立PLS模型的有效波长；
(4)蕨菜总多糖含量预测：将步骤(3)中的波长变量与蕨菜样品的总多糖含量结合，通过偏最小二乘方法建立波长变量与蕨菜样品的总多糖含量的定量模型，根据定量模型对蕨菜总多糖含量进行预测。
有益效果：本发明首次将紫外-可见-近红外光谱技术应用在蕨菜中总多糖成分的快速定量分析研究，并采用同一样品多次采集和光谱预处理的方法，可有效减少人工取样误差以及光谱噪音对紫外-可见-短波近红外光谱图的影响；所构建的蕨菜中总多糖含量定量模型可对蕨菜样品中总多糖含量进行快速预测。
检测过程中光谱信息复杂，定量成分与光谱信息相关性不强，无关波长变量对模型准确性干扰，本发明通过光谱数据预处理和波长变量进行筛选提高定量模型的准确性，且实验结果表明，通过这两种方法可以有效提高模型准确性。
优选地，所述蕨菜粉末样品的制备方法包括以下步骤：对新鲜蕨菜样品进行挑拣、清洗除杂，切段60℃烘干，收集60-100目之间的粉末。
优选地，所述蕨菜粉末样品保存在密闭干燥条件下。
有益效果：蕨菜粉末样品处理方式一致，可以减少样品差异，蕨菜粉末样品经烘干以满足检测要求，保存在密闭干燥条件下以保证蕨菜样品的稳定性。
优选地，所述蕨菜样品采集自不同产地、不同时期。
有益效果：扩大样品范围，从而扩大模型适用范围。
优选地，所述蕨菜粉末样品的总多糖含量范围为2.30％～7.592％。
优选地，所述步骤(1)中光谱采集包括以下步骤：
(a)将蕨菜粉末样品按4:2:1的比例分成校正集样品、预测集样品和完全外部验证样品；
(b)将蕨菜粉末样品置于紫外-可见-近红外光谱仪配备的石英单反射附件样品池中，设置日立紫外可见近红外分光光度仪的测定范围200～1100nm，设置日立紫外可见近红外分光光度仪的扫描次数为32次，分辨率为4.0nm，同一样品反复采集6次，获得原始光谱数据。
优选地，利用建立的定量模型对预测集样品的总多糖含量进行验证，使用完全外部验证样品进行外部验证。
有益效果：经过验证本发明可为蕨菜总多糖含量的测定研究提供可靠方法。
优选地，所述步骤(2)中光谱预处理包括以下步骤：对同一蕨菜粉末样品采集的紫外-可见-短波近红外光谱图进行基线校正和平均谱图计算，得到平均谱图消除因人工取样误差导致的谱图，再将平均谱移动平均15点平滑法消除检测环境导致的光谱噪声，最后运用一阶导数法对光谱数据进行处理。
有益效果：比较了8种光谱预处理方法，消除常数变量偏移法、最大-最小归一化法、矢量归一化法、多元散射校正法、一阶导数法、二阶导数法、多元散射校正加一阶导数法、矢量归一化加一阶导数法进行预处理方法的筛选，通过比较PLS模型校正集的R2值，校正集均方根误差RMSECV值，得到一阶导数法处理后的最佳光谱预处理数据。
优选地，所述步骤(4)中蕨菜样品总多糖含量的检测方法包括以下步骤：
(a)称取蕨菜粉末样品，按料液比＝1：15，加入蒸馏水，95℃条件下，冷凝回流提取，过滤收集滤液，滤渣提取，合并提取液置于容量瓶中，备用；
(b)采用蒽酮-硫酸比色法，测定蕨菜中总多糖含量，以葡萄糖为标准品于620nm波长下测定吸光度，得出葡萄糖的标准曲线方程为Y＝50.029X-0.0035，R2＝0.999，其中X为葡萄糖浓度mg/mL，Y为吸光度A。
优选地，所述紫外-可见-近红外分光光度仪为日立紫外可见近红外分光光度仪UH4150。
本发明的优点在于：本发明首次将紫外-可见-近红外光谱技术应用在蕨菜中总多糖成分的快速定量分析研究，并采用同一样品多次采集和光谱预处理的方法，可有效减少人工取样误差以及光谱噪音对紫外-可见-短波近红外光谱图的影响；所构建的蕨菜中总多糖含量定量模型可对蕨菜样品中总多糖含量进行快速预测。
检测过程中光谱信息复杂，定量成分与光谱信息相关性不强，无关波长变量对模型准确性干扰，本发明通过光谱数据预处理和波长变量进行筛选提高定量模型的准确性，且实验结果表明，通过这两种方法可以有效提高模型准确性。
蕨菜粉末样品处理方式一致，可以减少样品差异，蕨菜粉末样品经烘干以满足检测要求，保存在密闭干燥条件下以保证蕨菜样品的稳定性。
蕨菜样品采集自不同产地、不同时期，可以扩大样品范围，提高检测结果的准确性。
经过验证本发明可为蕨菜总多糖含量的测定研究提供可靠方法。
附图说明
图1为本发明实施例中基于紫外-可见-短波近红外光谱技术结合化学计量学分析方法构建蕨菜中总多糖含量的定量分析方法的流程图；
图2为本发明实施例中若干份蕨菜样品的原始紫外-可见-短波近红外光谱图；
图3为本发明实施例中若干份蕨菜样品的一阶导数法预处理光谱图；
图4为本发明实施例中蕨菜样品总多糖定量分析模型预测效果图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下述实施例中所用的试验材料和试剂等，如无特殊说明，均可从商业途径获得。
实施例中未注明具体技术或条件者，均可以按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。
所使用日立紫外可见近红外分光光度仪(UH4150)配备石英石单反射附件的样品池。
步骤一、蕨菜样品的采集。在不同产地、不同时期收集蕨菜样品。蕨菜样品的数量要足够，提高建立模型的适应性。
步骤二、蕨菜粉末样品的制备。将收集新鲜蕨菜样品分成14组，每组10份样品，进行挑拣，清洗除杂，切段60℃烘干，粉碎过筛，收集60目-100目之间的粉末，干燥密封保存备用。
步骤三、将步骤一中制得的140份蕨菜样品，分为校正集样品80份、预测集样品40份和完全外部验证集样品20份，使用日立紫外可见近红外分光光度仪采集各蕨菜样品的光谱数据。在光谱数据采集前应先将日立紫外可见近红外分光光度仪开启，预热0.5h，同时每次检测样品时要使用中性氧化铝粉末作为空白对照消除检测环境导致的光谱噪声。
步骤四、光谱采集的过程如下：将蕨菜粉末样品置于紫外可见近红外分光光度仪配备的石英石单反射附件样品池中，设置日立紫外可见近红外分光光度仪的测定范围200～1100nm，设置日立紫外可见近红外分光光度仪的扫描次数为32次，分辨率为4.0nm，同一样品反复采集6次，获得原始光谱数据。
步骤五、准确称取蕨菜干粉2.0g，按料液比＝1：15，加入30mL蒸馏水，95℃条件下，冷凝回流提取2h/次，过滤收集滤液，滤渣提取2次，合并提取液置于容量瓶中，备用。采用蒽酮-硫酸比色法，测定蕨菜中总多糖含量。以葡萄糖为标准品于620nm波长下测定吸光度，得出葡萄糖的标准曲线方程为Y＝50.029X-0.0035，R2＝0.999。(X为葡萄糖浓度mg/mL，Y为吸光度A)。
步骤六、光谱预处理：对所述同一蕨菜样品采集的6次紫外-可见-短波近红外光谱原始谱图进行基线校正和平均谱图计算，获得其平均谱消除因人工取样误差导致的数据差异。
运用8种光谱预处理方法：消除常数变量偏移法、最大-最小归一化法、矢量归一化法、多元散射校正法、一阶导数法、二阶导数法、多元散射校正加一阶导数法、矢量归一化加一阶导数法结合偏最小二乘算法(PLS)进行预处理方法的筛选。
通过比较PLS模型校正集的R2值，交叉验证均方根误差RMSECV值，得到使用一阶导数法的光谱预处理方法获得较高的R2值0.6618，最小的RMSECV值为0.765，并得到一阶导数法预处理后蕨菜样品的紫外-可见-短波近红外光谱图。
使用OPUS 7.5软件优化建模波长与PLS算法构建模型，优化后的波长为388～566nm、744～833nm、1011～1100nm，3个波段，获得较高的R2值0.7430，最小的RMSECV值0.667％。
步骤七、蕨菜中总多糖含量校正模型的建立：通过偏最小二乘法建立80份校正集样品的光谱特征变量与总多糖含量之间的定量模型。所得获得模型校正集的相关系数为0.9066，均方根误差0.421％。
步骤八、蕨菜中总多糖含量校正模型的验证：利用该定量模型对40份预测集蕨菜样品中总多糖含量进行验证，另外使用20份蕨菜样品进行完全外部检验。预测集的相关系数为0.7834，均方根误差为0.639％，另外使用20份蕨菜样品进行完全外部检验，误差在-1.33％～1.125％。该方法可为蕨菜中总多糖含量的测定研究提供可靠方法。
实施例
基于紫外-可见-近红外光谱预测蕨菜中总多糖含量的方法，具体包括以下步骤：
1、蕨菜样品的采集
在不同产地、不同时期收集蕨菜样品，以扩大模型适应范围。
2、蕨菜粉末样品的制备
收集新鲜蕨菜样品14组，每组10份样品，进行挑拣，清洗除杂，切段60℃烘干，粉碎过筛，收集60目-100目之间的粉末，干燥密封保存备用。
3、原始光谱的采集
在样品采集前应先将日立紫外可见近红外分光光度仪开启，预热0.5h，每次检测样品时要使用中性氧化铝粉末作为空白对照消除检测环境导致的光谱噪声。将上一步得140份蕨菜样品，分为校正集样品80份、预测集样品40份和完全外部验证集20份，使用日立紫外可见近红外分光光度仪(UH4150)采集各蕨菜样品的紫外-可见-短波近红外光谱图。设置日立紫外可见近红外分光光度仪的测定范围200～1100nm，设置日立紫外可见近红外分光光度仪的扫描次数为32次，分辨率为4.0nm，同一样品反复采集6次，获得原始光谱数据，如图2所示。
4、蕨菜样品总多糖含量测定
使用蒽酮-硫酸比法，测定蕨菜中总多糖含量。准确称取蕨菜干粉2.0g，按料液比＝1：15，加入30mL蒸馏水，95℃条件下，冷凝回流提取2h/次，过滤收集滤液，滤渣提取2次，合并提取液置于容量瓶中，备用。采用蒽酮-硫酸比色法，测定蕨菜中总多糖含量。以葡萄糖为标准品于620nm波长下测定吸光度，得出葡萄糖的标准曲线方程为Y＝50.029X-0.0035，R2＝0.999。(X为葡萄糖浓度mg/mL，Y为吸光度A)。
5、光谱预处理
对所述同一蕨菜样品采集的6次紫外-可见-短波近红外光谱原始谱图进行基线校正和平均谱图计算，获得其平均谱消除因人工取样误差导致的谱图。
运用8种光谱预处理方法：消除常数变量偏移法、最大-最小归一化法、矢量归一化法、多元散射校正法、一阶导数法、二阶导数法、多元散射校正加一阶导数法、矢量归一化加一阶导数法结合偏最小二乘算法进行预处理方法的筛选。
通过比较PLS模型的R2值和交叉验证均方根误差值RMSECV，得到使用一阶导数法的光谱预处理方法获得较高的R2值0.6618，最小的RMSECV值为0.765，并得到一阶导数法的光谱预处理后蕨菜样品的紫外-可见-短波近红外光谱图，如图3所示。
表1为光谱预处理方法分析结果
6、波长变量优化
在全部波长数据基础上，使用OPUS7.5软件对建模波长进行优化。
运用上述经优化，优化后的波长为388～566nm、744～833nm、1011～1100nm，3个波段，获得较高的R2值0.743，最小的RMSECV值0.667％。
表2为4种波长变量筛选方法处理结果
7、蕨菜中总多糖含量预测
根据所得蕨菜样品的紫外-可见-短波近红外光谱特征变量，采用定量模型预测蕨菜样品中总多糖含量；通过偏最小二乘法建立80份校正集样品的光谱特征变量与总多糖含量之间的定量模型，使用该定量模型对40份预测集样品的总多糖含量进行验证，另外使用20份样品进行完全外部检验。
获得模型校正集的相关系数为0.9066，均方根误差0.421％，预测集的相关系数为0.7834，均方根误差为0.639％，如图4，另外使用20份蕨菜样品进行完全外部检验，误差在-1.33％～1.125％。构建的方法可为蕨菜中总多糖含量测定研究提供可靠方法。
表3为完全外部验证比较分析表
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于紫外-可见-近红外光谱预测蕨菜中总多糖含量的方法，其特征在于：包括以下步骤：
(1)采用紫外可见近红外分光光度仪多次采集蕨菜粉末样品的紫外-可见-短波近红外光谱图，所述紫外可见近红外分光光度仪的测定范围200～1100nm；
(2)光谱数据预处理：采用一阶导数法对光谱数据进行预处理；
(3)波长变量筛选：筛选388～566nm、744～833nm、1011～1100nm三个波段为建立PLS模型的有效波长；
(4)蕨菜总多糖含量预测：将步骤(3)中的波长变量与蕨菜样品的总多糖含量结合，通过偏最小二乘方法建立波长变量与蕨菜样品的总多糖含量的定量模型，根据定量模型对蕨菜总多糖含量进行预测。
2.根据权利要求1所述的基于紫外-可见-近红外光谱预测蕨菜中总多糖含量的方法，其特征在于：所述蕨菜粉末样品的制备方法包括以下步骤：对新鲜蕨菜样品进行挑拣、清洗除杂，切段60℃烘干，收集60-100目之间的粉末。
3.根据权利要求1所述的基于紫外-可见-近红外光谱预测蕨菜中总多糖含量的方法，其特征在于：所述蕨菜粉末样品保存在密闭干燥条件下。
4.根据权利要求1所述的基于紫外-可见-近红外光谱预测蕨菜中总多糖含量的方法，其特征在于：所述蕨菜样品采集自不同产地、不同时期。
5.根据权利要求1所述的基于紫外-可见-近红外光谱预测蕨菜中总多糖含量的方法，其特征在于：所述蕨菜粉末样品的总多糖含量范围为2.30％～7.592％。
6.根据权利要求1所述的基于紫外-可见-近红外光谱预测蕨菜中总多糖含量的方法，其特征在于：所述步骤(1)中光谱采集包括以下步骤：
(a)将蕨菜粉末样品按4:2:1的比例分成校正集样品、预测集样品和完全外部验证样品；
(b)将蕨菜粉末样品置于紫外-可见-近红外光谱仪配备的石英单反射附件样品池中，设置日立紫外可见近红外分光光度仪的测定范围200～1100nm，设置日立紫外可见近红外分光光度仪的扫描次数为32次，分辨率为4.0nm，同一样品反复采集6次，获得原始光谱数据。
7.根据权利要求6所述的基于紫外-可见-近红外光谱预测蕨菜中总多糖含量的方法，其特征在于：利用建立的定量模型对预测集样品的总多糖含量进行验证，使用完全外部验证样品进行外部验证。
8.根据权利要求1所述的基于紫外-可见-近红外光谱预测蕨菜中总多糖含量的方法，其特征在于：所述步骤(2)中光谱预处理包括以下步骤：对同一蕨菜粉末样品采集的紫外-可见-短波近红外光谱图进行基线校正和平均谱图计算，得到平均谱图消除因人工取样误差导致的谱图，再将平均谱移动平均15点平滑法消除检测环境导致的光谱噪声，最后运用一阶导数法对光谱数据进行处理。
9.根据权利要求1所述的基于紫外-可见-近红外光谱预测蕨菜中总多糖含量的方法，其特征在于：所述步骤(4)中蕨菜样品总多糖含量的检测方法包括以下步骤：
(a)称取蕨菜粉末样品，按料液比＝1：15，加入蒸馏水，95℃条件下，冷凝回流提取，过滤收集滤液，滤渣提取，合并提取液置于容量瓶中，备用；
(b)采用蒽酮-硫酸比色法，测定蕨菜中总多糖含量，以葡萄糖为标准品于620nm波长下测定吸光度，得出葡萄糖的标准曲线方程为Y＝50.029X-0.0035，R2＝0.999，其中X为葡萄糖浓度mg/mL，Y为吸光度A。
10.根据权利要求1所述的基于紫外-可见-近红外光谱预测蕨菜中总多糖含量的方法，其特征在于：所述紫外可见近红外分光光度仪为日立紫外可见近红外分光光度仪UH4150。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111542103.7A CN114428061A (zh) | 2021-12-16 | 2021-12-16 | 一种基于紫外-可见-近红外光谱预测蕨菜中总多糖含量的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111542103.7A CN114428061A (zh) | 2021-12-16 | 2021-12-16 | 一种基于紫外-可见-近红外光谱预测蕨菜中总多糖含量的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114428061A true CN114428061A (zh) | 2022-05-03 |
Family
ID=81311971
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111542103.7A Pending CN114428061A (zh) | 2021-12-16 | 2021-12-16 | 一种基于紫外-可见-近红外光谱预测蕨菜中总多糖含量的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114428061A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101846617A (zh) * | 2009-12-29 | 2010-09-29 | 中国科学院地球化学研究所 | 一种基于光谱分析的培养基中蔗糖含量的无菌检测方法 |
| CN102879340A (zh) * | 2012-09-27 | 2013-01-16 | 江苏徐州甘薯研究中心 | 基于近红外光谱快速检测块根/茎类作物营养品质的方法 |
| CN106770019A (zh) * | 2017-03-01 | 2017-05-31 | 四川农业大学 | 一种多花黑麦草可溶性糖含量的测定方法 |
| CN106769927A (zh) * | 2016-12-05 | 2017-05-31 | 成都中医药大学 | 一种黄芪药材的质量检测方法 |
| US20170199952A1 (en) * | 2014-06-26 | 2017-07-13 | Jeju National University Industry-Academic Cooperation Foundation | Method of predicting sugar content and acidity of fruit using multivariate statistical analysis of ft-ir spectrum data |
| CN107314986A (zh) * | 2017-06-12 | 2017-11-03 | 华中农业大学 | 一种利用近红外光谱检测油菜茎秆可溶性糖含量的方法 |
| CN112595692A (zh) * | 2020-11-24 | 2021-04-02 | 南宁国拓生物科技有限公司 | 一种水果总糖含量预测模型的建立方法及水果总糖含量的预测方法 |
| CN112903844A (zh) * | 2021-01-19 | 2021-06-04 | 皖西学院 | 一种蕨菜中原蕨苷含量的检测方法 |
-
2021
- 2021-12-16 CN CN202111542103.7A patent/CN114428061A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101846617A (zh) * | 2009-12-29 | 2010-09-29 | 中国科学院地球化学研究所 | 一种基于光谱分析的培养基中蔗糖含量的无菌检测方法 |
| CN102879340A (zh) * | 2012-09-27 | 2013-01-16 | 江苏徐州甘薯研究中心 | 基于近红外光谱快速检测块根/茎类作物营养品质的方法 |
| US20170199952A1 (en) * | 2014-06-26 | 2017-07-13 | Jeju National University Industry-Academic Cooperation Foundation | Method of predicting sugar content and acidity of fruit using multivariate statistical analysis of ft-ir spectrum data |
| CN106769927A (zh) * | 2016-12-05 | 2017-05-31 | 成都中医药大学 | 一种黄芪药材的质量检测方法 |
| CN106770019A (zh) * | 2017-03-01 | 2017-05-31 | 四川农业大学 | 一种多花黑麦草可溶性糖含量的测定方法 |
| CN107314986A (zh) * | 2017-06-12 | 2017-11-03 | 华中农业大学 | 一种利用近红外光谱检测油菜茎秆可溶性糖含量的方法 |
| CN112595692A (zh) * | 2020-11-24 | 2021-04-02 | 南宁国拓生物科技有限公司 | 一种水果总糖含量预测模型的建立方法及水果总糖含量的预测方法 |
| CN112903844A (zh) * | 2021-01-19 | 2021-06-04 | 皖西学院 | 一种蕨菜中原蕨苷含量的检测方法 |
Non-Patent Citations (8)
| Title |
|---|
| 丁泊洋;陈万超;张飞宇;刘平;陶鑫;范长春;杜一平;: "波长选择SCARS和偏最小二乘法建立香菇中多糖含量预测的近红外光谱模型", 天然产物研究与开发, no. 01 * |
| 刘振尧;杨季冬;: "短波近红外光谱法同时测定分析水中的麦芽糖、乳糖和蔗糖", 光谱实验室, no. 05 * |
| 唐忠厚;李洪民;***;魏猛;刘正辉;丁艳锋;: "基于近红外光谱技术预测甘薯块根淀粉与糖类物质含量", 江苏农业学报, no. 06 * |
| 张莉;李文琼;: "蕨菜多糖提取条件研究", 皖西学院学报, no. 05 * |
| 曾贞;孙恒;陈骏飞;徐天才;王宇萍;李坤;康平德;胡强;: "FTIR结合化学计量学快速预测铁皮石斛中总多糖含量", 江西农业学报, no. 01 * |
| 李晓文;李萍萍;袁俊杰;: "基于可见/近红外光谱的鸡腿菇总糖含量测定方法", 江苏农业科学, no. 09 * |
| 杨琼;胡蓉;张书然;杨季冬;: "近红外光谱法定量分析水溶液中葡萄糖、麦芽糖和β-环糊精", 分析科学学报, no. 06 * |
| 高荔;孔伟;: "近红外光谱法快速测定红参提取物中的总糖含量", 齐鲁药事, no. 05 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103278473B (zh) | 白胡椒中胡椒碱及水分含量的测定和品质评价方法 | |
| Yao et al. | Geographic identification of Boletus mushrooms by data fusion of FT-IR and UV spectroscopies combined with multivariate statistical analysis | |
| CN101915744A (zh) | 物质成分含量的近红外光谱无损检测方法及装置 | |
| CN103411906B (zh) | 珍珠粉和贝壳粉的近红外光谱定性鉴别方法 | |
| CN108680515B (zh) | 一种单粒水稻直链淀粉定量分析模型构建及其检测方法 | |
| Chen et al. | Fast detection of cumin and fennel using NIR spectroscopy combined with deep learning algorithms | |
| CN102230885A (zh) | 一种基于近红外光谱分析的甘蔗汁品质快速检测方法 | |
| CN105758819A (zh) | 一种利用近红外光谱检测土壤的有机组分的方法 | |
| CN105138834A (zh) | 基于近红外光谱波数k均值聚类的烟草化学值定量方法 | |
| CN111537469A (zh) | 一种基于近红外技术的苹果品质快速无损检测方法 | |
| CN112669915A (zh) | 一种基于神经网络与近红外光谱的梨无损检测方法 | |
| CN103411895B (zh) | 珍珠粉掺伪的近红外光谱鉴别方法 | |
| CN111795943A (zh) | 基于近红外光谱技术无损检测茶叶中外源掺杂蔗糖的方法 | |
| Yang et al. | Rapid detection method of Pleurotus eryngii mycelium based on near infrared spectral characteristics | |
| CN110672578A (zh) | 针对煎炸油极性组分检测的模型通用性及稳定性验证方法 | |
| CN113176227A (zh) | 一种快速预测河南石斛掺伪霍山石斛的方法 | |
| Yang et al. | A model for yellow tea polyphenols content estimation based on multi-feature fusion | |
| CN108007917B (zh) | 希尔伯特法建立稻株中氮素含量拉曼光谱测量模型方法 | |
| CN114486798B (zh) | 一种快速预测蕨菜中总黄酮含量的方法 | |
| XIA et al. | Application of wavelet transform in the prediction of navel orange vitamin C content by near-infrared spectroscopy | |
| CN113267458A (zh) | 甘薯可溶性蛋白质含量定量预测模型的建立方法 | |
| CN114428061A (zh) | 一种基于紫外-可见-近红外光谱预测蕨菜中总多糖含量的方法 | |
| CN113125378A (zh) | 基于近红外光谱的不同部位驼肉中营养成分的快速检测方法 | |
| CN114813627A (zh) | 一种基于近红外光谱的金钗石斛甘露糖含量检测方法 | |
| CN114076745A (zh) | 一种基于云端-互联便携式近红外技术的西红花鉴别方法及其掺伪品定量预测方法 |
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 |