本發(fā)明涉及一種利用近紅外分光法同時(shí)分析不同原料及形態(tài)的多種食品中營養(yǎng)成分含量的方法。

背景技術(shù)：

食品中含有對(duì)于生命體的生長、發(fā)達(dá)及維持起到重要作用的碳水化合物、蛋白質(zhì)、脂肪、維生素、無機(jī)物等多種營養(yǎng)素。其中，碳水化合物、蛋白質(zhì)和脂肪作為最基本且最重要的三種營養(yǎng)素，被稱為三大營養(yǎng)素，其成分為人類的生命維持及活動(dòng)提供所需要的能量。目前食品中含有的碳水化合物、蛋白質(zhì)及脂肪的定量分析由各個(gè)成分用多種分析法來進(jìn)行含量評(píng)價(jià)。碳水化合物主要使用利用氣相色譜–質(zhì)譜法(GC/MS)的分析或根據(jù)美國官方分析化學(xué)師協(xié)會(huì)(AOAC)法的扣除碳水化合物的方式；蛋白質(zhì)主要使用考馬斯亮蘭法(Bradford)或基耶達(dá)爾法(Kjeldahl)法；脂肪一般使用索氏(Soxhlet)試驗(yàn)法。

所述各成分分析法被長時(shí)間使用且能夠提供較為準(zhǔn)確的結(jié)果，但其方法存在為進(jìn)行分析需要復(fù)雜的萃取及預(yù)處理過程、分析時(shí)間長、要求熟練的分析人員及需要大量的分析費(fèi)用等缺點(diǎn)。

相反，近紅外分光分析法(Near-Infrared Reflectance Spectroscopy，以下稱為‘NIRS’)具有因不需要對(duì)樣本進(jìn)行預(yù)處理，能夠迅速分析成分，而且分析的樣本不會(huì)被損壞，還可以用于其他分析的優(yōu)點(diǎn)。到目前為止被知曉的與碳水化合物，蛋白質(zhì)及脂肪的含量有關(guān)的近紅外分光分析技術(shù)有大米的直鏈淀粉含量分析、大米的淀粉含量分析、小麥的碳水化合物及蛋白質(zhì)分析、豌豆的蛋白質(zhì)含量分析、蘇子和花生的蛋白質(zhì)含量分析、大米與糙米的蛋白質(zhì)分析、麻風(fēng)樹種子(Jatropha seed)的蛋白質(zhì)及脂肪分析、大豆的蛋白質(zhì)及脂肪分析、土豆片的脂肪分析等。

但是，由于近紅外吸收光譜比紅外線吸收光譜吸收微弱，且因多個(gè)泛音或結(jié)合音會(huì)出現(xiàn)吸收重疊或因氫鍵或分子之間的相互作用引起的特定吸收區(qū)域的移動(dòng)(shift)而使解析吸收光譜困難，所以到目前為止只公開了只對(duì)具有同一形態(tài)及矩陣(matrix)的一種食品或者包括同一主要成分的同一形態(tài)的特定食品群進(jìn)行成分含量分析的分析方法。

韓國授權(quán)專利第10-1000889號(hào)公開了一種利用濕稻子來預(yù)測(cè)精米的蛋白質(zhì)含量的方法；韓國授權(quán)專利第10-1181315號(hào)公開了一種同時(shí)測(cè)量綠茶的咖啡因和兒茶素的個(gè)別含量的方法；但是沒有公開過本發(fā)明的利用近紅外分光法同時(shí)分析不同原料及形態(tài)的多種食品中營養(yǎng)成分含量的方法。

技術(shù)實(shí)現(xiàn)要素：

(一)要解決的技術(shù)問題

本發(fā)明的目的在于消除分析國內(nèi)流通的多樣食品或農(nóng)產(chǎn)物資源中營養(yǎng)成分的含量分析過程中分析時(shí)間長且無法同時(shí)分析多種多樣種類及形態(tài)的食品的問題；更詳細(xì)的，提供一種利用近紅外分光分析法對(duì)國內(nèi)流通的不同原料及形態(tài)的多樣的多種食品或農(nóng)產(chǎn)物資源中含有的碳水化合物、蛋白質(zhì)及脂肪等營養(yǎng)成分的含量同時(shí)進(jìn)行非破壞并迅速定量分析的方法。

(二)技術(shù)方案

本發(fā)明涉及一種利用近紅外分光法同時(shí)分析不同原料及形態(tài)的多種食品或農(nóng)產(chǎn)物資源中營養(yǎng)成分含量的方法。更詳細(xì)地，涉及一種利用近紅外分光法同時(shí)分析多種食品或農(nóng)產(chǎn)物資源中營養(yǎng)成分含量的方法，其特征在于，包括以下步驟：

(1)通過食品工典所記載的多樣成分試驗(yàn)法，分析不同原料及形態(tài)的多種多樣食品或農(nóng)產(chǎn)物資源中的營養(yǎng)成分的含量；

(2)將所述多種食品或農(nóng)產(chǎn)物資源分為校正用樣本群和驗(yàn)證用樣本群；

(3)對(duì)所述多種校正用樣本群和驗(yàn)證用樣本群分別照射近紅外線，同時(shí)獲得原始的近紅外吸收光譜；

(4)對(duì)在所述步驟(3)中獲得的校正用樣本群的原始的近紅外吸收光譜的散射進(jìn)行校正；

(5)由所述校正用樣本群的經(jīng)過散射校正的原始吸收光譜獲得導(dǎo)函數(shù)，進(jìn)行以W-X-Y-Z表示的數(shù)學(xué)處理后，通過與利用所述步驟(1)中獲得的多樣成分試驗(yàn)法分析獲得的含量值對(duì)比的統(tǒng)計(jì)分析來選定第一檢驗(yàn)式，其中，W表示微分次數(shù)，X表示用于測(cè)量光譜的波長的間隔(nm)，Y表示在對(duì)波長間隔的水處理中使光譜的連接柔和的一次平滑化，Z表示在對(duì)波長間隔的水處理中使光譜的連接柔和的二次平滑化；

(6)為了驗(yàn)證在所述步驟(5)中選定的第一檢驗(yàn)式，將所述第一次選定的檢驗(yàn)式適用于在所述步驟(3)中獲得的多種驗(yàn)證用樣本群的原始近紅外吸收光譜中來選定最佳檢驗(yàn)式；以及

(7)利用所述選定的檢驗(yàn)式來定量分析多種食品或農(nóng)產(chǎn)物資源中的營養(yǎng)成分的含量。

所述不同原料及形態(tài)的多種食品或農(nóng)產(chǎn)物資源中含有的營養(yǎng)成分優(yōu)選為選自蛋白質(zhì)、碳水化合物、脂肪、脂肪酸、氨基酸、有機(jī)酸、水分、維生素及無機(jī)物中的一個(gè)以上，但并不限定于此。

所述原始近紅外吸收光譜的獲得應(yīng)在400-2500nm波長范圍內(nèi)進(jìn)行。一般情況下，近紅外吸收光譜使用800-2500nm波長范圍內(nèi)的吸收光譜，但是本發(fā)明為同時(shí)測(cè)量多種不同原料及形態(tài)的多樣食品和農(nóng)產(chǎn)物資源的方法，包括可視光線區(qū)域的400-2500nm波長范圍內(nèi)吸收的影像中包括有利于含量分析的信息，所以將波長范圍限定于800-2500nm是不優(yōu)選。

測(cè)量所述近紅外吸收光譜的模式優(yōu)選為選自擴(kuò)散反射(diffuse reflectance)模式、透射反射(transflectance)模式及透射(transmission)模式中的一種，更優(yōu)選地，選擇擴(kuò)散反射模式，但是適于測(cè)量近紅外吸收光譜，不限于某種方法，可以選擇使用。

在測(cè)量所述近紅外吸收光譜時(shí)，一般能夠使用的多種測(cè)量用模塊都可以使用，但是，當(dāng)樣本的形態(tài)由固體、液體或者粘滯性半固體等多種原料與形態(tài)構(gòu)成時(shí)，一般使用的垂直測(cè)量模塊無法測(cè)量液體或粘滯性半固體樣本。

所以，在測(cè)量樣本的近紅外吸收光譜時(shí)，優(yōu)選使用不受樣本形態(tài)的限制且防止液體或半固體樣本流下的水平DCFA(direct contact food analyzer)模塊。

并且，為了防止蓋子或測(cè)量容器的多個(gè)測(cè)量部位被液體或粘滯性半固體樣本污染，樣本的測(cè)量容器優(yōu)選為無蓋的小反射容器(small reflectance vessel)，但并不限定于此。

測(cè)量所述近紅外吸收光譜時(shí)，在將多種多樣不同原料及形態(tài)的食品或農(nóng)產(chǎn)物資源區(qū)分為校正用(calibration)和驗(yàn)證用(validation)樣本群的階段中，雖沒有對(duì)校正用和驗(yàn)證用(validation)樣本群進(jìn)行區(qū)分的準(zhǔn)確的基準(zhǔn)，但是為了與原料及形態(tài)無關(guān)地適用多種未知食品或農(nóng)產(chǎn)物資源，優(yōu)選地，校正用樣本群廣泛包括不同原料及形態(tài)的多種多樣的食品及農(nóng)產(chǎn)物資源。，因此，優(yōu)選采用校正用樣本群比驗(yàn)證用樣本群多的個(gè)體樣本群，更優(yōu)選地，校正用和驗(yàn)證用的比例為2:1至4:1，更優(yōu)選地，按2:1至3:1的比例進(jìn)行分類。即，校正用樣本數(shù)至少為驗(yàn)證用樣本數(shù)的2至4倍，因此保證種類的多樣性，導(dǎo)出優(yōu)秀的分析結(jié)果，并且可以增加適用范圍。

所述近紅外吸收光譜的散射校正意味著校正扭曲光譜與濕法分析值之間的相互關(guān)系的非線性函數(shù)，校正散射的方式優(yōu)選為選自標(biāo)準(zhǔn)多元離散修正(standard multiplicative scattering correction，標(biāo)準(zhǔn)MSC)、反相多元離散校正(Inverse MSC)、去除線性分量(Detrend，從各光譜中去除線性或者二次曲率的方式)、標(biāo)準(zhǔn)正態(tài)變量(Standard normal variate，以下簡稱為‘SNV’)校正及加權(quán)多元離散校正(weighted multiplicative scattering correction；加權(quán)MSC)中的一個(gè)以上。

近紅外光譜的范圍比化學(xué)性、物理性的位移極其微弱，所以所述導(dǎo)函數(shù)的統(tǒng)計(jì)分析優(yōu)選為多變量回歸分析(multivariate regression)。更優(yōu)選地，選自多元線性回歸法(multiple linear regression)、主成分回歸分析法(principal component regression，PCR)、偏最小二乘法(partial least squares，PLS)及改進(jìn)的偏最小二乘法(modified partial least squares，MPLS)中的一種，當(dāng)樣本的構(gòu)成單純且測(cè)量的成分有著獨(dú)特的峰值時(shí)，優(yōu)選多元線性回歸法，由于吸收帶的重疊而光譜復(fù)雜時(shí)，優(yōu)選主成分回歸分析法或偏最小二乘法。當(dāng)利用交叉驗(yàn)證(cross-validation)導(dǎo)出波長的全波段與實(shí)驗(yàn)值之間的相互關(guān)系時(shí)，會(huì)根據(jù)波長變數(shù)，得到相關(guān)度和交叉驗(yàn)證結(jié)果的誤差，優(yōu)選改進(jìn)的偏最小二乘法。

并且，優(yōu)選地，當(dāng)所述營養(yǎng)成分為碳水化合物時(shí)，散射校正為加權(quán)多元離散校正(weighted multiplicative scattering correction；加權(quán)MSC)、數(shù)學(xué)處理為從1-4-1-1、1-4-5-1及1-4-10-5中選取的任意一種，優(yōu)選地，當(dāng)所述營養(yǎng)成分為蛋白質(zhì)時(shí)，散射校正為標(biāo)準(zhǔn)多元離散校正(standard multiplicative scattering correction；標(biāo)準(zhǔn)MSC)，數(shù)學(xué)處理為從2-5-5-3、2-5-10-1及2-6-1-1中選取的任意一種，優(yōu)選地，當(dāng)所述營養(yǎng)成分為脂肪時(shí)，散射校正為標(biāo)準(zhǔn)正態(tài)變量校正(SNV)，數(shù)學(xué)處理為從1-1-1-1、1-1-3-1及1-3-10-5中選取的任意一種，但各數(shù)學(xué)處理并不限定于此。

本發(fā)明的統(tǒng)計(jì)中使用的‘用語’的定義如下。

標(biāo)準(zhǔn)驗(yàn)證誤差(Standard Error of Calibration，SEC)為用于豎立檢驗(yàn)式的驗(yàn)證樣本組(calibration set)被預(yù)測(cè)為檢驗(yàn)式時(shí)，濕法分析值與近紅外分光分析預(yù)測(cè)值之間的標(biāo)準(zhǔn)誤差。

決定系數(shù)(Coefficient of Determination，RSQ，R²)表示檢驗(yàn)式組中的變異的量，而且，當(dāng)RSQ為1時(shí)，檢驗(yàn)式樣本所包含的100％的組成成分變異用近紅外分光分析檢驗(yàn)式來說明。

交叉檢驗(yàn)標(biāo)準(zhǔn)誤差(Standard Error of Cross Validation，SECV)為樣本在制定檢驗(yàn)式的過程中，被依次除去時(shí)，檢驗(yàn)式食品群的濕法分析值與近紅外分光分析預(yù)測(cè)值之間的標(biāo)準(zhǔn)誤差。

1-方差比(1-Variance Ratio，以下簡稱為‘1-VR’)意味著用近紅外分光分析檢驗(yàn)式能夠說明多少構(gòu)成成分的變異，且在1-VR為1時(shí)，意味著在交叉檢驗(yàn)(cross validation)過程中檢驗(yàn)式食品群包含的100％(全部)的組成成分的變異都由近紅外分光分析檢驗(yàn)式來說明。

標(biāo)準(zhǔn)預(yù)測(cè)誤差(Standard Error of Prediction，SEP)意味著獨(dú)立的食品群的濕法分析值與近紅外分光分析預(yù)測(cè)值之間的標(biāo)準(zhǔn)誤差；且在豎立檢驗(yàn)式的過程中分析未使用的獨(dú)立食品群時(shí)被使用。

(三)有益效果

本發(fā)明涉及一種利用近紅外分光法同時(shí)分析多種多樣的不同原料及形態(tài)的食品或農(nóng)產(chǎn)物資源中的營養(yǎng)成分含量的方法，其優(yōu)點(diǎn)在于：使用無需萃取食品或農(nóng)產(chǎn)品資源中含有的成分或不需要化學(xué)反應(yīng)等的近紅外分光分析法來實(shí)現(xiàn)非破壞性分析，并且，可同時(shí)且迅速的測(cè)量對(duì)多種多樣的不同原料及形態(tài)的食品或農(nóng)產(chǎn)物資源中的蛋白質(zhì)、碳水化合物、脂肪、脂肪酸、氨基酸、有機(jī)酸、水分、維生素及無機(jī)物等多種營養(yǎng)成分的分析。而且，被測(cè)量的食品可以原樣回收來使用于同一食品或農(nóng)產(chǎn)物資源的反復(fù)分析或者營養(yǎng)成分外的其他功能性成分等的分析，確保了分析的再現(xiàn)性和成分驗(yàn)證的多樣性。

附圖說明

圖1是校正(calibration)用樣本群412種食品的原始的近紅外吸收光譜，是確認(rèn)在986、1194及1930nm波段出現(xiàn)吸光度的圖。

圖2是表示對(duì)圖1中所示的412種校正用樣本群的近紅外原始吸收光譜進(jìn)行一次微分(1-4-5-1，標(biāo)準(zhǔn)MSC)來校正的光譜的圖。并且是表示在1144、1398及1888nm波段吸光度差距大，與928nm附近的脂肪有關(guān)的C-H3次泛音帶區(qū)域、與1020、1510及2048nm波段的蛋白質(zhì)有關(guān)的N-H區(qū)域、與1888及2258nm波段的碳水化合物(淀粉)有關(guān)的區(qū)域和與952及1452nm波段水有關(guān)的區(qū)域中的吸光度的圖。

圖3為對(duì)校正用樣本群412種食品中含有的碳水化合物的從近紅外吸收光譜中獲得的含量值與根據(jù)濕法分析測(cè)量的碳水化合物的含量值進(jìn)行對(duì)比的散點(diǎn)圖。

圖4為校正用樣本群412種食品中含有的碳水化合物含量值與根據(jù)濕法分析測(cè)量的碳水化合物含量值之間的差的柱狀圖。

圖5為對(duì)校正用樣本群412種食品中含有的蛋白質(zhì)的從近紅外吸收光譜中獲得的含量值與根據(jù)濕法分析測(cè)量的蛋白質(zhì)含量值進(jìn)行對(duì)比的散點(diǎn)圖。

圖6為表示校正用樣本群412種食品中含有的蛋白質(zhì)含量值與根據(jù)濕式分析測(cè)量的蛋白質(zhì)含量值之間的差的柱狀圖。

圖7為對(duì)校正用樣本群412種食品中含有的脂肪的從近紅外吸收光譜中獲得的含量值與根據(jù)濕法分析測(cè)量的脂肪含量值進(jìn)行對(duì)比的散點(diǎn)圖。

圖8為表示校正用樣本群412種食品中含有的脂肪含量值與根據(jù)濕法分析測(cè)量的脂肪含量值之間的差的柱狀圖。

圖9為對(duì)校正用樣本群412種食品中含有的碳水化合物的從近紅外吸收光譜中獲得的含量值與162種驗(yàn)證用食品中含有的碳水化合物的從近紅外吸收光譜中獲得的含量值進(jìn)行對(duì)比的散點(diǎn)圖。

圖10為對(duì)校正用樣本群412種食品中含有的蛋白質(zhì)的從近紅外吸收光譜中獲得的含量值與162種驗(yàn)證用食品中含有的蛋白質(zhì)的從近紅外吸收光譜中獲得的含量值進(jìn)行對(duì)比的散點(diǎn)圖。

圖11為對(duì)校正用樣本群412種食品中含有的脂肪的從近紅外吸收光譜中獲得的含量值與162種驗(yàn)證用食品中含有的脂肪的從近紅外吸收光譜中獲得的含量值進(jìn)行對(duì)比的散點(diǎn)圖。

具體實(shí)施方式

下面，利用實(shí)施例來對(duì)本發(fā)明進(jìn)行詳細(xì)說明。這些實(shí)施例僅是為更加具體的說明本發(fā)明，本發(fā)明的范圍并不限于所述實(shí)施例，這對(duì)于本發(fā)明所屬技術(shù)領(lǐng)域的普通技術(shù)人員來說是顯而易見的。

實(shí)施例1.對(duì)于國內(nèi)流通的食品中含有的碳水化合物、蛋白質(zhì)及脂肪的含量分析

1.準(zhǔn)備樣本

樣本使用了在國內(nèi)流通的包含固體狀、液體狀及粘滯性半固體狀的574種多種原料及形態(tài)的食品和農(nóng)產(chǎn)品資源，其中包含72種飯類、17種粥類、36種羹類、52種肉類及相關(guān)產(chǎn)品、47種魚貝類、62種蔬菜類、106種菜肴類、13種泡菜類、12種調(diào)料類、11種湯類、55種加工食品類、20種油炸類及45種調(diào)味類。

并且，用于分析的各樣本是回收大量的樣本并經(jīng)過均質(zhì)化過程來構(gòu)成的代表樣本。

所述574種多樣原料及形態(tài)的食品和農(nóng)產(chǎn)物資源樣本以其內(nèi)的碳水化合物、蛋白質(zhì)及脂肪的含量值為相似值的基準(zhǔn)分類為約2:1的比例，其結(jié)果被區(qū)分為412種檢驗(yàn)式校正用樣本群和162種驗(yàn)證用(validation)樣本群。所述被分類的多種原料及形態(tài)的食品和農(nóng)產(chǎn)物資源中含有的碳水化合物、蛋白質(zhì)及脂肪的平均含量(％)、范圍程度、標(biāo)準(zhǔn)差(SD)相似(參照表1)。

表1：

在近紅外分光分析中使用的校正用及驗(yàn)證用樣本群的營養(yǎng)成分含量的比較。

校正用樣本群中碳水化合物、蛋白質(zhì)及脂肪的含量范圍為0.04-90.57％、0.11-33.86％及0.02-38.96％，其變動(dòng)范圍分布順序?yàn)樘妓衔铩⒅?、蛋白質(zhì),校正用樣本群的各含量范圍包括了驗(yàn)證用樣本群的含量范圍，確保了可以包括脫離了驗(yàn)證用群范圍的含量范圍的廣泛的條件。

2.根據(jù)濕法化學(xué)分析法來分析食品中含有的碳水化合物、蛋白質(zhì)、脂肪、水分及灰分(參考值)。

對(duì)于所述574種食品，根據(jù)食品工典中一般成分試驗(yàn)法來分析了碳水化合物、蛋白質(zhì)、脂肪、水分及灰分的含量，并對(duì)每個(gè)樣本進(jìn)行了三次反復(fù)分析。

①蛋白質(zhì)含量的分析

利用半微量克氏(semi-micro Kjeldahl)試驗(yàn)法對(duì)食品中的氮含量進(jìn)行定量后，換算為蛋白質(zhì)含量。

最通常的氮的系數(shù)為6.25，是在蛋白質(zhì)包含16％(w/v)的氮的條件下得到的系數(shù)。包含氮的除了蛋白質(zhì)外還包括有核酸內(nèi)嘌呤(purine)及嘧啶(pyrimidine)堿的衍生物，所以并非純蛋白質(zhì)，稱為粗蛋白質(zhì)。分析方法為分解、蒸餾、中和及滴定四個(gè)階段，對(duì)于每個(gè)氮(N)含量為2-3mg的樣本加入0.5g的分解促進(jìn)劑、3-5ml的98％(v/v)硫酸、1ml的30％(v/v)過氧化氫。將溫度調(diào)高至看不到試料的碳水化合物，在分解液變?yōu)榈嗌珪r(shí)，繼續(xù)加熱1-2小時(shí)。之后冷卻分解液后加入20ml的水，并連接到蒸餾裝置。在蒸餾裝置的吸收燒瓶中加入10ml的0.05N硫酸，滴入2-3滴的布倫斯維克試液，將冷卻器的末端浸漬在液面底部，用小漏斗加入25ml的30％氫氧化鈉溶液后，將水器中的乳液用0.05N氫氧化鈉溶液滴定至布倫斯維克試液變?yōu)榫G色。用相同的方法進(jìn)行空試驗(yàn)(0.05N硫酸1ml＝0.7003mg N)，由以下式1來算出蛋白質(zhì)量。

氮(％)＝0.7003×(a-b)×[100/樣本量(mg)] 式(1)

A表示空白實(shí)驗(yàn)中中和所需的0.05N氫氧化鈉的ml數(shù)，b表示本實(shí)驗(yàn)中中和所需的0.05N氫氧化鈉的ml數(shù)。

在所述獲得的氮含量上乘以各食品的氮的系數(shù)來獲得粗蛋白質(zhì)的含量(參照以下式(2))。

粗蛋白質(zhì)(％)＝N(％)×氮系數(shù) 式(2)

②脂肪的含量分析

脂肪含量的分析使用索氏(Soxhlet)萃取裝置對(duì)乙醚進(jìn)行純化來萃取樣本中的脂肪，從而進(jìn)行定量。融化于乙醚中而被萃取的并非只是油脂，還包含極少量的有機(jī)酸、乙醇類、低油、色素、脂溶性維生素等，所以用這種方法定量的脂肪稱為粗脂肪(crude fat)或者乙醚萃取物。將2-10g的樣本分別放入圓柱形過濾紙中，用脫脂棉蓋住樣本的上部并將其放入容器內(nèi)，在100-105℃的干燥器中干燥2-3小時(shí)。將其在干燥器中放涼再放入索氏萃取裝置的萃取管中，在接收器皿(水器)中放入一半容量程度的無水乙醚來裝置，并萃取8小時(shí)。在萃取結(jié)束后，將冷卻器摘下，用鑷子將萃取管內(nèi)的圓柱形過濾紙取出，重新將冷卻器連接到萃取管中，待乙醚全部移到萃取管中后，分離并使用連接有恒溫水池的濃縮機(jī)來完全蒸發(fā)掉乙醚。用紗布擦拭干凈水器的外部后，將其放入98-100℃的干燥器中，干燥約1小時(shí)使其恒重后在干燥器中放冷后對(duì)水器的重量進(jìn)行定量。粗脂肪的量由以下式(3)來算出。

粗脂肪(g)＝{(W₁-W₀)/S}×100 式(3)

W₀為接收器皿(水器)的重量(g)，W₁為萃取干燥的粗脂肪的接收器皿的重量(g)，S為樣本的采取量(g)。

③水分的含量分析

水分含量利用常壓加熱干燥法分析法來分析，所述常壓加熱干燥法視水分為唯一揮發(fā)成分，將試料在比水的沸點(diǎn)高的溫度中進(jìn)行常壓干燥而減少的量為水分含量。并且，根據(jù)食品的種類、性質(zhì)，加熱溫度不同，動(dòng)物性食品和蛋白質(zhì)含量高的食品在98-100℃、蔗糖和糖分含量高的食品在100-103℃、植物性食品在105℃左右(100-110℃)、谷類在110℃以上(135℃)進(jìn)行加熱。分析方法為在預(yù)先加熱的恒重的稱重盤中放入3-5g的試料并稍微開好蓋子，并將每個(gè)食品放入規(guī)定溫度的干燥機(jī)中干燥3-5小時(shí)，然后在干燥器中放涼約30分鐘再進(jìn)行稱重。再將稱重盤干燥1-2小時(shí)，重復(fù)進(jìn)行同樣的操作，直至稱重盤恒重，從而求值，水分量可以由以下式(4)來算出。

水分(g)＝(b-c)/(b-a)×100 式(4)

A表示稱重盤的重量(g)，b表示稱重盤與試料的重量(g)，c表示干燥后恒重時(shí)的重量(g)。

④灰分的含量分析

指將試料放入灰化容器中，在550-600℃的溫度下進(jìn)行完全灰化處理時(shí)的灰分的量，其分析方法為，將灰化容器在600℃以上的電爐中強(qiáng)加熱后移入干燥器中降溫至室溫后稱重。重復(fù)進(jìn)行此過程，直至恒重，將試料放入灰化容器中。在500-550℃的灰化爐中加熱數(shù)小時(shí)，直至從白色變?yōu)榛野咨?，然后放涼?00℃后移入干燥器中稱重?；曳值牧坑梢韵率?5)來算出。

灰分(g)＝{(W₁-W₀)/S}×100 式(5)

W₀表示恒重后的灰化容器的重量(g)，W₁表示灰化后灰化容器與灰分的重量(g)，S表示樣本的采取量(g)。

⑤碳水化合物的含量分析

另外，碳水化合物的含量是通過在100g的試料中減去粗蛋白質(zhì)、粗脂肪、水分及灰分含量的減除計(jì)算法即以下式(6)來算出的。

碳水化合物(g)＝100g-[粗蛋白質(zhì)+粗脂肪+水分+灰分](g)式(6)

3.利用近紅外分光器的食品內(nèi)營養(yǎng)成分的含量分析

①近紅外吸收光譜的測(cè)量與預(yù)處理

所述準(zhǔn)備的多種原料及形態(tài)的國內(nèi)流通食品及農(nóng)產(chǎn)物資源574種的近紅外光譜的測(cè)量使用了近紅外(NIRS)系統(tǒng)模型6500分光器(Foss NIRS systems Ins.，Silver Spring,MD)。分析前，在水平DCFA(direct contact food analyzer)模塊中運(yùn)行WinISIⅡ(1.5版本，F(xiàn)oss and Infrasoft International LLC，Stage Collgeg，PA)軟件，通過自我診斷過程使機(jī)器穩(wěn)定化。若處于全部通過反應(yīng)試驗(yàn)(Response test)、波長的準(zhǔn)確性、反復(fù)性(repeatability)測(cè)試的狀態(tài)，可判斷為可以進(jìn)行分析的狀態(tài)。在完成機(jī)器的穩(wěn)定化測(cè)試后，在水平DCFA(direct contact food analyzer)模塊中可以使用固體、液體及粘滯性半固體試料的小的反射容器(small reflectance vessel)里將試料放入容器的一半并在室溫條件下測(cè)量了400-2500nm范圍的近紅外吸收光譜。

對(duì)于所述574種食品試料，以根據(jù)韓國食品標(biāo)準(zhǔn)法典中一般成分試驗(yàn)法來得到的碳水化合物、蛋白質(zhì)、脂肪含量值為基準(zhǔn)，將取值相仿的各成分，以約2:1的比例來隨機(jī)分類。隨機(jī)區(qū)分為412種檢驗(yàn)式校正用食品群和162種驗(yàn)證用(validation)食品群后，獲得各個(gè)食品群的原始的近紅外吸收光譜。

②近紅外光譜的測(cè)量及檢驗(yàn)式的確立

獲得用于制定檢驗(yàn)式的412種食品及農(nóng)產(chǎn)物資源在400-2500nm區(qū)域的吸收光譜(參照?qǐng)D1)。近紅外分光分析光譜的測(cè)量與試料形態(tài)無關(guān)，但是會(huì)因吸收譜帶的重疊或測(cè)量物質(zhì)的化學(xué)成分、粒子的大小及密度等物理因素，在基線引起變化。為了減少這種變化且分離重疊在一起的波長，進(jìn)行了水處理。圖2為將圖1的近紅外原始吸收光譜進(jìn)行數(shù)學(xué)預(yù)處理的，利用標(biāo)準(zhǔn)多元離散校正(MSC)來校正由于粒度差異引起的散射，將各個(gè)光譜的各區(qū)域重疊中產(chǎn)生的誤差進(jìn)行一次微分(1st derivatives、4nm gap，5point smoothing、1point second smoothing)，使用回歸方法中的改進(jìn)的偏最小二乘法(MPLS)來校正了光譜。

由于所述改進(jìn)的偏最小二乘法(MPLS)在利用交叉驗(yàn)證來誘導(dǎo)從近紅外分光分析的全體波長(400-2500nm)中獲得的結(jié)果與使用食品工典中一般成分試驗(yàn)法獲得的各營養(yǎng)成分的分析含量結(jié)果之間的相互關(guān)系的過程中，選擇最佳因子(factor)來防止過擬合(overfitting)并提高準(zhǔn)確度，因此最小化在光譜中出現(xiàn)的基線的變化、散射及重疊引起的影響，使決定系數(shù)(Coefficient of determination；RSQ，R²)最大化。以測(cè)量得的光譜的原始(log 1/R)光譜、進(jìn)行一次微分(D¹log 1/R)的光譜及二次微分(D²log 1/R)的光譜為對(duì)象通過多種散射修正(Scatter correction)與水處理，將光譜在各區(qū)域最小化因重疊產(chǎn)生的噪聲(noise)和偏差(bias)來樹立對(duì)于碳水化合物、蛋白質(zhì)及脂肪含量的近紅外分光分析(NIRS)檢驗(yàn)式。檢驗(yàn)式以標(biāo)準(zhǔn)驗(yàn)證誤差(Standard Error of Calibration；SEC)、決定系數(shù)(Coefficient of Determination；RSQ，R²)、1-VR(one minus the radio of unexplained variance to total variance)的統(tǒng)計(jì)值為基準(zhǔn)來分選。

所述412種檢驗(yàn)式校正用食品及農(nóng)產(chǎn)物資源的原始光譜中，在986、1194、1930nm波長出現(xiàn)吸光度；與原始光譜不同，一次微分光譜中各波長出現(xiàn)微弱的吸光度差異，在1144、1398、1888nm中出現(xiàn)很大的吸光度差異。在與脂肪有關(guān)的928nm附近的C-H官能基的3次泛音帶、與蛋白質(zhì)有關(guān)的N-H官能基的1020、1510、2048nm區(qū)域，與碳水化合物的淀粉有關(guān)的1888、2258nm區(qū)域、與O-H有關(guān)的952、1452nm區(qū)域存在吸光度差異，并該區(qū)域的波長有效地利用于檢驗(yàn)式的制定。

利用所述412種的一次微分光譜來算出用于分析國內(nèi)流通的食品及農(nóng)產(chǎn)物資源中含有的碳水化合物、蛋白質(zhì)及脂肪的最佳的近紅外分光分析檢驗(yàn)式，首先利用改進(jìn)的偏最小二乘法(MPLS)，再利用多種水處理及散射校正。最佳的檢驗(yàn)式為校正用決定系數(shù)(R²)值接近于1，檢驗(yàn)式標(biāo)準(zhǔn)誤差(SEC)值小且交叉驗(yàn)證中1-分散比(1-VR)的值大，交叉驗(yàn)證標(biāo)準(zhǔn)誤差(SECV)值小的檢驗(yàn)式。

國內(nèi)流通食品及農(nóng)產(chǎn)物資源中含有的碳水化合物、蛋白質(zhì)及脂肪的近紅外分光分析檢驗(yàn)式利用通過食品工典中一般成分試驗(yàn)法獲得的含量值與近紅外分析值之間的決定系數(shù)與檢驗(yàn)式標(biāo)準(zhǔn)誤差(SEC)值來選定最佳的檢驗(yàn)式。在圖3至圖8中示出了對(duì)412種食品及農(nóng)產(chǎn)物資源中含有的碳水化合物、蛋白質(zhì)及脂肪的從近紅外吸收光譜中獲得的含量值與通過濕法化學(xué)分析測(cè)得的碳水化合物、蛋白質(zhì)及脂肪的含量值進(jìn)行比較的散點(diǎn)圖和柱狀圖。

表2：從412種食品及農(nóng)產(chǎn)物資源的近紅外吸收光譜選定用于分析碳水化合物含量的檢驗(yàn)式候選的例子。

^aSEC:標(biāo)準(zhǔn)驗(yàn)證誤差(Standard error of calibration)

^bR²：決定系數(shù)(Coefficient of determination in calibration)

^c1-VR：1-分散比(One minus the ratio of unexplained variance to total variance)

^dSECV：交叉檢驗(yàn)標(biāo)準(zhǔn)誤差(Standard error of cross-validation)

表3

從412種食品及農(nóng)產(chǎn)物資源的近紅外吸收光譜選定用于分析蛋白質(zhì)含量的檢驗(yàn)式候選的例子。

^aSEC:標(biāo)準(zhǔn)驗(yàn)證誤差(Standard error of calibration)

^bR²：決定系數(shù)(Coefficient of determination in calibration)

^c1-VR：1-分散比(One minus the ratio of unexplained variance to total variance)

^dSECV：交叉檢驗(yàn)標(biāo)準(zhǔn)誤差(Standard error of cross-validation)

表4

從412種食品及農(nóng)產(chǎn)物資源的近紅外吸收光譜選定用于分析脂肪含量的檢驗(yàn)式候選的例子。

^aSEC:標(biāo)準(zhǔn)驗(yàn)證誤差(Standard error of calibration)

^bR²：決定系數(shù)(Coefficient of determination in calibration)

^c1-VR：1-分散比(One minus the ratio of unexplained variance to total variance)

^dSECV：交叉檢驗(yàn)標(biāo)準(zhǔn)誤差(Standard error of cross-validation)

為了制定最佳的近紅外分光分析檢驗(yàn)式，使用了回歸分析法中的MPLS法，其結(jié)果是，碳水化合物在原始光譜的散射方式為加權(quán)(weighted)多元離散校正(multiplicative scatter correction，MSC)方法，水處理在使用1-4-5-1(1st derivative、4nm gap、5points smoothing、1point second smoothing)實(shí)施的條件下，決定系數(shù)為0.971，最高，標(biāo)準(zhǔn)誤差(SEC)值為4.066，最低，顯示著比其他散射方式及水處理?xiàng)l件優(yōu)異的結(jié)果。

蛋白質(zhì)在原始光譜的散射方式為標(biāo)準(zhǔn)(Standard)MSC方式；水處理在使用2-5-5-3(2nd derivative、5nm gap、5points smoothing、3point second smoothing)實(shí)施的條件下，決定系數(shù)(R²)值為0.974，最高，檢驗(yàn)式標(biāo)準(zhǔn)誤差(SEC)值為1.080，最低，顯示著比其他散射方式及水處理?xiàng)l件優(yōu)異的分析結(jié)果。

脂肪在原始光譜的散射方式為標(biāo)準(zhǔn)正態(tài)變量(Standard normal variate，SNV)校正方法，水處理在使用1-1-1-1(1st derivative、1nm gap、1points smoothing、1point second smoothing)實(shí)施的條件下，決定系數(shù)為0.937，最高，檢驗(yàn)式標(biāo)準(zhǔn)誤差值為1.890，最小。

③利用162種檢驗(yàn)用食品及農(nóng)產(chǎn)品資源確立檢驗(yàn)式

為了評(píng)價(jià)所述用412種食品及農(nóng)產(chǎn)物資源選出的一次近紅外分光分析檢驗(yàn)式對(duì)未知食品及農(nóng)產(chǎn)物資源的適用可能性，利用在一次近紅外分光分析檢驗(yàn)式的選定中沒有使用的162種食品及農(nóng)產(chǎn)物資源來進(jìn)行驗(yàn)證。利用了WinISIⅡ軟件的監(jiān)控(monitor)程序，檢驗(yàn)式的適用可能性的驗(yàn)證是利用標(biāo)準(zhǔn)預(yù)測(cè)誤差(Standard error of prediction，SEP)、決定系數(shù)(coefficient of determination in prediction，R²)、偏差(average difference between reference及NIRS values，Bias)、標(biāo)準(zhǔn)偏差(Standard deviation，SD)的統(tǒng)計(jì)值來驗(yàn)證檢驗(yàn)式對(duì)未知樣本的適用性及正確性。

表5

對(duì)從162種驗(yàn)證用食品及農(nóng)產(chǎn)物資源一次選定的檢驗(yàn)式進(jìn)行驗(yàn)證而獲得的多種多樣的原料及形態(tài)的多種食品及農(nóng)產(chǎn)物資源中含有的營養(yǎng)成分(碳水化合物、蛋白質(zhì)及脂肪)的含量分析用最佳候選檢驗(yàn)式的選定。

表6

162種食品及農(nóng)產(chǎn)物資源對(duì)于被選定的最佳近紅外分光分析檢驗(yàn)式的檢驗(yàn)結(jié)果。

標(biāo)準(zhǔn)偏差：Standard deviation(SD)

偏差(Bias)：average difference between reference及NIRS values

決定系數(shù)(R2)：Coefficient of Determination in prediction

標(biāo)準(zhǔn)誤差(SEP(C))：Corrected Standard error of prediction

斜率(Slope)：Steepness of a straight line curve

將決定系數(shù)與預(yù)測(cè)標(biāo)準(zhǔn)誤差作為近紅外分光分析檢驗(yàn)式的預(yù)測(cè)值分析的正確性檢查的標(biāo)準(zhǔn)。將最佳的近紅外分光分析檢驗(yàn)式適用在未知樣本的結(jié)果被確認(rèn)為：碳水化合物的決定系數(shù)值為0.987，更高于校正用檢驗(yàn)式的決定系數(shù)值0.971；且檢驗(yàn)式預(yù)測(cè)標(biāo)準(zhǔn)誤差值為2.515，低于校正用檢驗(yàn)式標(biāo)準(zhǔn)誤差值4.066，表現(xiàn)出對(duì)于未知樣本的預(yù)測(cè)值分析可以更加精確。蛋白質(zhì)的決定系數(shù)值為0.970，稍微低于校正檢驗(yàn)式的決定系數(shù)值0.974，檢驗(yàn)式預(yù)測(cè)標(biāo)準(zhǔn)誤差值為1.144，小于檢驗(yàn)式標(biāo)準(zhǔn)誤差值1.080的1.3倍的1.404，表現(xiàn)出良好的結(jié)果。脂肪的決定系數(shù)值為0.947，比校正檢驗(yàn)式的決定系數(shù)值大0.01，檢驗(yàn)式預(yù)測(cè)標(biāo)準(zhǔn)誤差值為1.370，變得低于校正時(shí)的檢驗(yàn)式標(biāo)準(zhǔn)誤差值1.890。通過以所述結(jié)果可知，所述檢驗(yàn)式可有效的適用于未知樣本(食品及農(nóng)產(chǎn)物資源)的含量分析。

圖9至圖11表示將所述412種校正用食品及農(nóng)產(chǎn)物資源中含有的碳水化合物、蛋白質(zhì)及脂肪的從近紅外吸收光譜中獲得的含量值與162種驗(yàn)證用食品及農(nóng)產(chǎn)物資源中含有的碳水化合物、蛋白質(zhì)及脂肪的從近紅外吸收光譜中獲得的各含量值進(jìn)行比較的散點(diǎn)圖。