近红外光谱结合BP神经网络法快速分析薰衣草精油中主要成分

唐军 廖享 韩凯乐

摘要[目的]建立薰衣草精油主体成分的快速测定模型，以满足中国薰衣草精油质量标准体系中对化学成分分析的要求。[方法]采用近红外光谱方法结合BP神经网络快速测定薰衣草精油中芳樟醇和乙酸芳樟酯的含量，在7 000～4 000 cm-1波数范围内，薰衣草精油化学信息量比较丰富且噪音低，可作为分析區间。通过间隔偏最小二乘方法（iPLS）选择与测定指标相关性高的近红外波长段集合，分别得到乙酸芳樟酯和芳樟醇的185个定量分析用波长点数据集，对BP神经网络参数优化后，建立新疆薰衣草精油中芳樟醇和乙酸芳樟酯的iPLS-BP神经网络快速近红外定量分析模型。[结果]采用方法的芳樟醇和乙酸芳樟酯测定系数分别为0.972 91和0.946 90，预测结果与GC-MS分析的相对误差分别小于2.45%和2.85%。[结论]定量分析模型能够很好地快速测定薰衣草精油中乙酸芳樟酯、芳樟醇含量，具有良好的预测能力，可为新疆薰衣草精油主要成分的快速定量分析提供一种新的有效方法。

关键词薰衣草精油;傅利叶近红外光谱;BP神经网络

中图分类号S573+.9文献标识码A

文章编号0517-6611（2019）03-0189-04

doi：10.3969/j.issn.0517-6611.2019.03.059

薰衣草（Lavender）属唇形科，是一种广泛种植的香料植物，主要用于提取香料和观赏，其中提取的薰衣草精油含有多种天然香气和生物活性组分，具有抑菌、助睡眠、安神和帮助消化等功效[1]，在医药、化妆品及食品添加剂方面有着广泛应用[2]。依据现行薰衣草精油的国家标准[3]，其化学组分以芳樟醇、乙酸芳樟酯、乙酸薰衣草酯、樟脑4种成分含量为准入指标，测定方法主要通过气相色谱法、气相色谱质谱联用法等，试验测试人员需要经过专业系统培训才能操作，测定过程时间相对比较长，不适宜现场实时快速检测。而随着计算机辅助的化学计量学快速发展，近红外光谱定量分析技术得到了迅速普及和推广，其方法具有无化学试剂污染、不需要处理样品、快速实时在线测定等优点，目前已经在农业、食品、石油及医药等行业有着广泛的应用[4-7]，并逐渐出台颁布实施了多项国家标准，所研究的薰衣草精油中，所有的组分结构都富含由氢组成官能团，非常适合用近红外光谱来进行定量分析测试。笔者采用间隔偏最小二乘（iPLS）法[8-9]选择精油特征成分的敏感近红外光谱波长段，再通过BP神经网络[10-12]方法建立近红外的薰衣草精油中芳樟醇、乙酸芳樟酯定量分析模型。

1材料与方法

1.1仪器与材料

BRUKER VERTEX 70型傅利叶近红外光谱仪，配备铟镓砷（InGaAs）检测器，OPUS 6.5光谱采集和分析软件;岛津（Shimadzu） QP2010气质联用仪，测试条件： RTX-50MS石英毛细色谱柱（30 m×0.32 mm×1.0 μm）、载气为99.99% He气，流速1.0  mL/min，EI离子源;电子能量70 eV;传输线温度250 ℃;离子源温度200 ℃。

试验所用的薰衣草采自伊犁地区的65团、69团和70团，品种分别为C-197（2）、法国蓝和H-701。通过水蒸气蒸馏法提取薰衣草精油：称取晾干薰衣草花20～50 g于1 000 mL烧瓶中，以1∶12（g∶mL）的料液比加入蒸馏水，提取时间4 h，得到有香气薰衣草精油，置于-20 ℃冷藏备用。

1.2化学计量学建模

先对近红外光谱进行多元散射（MSC）校正、S-G方法平滑、光谱数据的标准化处理后建立分析用近红外吸收度数据矩阵。采用间隔偏最小二乘（iPLS）方法进行波长段选择，最后通过BP 神经网络法（BP-ANN）建立选择后的特征波长段薰衣草精油中芳樟醇、乙酸芳樟酯含量的多元校正模型。所在数据处理都在Matlab 8.0版软件环境中进行，其中iPLS采用Lars Nrgaard的iToolbox软件包完成，iPLS波长段选择采用交叉验证均方根差（RMSECV）进行评价。神经网络（ANN）定量分析模型采用Matlab自带的nntool工具箱完成，BP-ANN模型质量以均方差（MSE）和测定系数R为评价指标指标。

2结果与分析

2.1薰衣草精油芳樟醇和乙酸芳樟酯的测定

依据目前熏衣草精油的国家标准GB 1886.38—2015[3]，采用GC-MS对薰衣草精油的化学成分进行分析，每份样品平行测定3次，最后以国标方法中的峰面积归一化进行定量分析，计算芳樟醇和乙酸芳樟酯的相对百分含量。薰衣草精油样品的芳樟醇和乙酸芳樟酯分布如表1所示，从所有样品的平均值和相对标准偏差（RSD）来看，样本点分布范围合理，基本包含了国标要求的分析范围。

2.2近红外谱数据采集

采用透射模式，选择光程为1 mm的石英比色皿，光谱测定范围4 000～10 000 cm-1;分辨率8 cm-1;扫描累加次数32次;并在相同的试验条件、温度、湿度下以空比色皿池进行背景扫描，然后对每份样品平行测定3次，取平均值，采集样品的近红外光谱图，最终选择吸收峰信息丰富的7 000～4 000 cm-1波数区间的吸光度作为分析用原始数据集，所有样品分析区间近红外光谱叠加图如图1所示。在薰衣草精油的近红外光谱中，没有出现饱和吸收现象，说明选择的比色皿厚度合适，全光谱可进行后期分析用，在波数段4 000～4 500 cm-1为合频吸收带;4 680 cm-1处为烯烃类化合物的组合频吸收峰;5 260 cm-1处为羰基的二级倍频峰;5 800 cm-1附近为C—H的对称与反对称组合频振动和一级倍频吸收带;6 800 cm-1附近处的宽峰为键合的羟基一级倍频峰[13]。

2.3iPLS选择光谱波长段集合

iPLS波长选择以偏最小二乘（PLS）模型的交互验证均方根误差（RMSECV）作为衡量评价指标，当子区间的RMSECV小于全光谱的RMSECV时，就认为是包含与测定指标相关信息最高的区间，以此最终寻找到所有最优子区间的光谱段，组合成神经网络预测模型的数据子集。首先对原始光谱先进行多元散射校正、S-G平滑和中心化预处理后，将7 000～4 000 cm-1光谱区间划分为等间隔的20个子区间，每个子区间包含有37个波数点的吸光度。采用PLS方法优化选择后确定最佳主成分数为6，iPLS波长选择以PLS模型的RMSECV作为衡量评价指标，最终寻找到预测能力最优的数据子集。自动选取最佳建模子区间，其中芳樟醇和乙酸芳樟酯优化波长子区间结果如图2所示，从图中可直观地得到较优的区间，从而可剔除了一些与浓度向量相关性小的吸光值变量，提高模型的稳健性和预测能力。选取iPLS方法中RMSECV值小于虚横线值的所有波长段区间作为相应薰衣草精油组分的敏感分析数据集。采用间隔偏最小二乘法，优选出芳樟醇和乙酸芳樟酯光谱子区间和波数段如表2所示。

2.4人工神经网络法（ANN）模型的建立与评价

ANN适合处理原因和结果关系不确定的非线性测量数据，模拟神经元的工作原理来建立模型，具有抗噪声、抗干扰和强大的非线性转换能力等特点。采用160个样本用于建立iPLS-BP人工神经网络分析模型，将iPLS筛选的光谱子区间吸光度为BP神经网络的X输入节点变量，GC-MS测定值作为输出响应Y变量，在Matlab环境下，使用nntool人工神经网络工具箱，建立芳樟醇、乙酸芳樟酯人工神经网络定量模型，输入节点都为185，输出节点都为1，通过多次比较，确定最优iPLS-BP神经网络校正模型参数如表3所示。在Matlab神经网络工具箱直接把数据划分成3个集合，分别为training（训练）、validation（验证）、test（测试），只有training数据参加训练，其他两部分数据不参加训练，只用于检验。在Matlab的nntool工具箱中，网络模型以均方差（MSE）和测定系数（R）为评价指标指标，从表3的MSE值和图3、4中的回归曲线可以看出，其回归曲线的测定系数R均大于0.91。芳樟醇、乙酸芳樟酯的MSE值较小，建立的模型具有良好的预测能力，iPLS-BP人工神经网络法建立的薰衣草精油代表性和特征性组分定量分析模型效果良好。

2.5iPLS-ANN人工神经网络模型预测

为进一步评价iPLS-BP神经网络的预测能力，采用建立的BP神经网络模型对16组实际薰衣草精油样品中的芳樟醇和乙酸芳樟酯含量进行预测，对实际样品采用相同的前处理过程后，输入185个特征波长点的近红外吸光值即可得到薰衣草精中2个组分的含量，操作簡单。测定值和相对误差分析如表4所示，从预测结果来看，乙酸芳樟酯的相对误差在2.45%以内，芳樟醇的相对误差在2.85%以内，均满足实际分析要求，表明

采用iPLS选择出所有敏感波长段，再结合BP神经网络对薰衣草精油中的芳樟醇和乙酸芳樟酯预测有着良好的准确度，能够实现近红外方法快速测定薰衣草中芳樟醇和乙酸芳樟酯的要求，可满足实际分析需要。

3结论

相对于薰衣草精油的传统气相和气质分析方法，红外光谱结合现代计量学方法能快速、实时和准确地测定精油中主要成分的百分比含量，该研究先以iPLS方法对近红外全波长吸光度进行筛选，选择出所有与测定指标相关性高的近红外波长段作为BP神经网络模型的输入节点值，对BP神经网络参数优化后，建立新疆薰衣草精油中芳樟醇和乙酸芳樟酯的iPLS-BP神经网络快速近红外定量分析模型。结果表明，采用iPLS-BP神经网络建立定量模型的测定系数分析均大于0.91，预测结果与GC-MS分析的相对误差小于3%。定量分析模型能够很好地快速测定薰衣草精油中乙酸芳樟酯、芳樟醇含量，具有良好的预测能力，可为新疆薰衣草精油主要成分的快速定量分析提供一种新的有效方法。

参考文献

[1] CAVANAGH H M A，WILKINSON J M.Biological activities of lavender essential oil [J]. Phytother Res， 2002，16（4）：301-308.

[2] 徐洁华，文首文. 薰衣草挥发性有机物及其药理功效研究进展[J].时珍国医国药，2010，21（4）：979-980，983.

[3] 国家卫生和计划生育委员会.食品添加剂 薰衣草油：GB 1886.38—2015[S].北京：中国标准出版社，2016.

[4] 王菊香，邢志娜，李伟，等. BP神经网络法结合红外光谱快速测定在用润滑油胺类抗氧剂含量[J].计算机与应用化学， 2016，33（2）：197-199.

[5] 韩晓，王菊香，刘洁.基于BP-神经网络的航空煤油总酸值近红外光谱快速检测[J].分析科学学报， 2011， 27（6）：751-754.

[6] 李智，王圣毫，郑维平，等.基于傅立叶变换的人工神经网络近红外光谱定量分析法[J].分析测试学报，2012，31（3）：343-346.

[7] 王书涛，陈东营，魏蒙，等.荧光光谱法和PSO-BP神经网络在山梨酸钾浓度检测中的应用[J].中国激光，2015，42（5）：304-310.

[8] 邹小波，朱曾，赵杰文.基于间隔偏最小二乘法的农产品近红外光谱谱区选择方法[J].现代科学仪器，2007（1）：86-88.

[9] 迟亮，张贺龙，车英，等. 基于iPLS的玉米近红外光谱数据处理方法研究[J]. 长春理工大学学报（自然科学版），2011，34（2）：117-119.

[10] 李强，杨天邦，涂公平.GA-BP神经网络模型应用于岩芯扫描仪测定海洋沉积物中多种组分的半定量分析[J].分析仪器， 2018（1）：75-79.

[11] 曹家兴，陆建平.遗传算法-贝叶斯正则化BP神经网络拟合滴定糖蜜中有机酸[J].分析化学，2011，39（5）：743-747.

[12] 徐立鹏，葛良全，谷懿，等.基于PCA-BP神经网络的EDXRF分析测定地质样品中铁、钛元素含量的应用研究[J].光谱学与光谱分析，2013，33（5）：1392-1396.

[13] 杰尔·沃克曼，洛伊斯·文依.近红外光谱解析实用指南[M].褚小立，许育鹏，田高友，译.北京：化学工业出版社，2009.