APP下载

近红外光谱和气相色谱-质谱联用分析烟用爆珠的研究

2020-09-14何媛黄扬明王瑶赵悦婷李小斌张凤侠徐磊彭军仓闵顺耕

分析化学 2020年9期
关键词:气相色谱

何媛 黄扬明 王瑶 赵悦婷 李小斌 张凤侠 徐磊 彭军仓 闵顺耕

摘 要 分别采用近红外光谱(NIRS)和气相色谱-质谱联用(GC-MS)法分析了3种不同类型烟用爆珠。收集了清甜型、蜜甜型和薄荷型3种类型烟用爆珠的不同批次共27个样品,采集其NIRS谱图,通过光谱数据分析结合簇类独立软模式法(Soft independent modeling of class analogy,SIMCA)对3种烟用爆珠样品建立了分类模型,采用线性判别分析法(Linear discriminant analysis,LDA)对同一类型不同批次的烟用爆珠进行质量一致性评价,同时采用GC-MS法对3种类型烟用爆珠内含物中挥发性及半挥发性成分进行了分析。结果表明,烟用爆珠香型不同,其内含物挥发性及半挥发性成分差别较大;NIRS技术可以有效判别不同颜色壁材的爆珠;建立的SIMCA模型可区分3种类型烟用爆珠,且清甜型、蜜甜型和薄荷型烟用爆珠不同批次样品的区分准确度均在90%以上,建立的LDA模型可很好地区分3种类型不同批次的烟用爆珠。

关键词 近红外光谱法; 气相色谱-质谱联用法; 烟用爆珠; 簇类独立软模式法; 线性判别分析法

1 引 言

烟用爆珠是嵌在卷烟滤嘴中的一粒或多粒脆性胶囊,胶囊中包裹了特色香精香料及适量溶剂液体,能够延缓挥发性香味物质的自然损失,实现卷烟抽吸过程中特色香味物质人为可控释放[1]。随着爆珠卷烟销量的增长[2~4],对烟用爆珠的研究日益增多。目前,烟用爆珠质量的评价除了物理指标,如爆珠直径、胶皮厚度、破碎压力及外观评价[5,6]外,对于烟用爆珠内在质量分析和控制的研究报道越来越多。本研究组曾采用气相色谱-质谱联用(GC-MS)指纹图谱对爆珠内含物质量稳定性进行了分析评价[7];文献[8,9]采用紫外-可見吸收光谱技术对烟用爆珠内液质量稳定性进行了研究。GC-MS法虽然能够获取烟用爆珠内含物中挥发性及半挥发性化学成分信息,结合指纹图谱能够分析烟用爆珠的质量稳定性,但其前处理及分析费时费力,对样品具有破坏性。紫外-可见吸收光谱技术能够快速判别烟用爆珠内液质量稳定性,但在前处理时也需破坏样品。因此,建立一种快速、无损的烟用爆珠判别方法具有重要意义。

近红外光谱技术(Near-infrared spectroscopy,NIRS)具有操作简单、快速、无损等特点[10,11],结合化学计量学方法在化工、食品、农业和生物学等领域广泛应用[12~14],适用于样品组分的快速定量分析[15],还能够利用光谱所反映的组成和结构信息进行定性识别[16]。簇类独立软模式法(Soft independent modeling of class analogy,SIMCA)是一种基于主成分分析(Principal component analysis,PCA)基础上的有监督模式识别方法,其基本思想是先根据主成分分析分别对每类样本建立相应的分类模型,获得每类样本的空间分布,再利用这些模型对未知样本进行识别判定[17]。线性判别分析(Linear discriminant analysis,LDA)是一种有监督模式识别算法,通过最大化类间方差和最小化类内方差,确定线性判别函数,是一种有效的特征提取和降维技术[18]。近年来,NIRS结合SIMCA方法已被成功应用于区分不同类别的玉米[19]、咖啡豆[20]。Liu等[21]采用NIRS结合LDA方法进行建模,能够快速、准确地对不同产地葡萄酒进行分类。Zhang等[22]采用NIRS法结合支持向量机对烟草常规化学成分如总糖、还原糖、烟碱及总氮进行了快速、准确的定量分析。Jing等[23]将NIRS法与多区组偏最小二乘法结合,测定了烟草薄片中的烟碱和糖含量。杜文等[24]研究了基于烟叶的NIRS数据通过SIMCA识别不同产地、等级、品种烟叶的方法,且识别准确率高。张峰等[25]建立了一种基于NIRS信息的SIMCA辅助卷烟配方的方法。彭军仓等[26]采用NIRS法结合规则深度分类器对烟用香精香料样品进行了分类判别。然而,目前利用NIRS技术分析烟用爆珠的研究尚未见文献报道。

本研究采用NIRS法结合SIMCA建立了快速判别不同类型烟用爆珠的模型,LDA模型可将3种类型不同批次的烟用爆珠有效分开; 同时,采用GC-MS法对3种类型烟用爆珠内含物中挥发性及半挥发性化学成分进行定性分析。本研究对烟用爆珠类别快速判定及质量稳定性研究进行了初步探索,为烟用爆珠类别判别分析提供了一种简便、快速、准确的分析方法。

2 实验部分

2.1 仪器与试剂

7890B-5977A气相色谱-质谱联用仪、HP-5MS毛细管柱(30 m×0.32 mm,0.25 μm)(美国Agilent公司);KQ-700DB数控超声萃取仪(昆山市超声仪器有限公司);HY-8型振荡仪(常州国华电器有限公司);有机相针头滤膜(0.45 μm,天津市津腾实验设备有限公司);MPA傅立叶变换近红外光谱仪(Bruker公司)。

清甜型、蜜甜型和薄荷型3种烟用爆珠样品不同批次共计27个样品,由广州兴叶生物科技有限公司生产,均为球状,颗粒直径3.5~4.0 mm,爆珠中的内含物为液体状,通常每支卷烟的过滤嘴会放置1~2粒爆珠。

正己烷(色谱纯,≥95%,美国Sigma-Aldrich公司);正十七烷(99%,比利时Acros公司);无水乙醇(分析纯,≥99.7%,北京化工厂)。

2.2 GC-MS分析

参照文献[7]的方法,将烟用爆珠破碎后取内含物,采用正己烷振荡萃取内含物成分,以GC-MS方法分别对清甜型、蜜甜型和薄荷型3类烟用爆珠内含物的挥发性及半挥发性成分进行分析,通过检索NIST14标准谱库进行匹配度比对及定性分析。

2.3 NIR分析

2.3.1 光谱采集 在室温下,采集烟用爆珠样品的NIRS。爆珠放置一层,在此上方添加金属盖,用于反射近红外光。光谱采集范围:12000~4000 cm1;光谱分辨率:16 cm1;扫描次数:64次。通过样品杯旋转,一个样品扫描5~6点,获得此样品5或6张光谱。由于批次数量有限,在不同天重复采集每批次爆珠产品3次。在收集光谱数据的过程中,样品杯与金属盖在样品测试之前用无水乙醇擦拭。最终共收集416张光谱,其中,清甜型6批次92张光谱;蜜甜型14批次212张光谱;薄荷型7批次112张光谱。

2.3.2 光谱数据预处理 针对固体样品,本研究采用5种预处理方法:归一化(Normalization)、均值中心化(Mean centering)、标准化(Auto-scaling)、多元散射校正(Multiplicative scatter correction,MSC)和标准正态变量变换(Standard normal variate transformation,SNV)。归一化常被用于校正由微小光程差异引起的光谱变换;均值中心化是被使用非常普遍的预处理方法;标准化特别适用于样品间差异很小的情况。MSC首先分离光谱中的物理光散射信息和化学光吸收信息,然后消除不同光谱之间的物理散射信息差异,尽量使所有样品中的光谱校正信息在同一水平上[27]。MSC主要是为了消除颗粒分布不均及颗粒大小产生的散射影响,在固体漫反射和浆状物透射光谱中应用较多。SNV认为每张光谱中各波长点的吸光度值应满足一定的分布,如正态分布。通过该假设对每张光谱进行校正,可有效降低固体颗粒大小以及仪器状态对红外谱图的影响[28]。通过比较光谱数据不同处理方法后建立的模型预测识别准确度,选出最优的光谱数据处理方法。

2.3.3 模式识别算法与模型性能评价指标 采用SIMCA算法对3种烟用爆珠建立类型判别模型;采用LDA算法对同一类型不同批次的爆珠质量一致性进行评价。LDA属于有监督的模式识别方法,分别计算类内和类间的协方差矩阵。对于未知类别样品光谱,需计算其与每类均值的距离平方,然后将其判定到距离最小的类型中,本研究采用的是马氏距离。

计算校正模型的识别率和误判率,利用二者判断分类器的好坏。识别率是识别自身样本个数与预测样本总个数的比值; 误判率是误判其它类的样本个数与其它类样本参与识别个数的比值。通常,识别率数值越大越好,误判率数值则越小越好。

其中,A为识别率,S为识别自身样本个数,TS为预测样本总个数,E为误判率,W为误判其它类的样本个数,TW为其它类样本参与识别总个数。

3 结果与讨论

3.1 3种类型烟用爆珠GC/MS分析

图1为清甜型烟用爆珠内含物GC-MS总离子流图,采用NIST14标准谱库对图1中色谱峰进行匹配度比对及定性分析,结果如表1所示,共鉴定出10种化合物:醇类1种,酮类4种,酯类2种,酚类1种,醛类2种。其中,特征香味成分有乙基麦芽酚、香兰素和乙基香兰素。添加乙基麦芽酚不仅可提升香味,还起到增甜作用;香兰素俗称香草醛,具有强烈又独特的香荚兰豆香气,且香气稳定;乙基香兰素具有类似香荚兰豆香气,其香气是香兰素的3~4倍,且留香持久。

蜜甜型及薄荷型烟用爆珠内含物GC-MS总离子流图、定性分析数据请见电子版文后支持信息图S1~2及表S1~2。在蜜甜型烟用爆珠内含物中共鉴定出17种化学成分:醇类2种,酮类1种,酯类7种,烯烃类5种,醛类1种,其它类1种。特征香味成分有己酸乙酯、2,6-二甲基-5-庚烯醛与L-薄荷醇,都可起到增香作用。薄荷型烟用爆珠内含物共鉴定出26种化学成分:醇类4种,酮类5种,酯类9种,烯烃类有7种,其它类有1种。在这些化学成分中,以L-薄荷醇的含量最高,是薄荷型爆珠主要的特征香味成分。

采用GC-MS分析3种烟用爆珠内含物的挥发性及半挥发性成分,由定性分析结果可知,3种烟用爆珠香型不同,其內含物中的挥发性及半挥发性成分、特征香味成分差别很大。

3.2 3种类型烟用爆珠近红外光谱数据分析

采用Unscrambler X10.3软件进行数据预处理和建模,对3种类型烟用爆珠的不同批次27个样品的416张光谱进行分析。原始光谱数据和分别进行归一化、均值中心化、标准化、MSC、SNV预处理后的数据进行建模,每类选出20%的样品光谱(清甜型19个,蜜甜型43个,薄荷型23个)用于外部预测,对所建模型进行验证。

3.2.1 SIMCA分类模型 SIMCA又称相似分析法,是建立在主成分分析基础上的一种有监督模式识别方法,该算法的基本思路是对训练集中每类样本的光谱矩阵分别进行主成分分析,建立每类的主成分分析模型,在此基础上对未知样本进行类别归属[29]。结合不同光谱预处理方法,采用SIMCA方法(5个主成分,90%置信度)分别对3种类型烟用爆珠进行建模。

表2为原始光谱数据和经5种预处理方法后的光谱数据的SIMCA建模分类效果。相对其余光谱预处理,MSC、SNV的模型分类效果显著提高,识别率均超过90%,3种类型烟用爆珠可被有效分开,同时SIMCA所建立的模型不存在误判现象;相对MSC与SNV而言,原始光谱直接建模,其分类器性能差,清甜型、蜜甜型识别率均较低,并存在误判的现象,与光谱经过MSC与SNV处理所建的分类器有明显差距;归一化、均值中心化、标准化处理后的模型效果未得到明显改善,说明这3种预处理方法并不适用于本研究体系。事实上,MSC与SNV的目的基本相同,主要是为了消除固体颗粒分布不均匀及颗粒大小产生的散射影响。二者分类器潜力基本相近,很有可能消除了散射光对光谱数据的影响。

值得注意的是,本研究所用的蜜甜型爆珠壁材为黄色,清甜型、薄荷型爆珠壁材为绿色,采用近红外光谱法结合SIMCA算法可将3种类型烟用爆珠在一定程度上成功分开,说明NIRS结合数据处理可有效判别不同颜色壁材的爆珠。

用预测集对建立的SIMCA模型进行性能测试,分类结果见表3,MSC、SNV光谱数据预处理的验证效果良好,对3种类型烟用爆珠的识别率均在90%以上;MSC与SNV的结果相近,与训练集的行为基本一致,很有可能消除了散射光的影响。MSC与SNV分类器的分类结果表明,所建立的SIMCA模型具有较高的预测准确度和预测稳定性。

图2A与图2B分别为烟用爆珠未经处理和SNV处理的NIRS数据图。由图2可见,光谱SNV处理可以明显地消除基线漂移的影响。

3.2.2 烟用爆珠质量一致性评价 采用LDA算法(PCA联用马氏距离,选取5个主成分)对同一类型不同批次的烟用爆珠进行质量一致性评价。

表4为原始及预处理之后光谱数据LDA模型的训练集识别准确度,5种预处理方法和无预处理的光谱数据的LDA模型分类效果均很好,都基本接近100%。3种类型烟用爆珠的不同批次均能被很好地分开。不同光谱预处理的LDA模型需用外部检验的方法,以寻求最佳的分类器。所建立的各个LDA模型通过预测集进行性能测验。

表5为预测外部样本批次归属的准确度,所有LDA模型的预测准确度均很好,其中,MSC的分类结果略优,对3种类型烟用爆珠类内不同批次均能很好地分开。

本研究采用GC/MS方法可获取3种烟用爆珠内含物的化学成分,说明3种烟用爆珠香型不同,其内含物挥发性及半挥发性成分不同,每种香型烟用爆珠中特征香味成分差异很大。近红外光谱结合SIMCA建模可快速、准确地判别不同香型的爆珠。采用GC/MS方法对3种烟用爆珠内含物成分测定结果进一步说明,NIRS能够准确判别不同香型的爆珠。

4 结 论

分别采用NIRS技术和GC-MS法分析3种类型烟用爆珠。GC-MS方法对3种类型烟用爆珠内含物挥发性及半挥发性成分进行定性分析,NIRS法结合SIMCA模式识别算法对3种烟用爆珠样品建立了分类模型,LDA算法对同一类型不同批次的烟用爆珠进行质量一致性评价。结果表明,3种烟用爆珠香型不同,其内含物挥发性及半挥发性成分差别较大;采用NIRS技术可以有效判别不同颜色壁材的爆珠,建立的SIMCA模型可将3种类型烟用爆珠有效分开;蜜甜型、清甜型和薄荷型烟用爆珠不同批次样品的准确度分别为97.67%、100%和100%,所建立的LDA模型对3种类型烟用爆珠的不同批次均能很好地分开;光谱预处理方法显著影响所建立SIMCA模型的性能。NIRS技术操作简单,为烟用爆珠不同类型分类、质量一致性评价提供了一种新颖、快速、无损、识别准确度高的分析方法。

References

1 HONG Guang-Feng,QIU Ji-Qing,LI Guo-Zheng,ZHANG Qi-Dong,ZHANG Shi-Hua,HONG Qun-Ye,JIA Nan,ZHOU Hao,WANG Jin-Bang. Acta Tabacaria Sinica,2019,25(4): 124-134

洪广峰,邱纪青,李国政,张其东,张仕华,洪群业,贾 楠,周 浩,王金棒. 中国烟草学报,2019,25(4): 124-134

2 Abad-Vivero E N,Thrasher J F,Arillo-Santilln E,Pérez-Hernández R,Barrientos-Gutíerrez I,Kollath-Cattano C,Mejía R,Sargent J D. Tob. Control,2016,25(E2): E113-E119

3 Thrasher J F,Abad-Vivero E N,Moodie C,O′Connor R J,Hammond D,Cummings K M,Yong H H,Salloum R G,Czoli C,Reynales-Shigematsu L M. Tob. Control,2016,25(3): 275-283

4 Thrasher J F,Islam F,Barnoya J,Mejia R,Valenzuela M T,Chaloupka F J. Tob. Control,2017,26(4): 468-470

5 ZHANG Jin,ZHANG Lin. China Patent,201610368564.X,2016

張 晋,张 琳. 中国专利,201610368564.X,2016

6 Kim H S,Pack E C,Koo Y J,Lee Y J,Sung D K,Lee S H,Kim Y S,Kwon K H,Lim K M,Jang D Y,Choi D W. Regul. Toxicol. Pharm,2018,92: 420-428

7 HE Yuan,PENG Jun-Cang,L Juan,YANG Fang,FAN Ya-Ling,CAO Yong-Yan,WANG Yao,LI Xiao-Bin,WANG Yong-Hong,DENG Bao-An,CAO Wen,LEI Dong-Feng,HUANG Zhong-Bo. Tobacco Science & Technology,2018,51(7): 54-60

何 媛,彭军仓,吕 娟,杨 芳,樊亚玲,曹永艳,王 瑶,李小斌,王永红,邓宝安,曹 稳,雷东锋,黄仲波. 烟草科技,2018,51(7): 54-60

8 TANG Jie,ZHU Ling,XU Jia-Dong,HU Xing-Feng,PENG Zhong,TAN Guang-Lu,ZHU Li-Jun. Tobacco Science & Technology,2019,52(3): 39-45

唐 杰,朱 玲,许嘉东,胡兴锋,彭 忠,谭广璐,朱立军. 烟草科技,2019,52(3): 39-45

9 ZHU Ling,TANG Jie,XU Jia-Dong,HU Xing-Feng,PENG Zhong,TAN Guang-Lu,ZHU Li-Jun. Acta Tabacaria Sinica,2019,25(3): 29-36

朱 玲,唐 杰,許嘉东,胡兴锋,彭 忠,谭广璐,朱立军. 中国烟草学报,2019,25(3): 29-36

10 Jan U P,Dietmar R K,Reinhold C. Trends Food Sci. Tech. ,2015,46: 211-230

11 LI Mao-Gang,YAN Chun-Hua,XUE Jia,ZHANG Tian-Long,LI Hua. Chinese J. Anal. Chem.,2019,47(12): 1995-2003

李茂刚,闫春华,薛 佳,张天龙,李 华. 分析化学,2019,47(12): 1995-2003

12 Ebrahiema A,Olaniyi A F,Lembe S M,Umezuruike L O. J. Food Eng.,2018,217: 11-23

13 ZHENG Nian-Nian,LUAN Xiao-Li,LIU Fei. Spectroscopy and Spectral Analysis,2018,38(10): 3096-3100

郑年年,栾小丽,刘 飞. 光谱学与光谱分析,2018,38(10): 3096-3100

14 Su W H,He H J,Sun D W. Crit. Rev. Food Sci. Nutri.,2017,57(5): 1039-1051

15 WANG Fan,LI Yong-Yu,PENG Yan-Kun,SUN Hong-Wei,LI Long. Chinese J. Anal. Chem.,2018,46(9): 1424-1431

王 凡,李永玉,彭彦昆,孙宏伟,李 龙. 分析化学,2018,46(9): 1424-1431

16 Celio P. Anal. Chim. Acta,2018,1026: 8-36

17 Mees C,Souard F,Delporte C,Deconinck E,Stoffelen P,Stévigny C,Kauffmann J M,Braekeleer K. Talanta,2018,177(15): 4-11

18 BonaM T,Andrés J M. Talanta,2007,72(4): 1423-1431

19 Jones R W,Reinot T,Frei U K,Tseng Y,Lubberstedt T,Mcclelland J F. Appl. Spectrosc.,2012,66(4): 447-450

20 Okubo N,Kurata Y. Foods,2019,8(82): 1-7

21 Liu L,Cozzolino D,Cynkar W U,Gishen M,Colby C B. J. Agric. Food Chem.,2006,54(18): 6754-6759

22 Zhang Y,Cong Q,Xie Y,Yang J,Zhao B. Spectrochim. Acta A,2008,71(4): 1408-1413

23 Jing M,Cai W,Shao X. Anal. Lett.,2010,43(12): 1910-1921

24 DU Wen,YI Jian-Hua,TAN Xin-Liang,LIU Jin-Yun. Acta Tabacaria Sinica,2009,15(5): 1-5

杜 文,易建华,谭新良,刘金云. 中国烟草学报,2009,15(5): 1-5

25 ZHANG Feng,CHEN Xiao-Ming,CHEN Qun,LI Bin,LAN Hong-Qiao,LU Hong-Liang,YI Yong-Tao,CAO Xiao-Liang,HONG Zu-Can,ZHUANG Wu-Yong. China Patent,201210344034.3,2012

张 峰,陈小明,陈群,李 斌,蓝洪桥,鹿洪亮,伊勇涛,操晓亮,洪祖灿,庄吴勇. 中国专利,201210344034.3,2012

26 PENG Jun-Cang,HUANG Yang-Ming,WANG Yao,KANG Shi-Ping,ZHANG Feng-Xia,ZHANG Meng-Meng,SUN Zhao-Lin,MIN Shun-Geng. Analytical Instrumentation,2019,(2): 111-117

彭军仓,黄扬明,王 瑶,康世平,张凤霞,张萌萌,孙赵麟,闵顺耕. 分析仪器,2019,(2): 111-117

27 SHI Rong-Mao,LIU Jing. Modern Computer,2017,(20): 44-48

时榕茂,刘 静. 现代计算机,2017,(20): 44-48

28 Bi Y,Yuan K,Xiao W,Wu J,Shi C,Xia J,Chu G,Zhang G,Zhou G. Anal. Chim. Acta,2016,909: 30-40

29 Lobato K B S,Alamar P D,Caramês E T S,Pallone J A L. J. Food Eng.,2018,224: 105-111

猜你喜欢

气相色谱
气相色谱—串联质谱法测定玩具产品中5种有机磷阻燃剂
毛细管气相色谱法分析白酒中的甲醇和酯类
固相萃取—气相色谱法测定农田沟渠水中6种有机磷农药
气相色谱法快速分析人唾液中7种短链脂肪酸
吹扫捕集—气相色谱法同时测定海水中的氟氯烃和六氟化硫
基于GC/MS联用的六种邻苯二甲酸酯类塑化剂检测探讨
关于气相色谱分析氢气异常的解决方案
顶空气相色谱法测定水相中的微量苯系物