傅里叶变换红外光谱结合化学计量学鉴别预包装纯菠萝汁中外源糖

　　菠萝属热带草本果树 ，在我国仅分布于海南、广东 、广西 、云南、福建和台湾 ６ 省区 ，是当地重要的农业经济作物 。我国是世界 １０ 大菠萝主产国之一 ，２０１１ 年菠萝总产量达到１５５.１４ 万 t。菠萝除鲜食外 ，主要用于罐头 、果汁及浓缩汁的加工 。随着国民生活水平的提高 ，纯果汁在国内消费量越来越高 ，需求量越来越大 。而 2013 年 9 月《财经观察》报道的“瞎果”事件则让人们对纯果汁的质量安全问题引起了前所未有的关注 。目前我国果汁质量监管控制方面尚无完善的国家标准 ，现有果汁质量控制标准涵盖范围窄 ，基本停留于最基础的卫生指标上 ，而无对果汁含量和种类进行区分的标准。国内对预包装纯果汁有效判定技术及标准的缺失使得其质量判定处于无序状态 ，纯果汁掺假现象时有报道 ，且掺假方式日益复杂化 ，预包装纯果汁的质量监管难上加难

　　将纯果汁加水稀释后 ，同时加入糖和酸调节风味而冒充纯果汁是预包装纯果汁主要的掺假方式 。但水果中固有的内源性糖类物质又是纯果汁的主要成分和重要风味物质 ，这也使得预包装纯果汁中外源性糖类的鉴别更为困难 。研究表
明 ，利用傅里叶变换衰减全反射中红外光谱技术（ａｔｔｅｎｕａｔｅｄｔｏｔａｌ ｉｎｔｅｒｎａｌ ｒｅｆｒａｃｔｉｏｎ‐Ｆｏｕｒｉｅｒ ｔｒａｎｓｆｏｒｍ ｉｎｆｒａｒｅｄ ｓｐｅｃｔｒｏｓｃｏ‐ｐｙ ，ＡＴＲ‐ＦＴＩＲ
在果汁 、蜂蜜 、食用油等食品安全质量控制中得到较好应用 ，并且 ＡＴＲ‐ＦＴＩＲ 制样简单 ，快速 、灵敏 ，结合化学计量学方法可以实现对果汁中糖类物质的定量及鉴伪，Ｓｉｖａｋｅｓａｖａ 等在利用 ＦＴＩＲ‐ＡＴＲ 对苹果汁的鉴伪研究中 ，结合化学计量分析成功对掺假样品进行区分 ，Ｊｈａ 等采用 ＦＴＩＲ‐ＡＴＲ 结合偏最小二乘回归分析判定芒果汁样品中是否掺假外源性糖。

1.4 预包装纯菠萝汁和掺假糖浆菠萝汁的识别及特征波长提取采用 ＣＡＭＯ 公司的实验设计多变量数据分析软件 ＴｈｅＵｎｓｃｒａｍｂｌｅｒ Ｘ １０.３ 对预包装纯菠萝汁样品及掺假样品通过线性判别分析（ｌｉｎｅａｒ ｄｉｓｃｒｉｍｉｎａｎｔ ａｎａｌｙｓｉｓ ，ＬＤＡ） 、支持向量机（ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ ，ＳＶＭ ）分析进行分类判别 ，其中 ，ＬＤＡ 法作为一种有监督的模式识别方法 ，按照类内方差尽量小 、类间方差尽量大的准则求得判别函数 ，然后利用建立的判别函数来对待判样本进行分类［１０］ ；ＳＶＭ 法是一种基于结构化风险最小的统计学习方法 ，通过非线性映射把样本空间映射到一个高维乃至无穷维的特征空间 ，在高维特征空间通过一个线性超平面实现线性划分或回归 ，该方法能够很好地解决小样本 、非线性 、高维数的问题［１１］ 。通过主成分载荷图提取特征波长将预包装纯菠萝汁样品及掺假样品随机分为训练集（预包装纯菠萝汁 ４８ 个 ，掺假样 １０８个）和验证集（预包装纯菠萝汁 ２４个 ，掺假样 54个） ，训练集和验证集样品组成如表 １ ，利用训练集建立判别模型 ，并将验证集作为未知样品代入模型检验 ，结合 ＬＤＡ 和 ＳＶＭ 分类进行识别 。

   

种植物糖浆图谱较一致且与属于景天酸循环 （Ｃ４ 循环 ）的菠萝汁有明显差异 ，其中 ，在 ９１８ ｃｍ － １附近的峰代表糖类物质Ｃ — Ｈ 弯曲振动 ；１ ０４３ ｃｍ － １ 附近的峰代表糖类物质中 Ｃ —ＯＨ 官能团的 Ｃ — Ｏ 拉伸振动 ；１ １１０ ｃｍ － １附近的峰代表 Ｃ —Ｏ — Ｃ 链上 Ｃ — Ｏ 带的拉伸振动［１０］ 。图中甜菜糖浆 、大米糖浆 、木薯糖浆在 ９００ ～ １ ５００ ｃｍ － １范围内谱图比较吻合 ，而菠萝汁谱图与这三者均不相同 。出现上述现象的原因可能是预包装纯菠萝汁中内源糖的种类及含量与三种糖浆不同 ，也有可能是由于植物光合作用糖代谢途径不同有关 ，菠萝属于Ｃ４ 类植物 ，在光合作用中通过景天酸代谢（ｃｒａｓｓｕｌａｃｅａｎ ａｃｉｄｍｅｔａｂｏｌｉｓｍ ，ＣＡＭ ）途径进行二氧化碳的固定［１２］ ，即合成植物体内的糖是 Ｃ４ 循环途径 ；而甜菜 、大米 、木薯均属于 Ｃ３类植物 ，在光合作用中通过 Ｃａｌｖｉｎ（Ｃ３ ）循环光合作用代谢途径合成植物体内的糖类

 将预包装纯菠萝汁样品与掺入不同比例甜菜糖浆 、大米糖浆和木薯糖浆的菠萝汁样品进行比较发现 ，随着掺入糖浆比例的增加 ，掺入糖浆的菠萝汁样品的谱图也呈一定规律性的变化 ，如图 ３

2.2 全波段预包装纯菠萝汁及掺假样品的分类识别结果
　　通过 ＦＴＩＲ‐ＡＴＲ 采集到预包装纯菠萝汁样品和外源性糖浆掺假样品共计 ２３４ 例 ，９００ ～ １ ５００ ｃｍ － １范围内共 ３１２ 个波数的光谱信息 ，利用 ＳＶＭ 法和 ＬＤＡ 法进行判别 ，其中ＳＶＭ 类型为 ｎｕ‐ＳＶＭ ，核函数为 Ｌｉｎｅａｒ ，ＬＤＡ 类型为 ＰＣＡ‐ＬＤＡ ，主成分个数为 ６ ，分析结果如表 ２

　　从表 ３ 可以看出 ，前两个主成分 ＰＣ１ 和 ＰＣ２ 的累计可信度已达到 ８８.７６％ ，所以可以用这两个主成分表示原始红外光谱的主要信息［１３］ 。取**主成分和第二主成分 ９００ ～１ ５００ ｃｍ － １波段变量载荷图 ，结果如图 ４ 。

2.4 特征波长的分类识别结果
　　对训练集和验证集光谱信息进行基线校正 、平滑和归一化处理之后 ，通过主成分载荷图将选取的 ８ 个特征波长所对应的吸光度值作为输入变量 ，将 ９００ ～ １ ５００ ｃｍ － １ 全波段范围内 ３１２ 个变量减少到 ８ 个变量 ，利用训练集建立 ＳＶＭ 和ＬＤＡ 分类模型 ，验证集作为验证模型 ，其中 ＳＶＭ 类型为ｎｕ‐ＳＶＭ ，核函数为 Ｌｉｎｅａｒ ，ＬＤＡ 类型为 ＰＣＡ‐ＬＤＡ ，主成分个数为６，分类结果如表４