唐 军, 王 青, 童 红, 廖 享, 张正方

新疆大学理化测试中心， 新疆大学物理科学技术学院, 新疆 乌鲁木齐 830046

薰衣草精油的衰减全反射红外光谱辨别分析

唐 军, 王 青, 童 红, 廖 享, 张正方

新疆大学理化测试中心， 新疆大学物理科学技术学院, 新疆 乌鲁木齐 830046

为建立薰衣草精油品种品质的快速辨别分析模型， 采用衰减全反射红外光谱法测定三个品种共96个薰衣草精油样品， 对原始光谱数据求二阶导数， 通过方差计算， 确定1 750～900 cm-1波长段为判别分析用数据。 分析结果表明， 主成分分析(PCA)基本能实现精油品种区分， 前三个主成分主要代表着酯、 醇和萜类物质。 使用68个样品的校正集建立正交偏最小二乘判别分析(OPLS-DA)模型， 三个品种薰衣草精油的回归曲线测定系数分别为0.959 2, 0.976 4, 0.958 8， 验证集中三个品种精油预测均方根误差(RMSEP)分别为0.142 9, 0.127 3, 0.124 9， OPLS-DA法建立的模型对校正集和验证集的判别率和预测率都达到100%， 模型对薰衣草精油品种品质有很好的识别能力。 为薰衣草精油品种品质提供一个快速、 直观的方法。

薰衣草精油； 衰减全反射红外光谱； 主成分分析； 正交偏最小二乘辨别分析

引 言

薰衣草精油是重要的天然香料， 在美容、 保健、 医药等领域有着广泛的应用[1-3]。 新疆伊犁是我国最大的薰衣草种植基地， 也是世界三大产地之一， 因地理位置、 气候条件适宜， 新疆产精油品质好， 但缺乏相关质量标准， 大部分以原料方式输出[4]。 薰衣草精油品质的好坏与提取精油的薰衣草品种、 生长地理环境密切相关外， 还与提取工艺、 后期精制等过程有关[5-6]， 目前， 我国的研究工作对于薰衣草精油的化学组成和应用较多， 前期的基础性研究和质量控制研究很少， 非常不利于新疆伊利地区薰衣草产业的发展。 随着市场上薰衣草精油商业价值的提升， 鉴别薰衣草精油品质变得更加重要， 研究薰衣草精油品种品质的快速、 简单分析技术对于精油的质量生产控制就显得很有必要。

正交偏最小二乘判别分析法(OPLS-DA)是先对数据对象先进行正交信号校正(orthogonal signal correction)， 然后再以校正后数据进行偏最小二乘判别分析， OPLS-DA应用于测量速度快捷方便的衰减全反射(ATR)红外光谱[7-11]数据分析时， 可以将红外原始吸光度光谱矩阵X中与待测精油类别矩阵Y不相关的部分信息滤除， 生成的结果清晰、 更易于解释。 OPLS-DA建模方法已广泛应用在生物活性组分的辨识、 物质化学成分的构成与药理活性间的关系、 代谢组学的数据特征筛选等各种多元复杂数据分析中[12-15]。 红外光谱能够综合反映出薰衣草精油中各种化学组分， 信息量全面， 但红外谱峰数据相关性高、 冗余度大， 在此通过测定不同品种薰衣草精油的衰减全反射红外(ATR-FTIR)光谱， 结合PLS-DA方法进行薰衣草精油不同品种品质的判别分析， 建立以红外光谱为化学特征的薰衣草精油品种指纹图谱， 可为保证薰衣草精油生产用单方精油的来源提供可靠有效的分析技术， 为薰衣草精油的质量控制提供理论支持和一种有效方法。

1 实验部分

1.1 材料与仪器

在2013年6月采集三个品种(C-197(2)、 H-701和法国蓝)共96个的狭叶薰衣草样本， 采集部位为盛花期薰衣草干燥花序， 采集地点为新疆伊犁农四师71团、 70团、 69团和65团， 各样本经新疆药物研究所杨伟俊博士鉴定。 对所有采集样本通过水蒸汽蒸馏提取薰衣草精油作为实验用样本， 水蒸汽蒸馏时间为4 h， 得到的精油样品用无水硫酸钠干燥后密封于玻璃瓶中， 在-20 ℃冷藏备用。

红外谱图测试仪器： VERTEX 70型红外光谱仪(德国Bruker公司)， ATR附件： 美国PIKE公司， 全反射晶体为ZnSe， 单次全反射测量方式， 入射角度为45°。 测量时在ATR附件的ZnSe晶体凹槽上覆盖精油样品后加密封盖， 设定红外扫描范围： 4 000～600 cm-1， 谱图扫描次数(SCANS)： 32， 分辨率(RES)： 4 cm-1。

1.2 数据处理

使用Bruker仪器公司OPUS6.0软件对原始光谱数据进行基线较正， 再做9点平滑处理， 以滤除各种因素产生的高频噪声， 最后对处理过光谱数据求二阶导数， 将1 750～900 cm-1波长范围内吸光度二阶导数值作为分析对象， 每2 cm-1取一数据点， 以96个样品构建出96×425的数据分析矩阵， 其中68个为校正集、 28个为验证集数据。 使用校正集建立类别判别回归模型， 根据所建立模型计算测试集的分类变量值Yp， 当Yp>0.5， 且偏差<0.5时， 判定类别相同； 当Yp<0.5， 且偏差<0.5时， 判定类别不同； 偏差≥0.5时， 判别不稳定。 PCA分析在Matlab 7.5软件中进行， OPLS-DA分析在Simca-P13.0软件中完成。

2 结果与讨论

2.1 红外光谱分析

Fig.1 Mean FTIR spectra of Lavender Oil

2.2 红外光谱特征的提取

红外光谱是样品中全部化学成份的整体表现， 对于不同品种的薰衣草精油来说， 分析用红外波长段的差异性越大， 则表明此波段产生吸收峰的化学成份差异性越大， 会更适合于化学计量学模式判别分析。 方差代表着变量数据的差异性大小， 以方差计算值可以看出96个精油样品在红外谱上差异吸收波长位置[16]， 为此我们以所有精油样本在测量波长范围内的每一数据采集点吸光度值做为xi变量， 求出4 000～600 cm-1波长段的方差值Σ=D(X)， 绘制方差曲线图(图2)， 横坐标为波数， 纵坐标为方差值， 不同波长下的方差越大， 说明精油红外谱间的差异性越大， 更能体现出薰衣草精油间品种品质的差别， 从图2可以看出所有品种96个精油样品的红外二阶导数光谱在1 750～900 cm-1范围方差有明显的差异， 因此将此波段二阶导数光谱作为分析波长段， 并每隔2 cm-1取一分析数据点构建出96×425的数据分析矩阵。

Fig.2 The plot of covariance

2.3 主成分分析

采用Matlab7.5软件， 对3个品种共96个精油样本， 以2.2中得到的数据矩阵进行PCA分析。 分析结果显示前3个主成分的累计可信度为81.85%， 包含原变量80%以上的数据信息， 完全能表现出各品种薰衣草精油间的关系。 图3为96个样本的主成分分析图， 从图中可清晰地分辨出不同品种薰衣草精油样本的分布情况， 所有样本分成三个类别集合， 其中法国蓝精油样品聚合度较好， 与H-701和C-197(2)之间的界线明显， H-701和C-197(2)样本集合之间也能基本区分， 在集合边界间有部分重叠， 说明主成分聚类完全能对法国蓝精油进行识别， 而H-701和C-197(2)两个精油类别距离较近， 集合边界有重叠， 说明两种精油间的化学组成比较接近， 通过主成分方法并不能完全辨识这二类精油间的差异。 由此可见， 主成分分析基本可以实现三种类别精油区分， 原始分析数据能够进一步的用于有监督的判别分析中。

2.4 主成分模型载荷分析

以衰减全反射红外光谱法为基础， 进一步分析不同品种薰衣草精油之间化合物的差异性， 对精油PCA分析模型进行主成分载荷因子分析， 图4为1 750～900 cm-1分析波长段前三个主成分载荷因子图， PC1， PC2和PC3作为PCA模型的主要因子， 其累积贡献率为81.85%， 因此前三个主成分完全能说明不同品种薰衣草精油中化合物的差异性。 在图1中一些低灵敏度的吸收峰在图4中有着比较清晰的显示。 从图4中， 可以看出， 对PC1具有较大贡献率的吸收峰为1 739， 1 370， 1 238， 1 020， 920 cm-1， 在精油中与这些吸收峰密切相关的化合物主要为乙酸芳樟酯、 乙酸薰衣草酯等物质。 对PC2贡献率较大的吸收峰为1 742， 1 382， 1 229， 1 038 cm-1， 在精油中与这些峰密切相关的化合物除了酯类特征吸收峰外， 还有含有—C—O—基团的醇类物质。 对PC3贡率较大的吸收峰为1 676， 1 645， 1 450， 1 228， 995， 920 cm-1， 在精油中与这些峰密切相关的主要为含不饱和双键的萜类物质。 通过主成分载荷因子分析结合图3的主成分载荷

Fig.3 The PCA analysis of lavender essential oil samples 3D and 2D diagram

Fig.4 The loading factors of PCA identification model

分布图， 可以看出三种不同品种的薰衣草精油的差异主要体现在酯类、 醇类和萜类物质上。

2.5 OPLS-DA判别分析模型

正交偏最小二乘辨别(OPLS-DA)分析法可通过对变量空间的投影旋转找出类别判别的潜在变量。 在精油类别OPLS-DA分析过程中， 需要先按照样本类别特征， 赋予训练集样本分类变量值。 按照薰衣草精油的类别品种， 设定类别监督变量组Y(表1)， 然后对训练集样本采用OPLS-DA方法， 以吸光度二阶导数指标的自变量数据集X和类别变量Y进行回归分析， 建立OPLS-DA辨别模型。

Table 1 Variables of different varieties of essential oil sample

建模用训练集中含68个样品， 训练集中C197(2)、 法国兰、 H701类别精油的OPLS-DA分类变量预测值与真实值的回归曲线测定系数分别为0.959 2， 0.976 4， 0.958 8， 训练集中三个品种精油辨别率都达到100%。 为了对OPLS-DA模型做进一步评价， 预测验证集中的28个样品， 模型分析及验证结果见表2， 模型对未知样品预测识别率为100%， 三个品种精油的预测均方根误差(RMSEP)在0.124 9～0.142 9之间， 说明建立的模型辨别能力良好， 可以达到对薰衣草精油品种辨别分析。

Table 2 Identification efficiency of calibration

3 结 论

对三个品种共96个薰衣草精油样品的红外光谱数据求二阶导数， 通过计算方差选取特征性强的波数段1 750～900 cm-1做为模式识别分析的原始数据， 以主成分和正交偏最小二乘法建立薰衣草精油品种鉴别模型。 结果表明， 主成分分析可清晰地分辨出不同品种薰衣草精油样本的分布情况， 所有样本基本分成三个类别集合。 基于此， 将96个样品分为校正集和验证集， 选用正交偏最小二乘法建立辨别模型， 对于不同品种模型的R2， RMSEE， RMSEP值都能达到要求， 所建立的OPLS-DA辨别模型对未知样本的识别率为100%， 预测结果好。 由此可见， 采用ATR-FTIR测试手段， 利用OPLS-DA的计量学方法可以实现对薰衣草精油品种品质的简单、 快速鉴别， 是一种行之有效的方法。

[1] Fismer K L, Pilkington K. European Journal of Integrative Medicine, 2012, 4(4): 436.

[2] Guyot-Declerck C, Renson S, Bouseta A, et al. Food Chemistry, 2002, 79(4): 453.

[3] Hritcu L, Cioanca O, Hancianu M. Phytomedicine, 2012, 19(6): 529.

[4] WANG Zi-jian(王自健). Northern Horticulture(北方园艺), 2011, (13): 186.

[5] Danh L T, Triet N D A, Han L T N, et al. The Journal of Supercritical Fluids, 2012, 70(10): 27.

[6] WANG Yu-qin, SUN Ya-jun, SHI Xian-er(王玉芹, 孙亚军, 施献儿). World Phytomedicines(国外医药植物药分册), 2004, 19(1): 5.

[7] CHU Xiao-li(褚小立). Chemometrics Method and Molecular Spectrum Analysis Techniques(化学计量学方法与分子光谱分析技术). BeiJing: Chemical Industry Press(北京： 化学工业出版社), 2011. 14.

[8] MENG Qing-hua, XIANG Yang(孟庆华, 向 阳). Optics and Precision Engineering(光学精密工程), 2007, 15(10): 1515.

[9] LI Xiao-li, HU Xing-yue, HE Yong(李晓丽, 胡兴越, 何 勇). Journal of Infrared and Millimeter Waves(红外与毫米波学报), 2006, 25(6):417.

[10] Li Y Q, Kong D X, Wu H. Industrial Crops and Products, 2013, (41): 269.

[11] Saji K， Hubert J. Food Chemistry, 2012, 135(1): 213.

[12] ZHANG Hai, ZHAO Jie-wen, LIU Mu-hua(张 海, 赵杰文, 刘木华). Food Science(食品科学), 2005, 26(6): 189.

[13] Ni Wangdong, Steven D. Brown, Anal. Chem., 2009, 81(21): 8962.

[14] Roberto Consonni, Laura Ruth Cagliani, Clelia Cogliati. Journal of Agricultural and Food Chemistry, 2012, 60(18): 4526.

[15] Kishore Kumar Pasikanti, Kesavan Esuvaranathan, Paul C. Ho. Journal of Agricultural and Food Chemistry, 2013, 61(11): 2597.

[16] TANG Jun, WANG Qing, WANG Qiang(唐 军, 王 青, 王 强). Chinese Traditional and Herbal Drugs(中草药), 2011, 42(6): 1213.

Discriminant Analysis of Lavender Essential Oil by Attenuated Total Reflectance Infrared Spectroscopy

TANG Jun, WANG Qing, TONG Hong, LIAO Xiang, ZHANG Zheng-fang

Physics and Chemistry Testing Center, College of Physics Science and Technology, Xinjiang University, Urumqi 830046, China

This work aimed to use attenuated total reflectance Fourier transform infrared spectroscopy to identify the lavender essential oil by establishing a Lavender variety and quality analysis model. So, 96 samples were tested. For all samples, the raw spectra were pretreated as second derivative, and to determine the 1 750～900 cm-1wavelengths for pattern recognition analysis on the basis of the variance calculation. The results showed that principal component analysis (PCA) can basically discriminate lavender oil cultivar and the first three principal components mainly represent the ester, alcohol and terpenoid substances. When the orthogonal partial least-squares discriminant analysis (OPLS-DA) model was established, the 68 samples were used for the calibration set. Determination coefficients of OPLS-DA regression curve were 0.959 2, 0.976 4, and 0.958 8 respectively for three varieties of lavender essential oil. Three varieties of essential oil's the root mean square error of prediction (RMSEP) in validation set were 0.142 9, 0.127 3, and 0.124 9, respectively. The discriminant rate of calibration set and the prediction rate of validation set had reached 100%. The model has the very good recognition capability to detect the variety and quality of lavender essential oil. The result indicated that a model which provides a quick, intuitive and feasible method had been built to discriminate lavender oils.

Lavender essential oil; ATR-FTIR; PCA; OPLS-DA

Sep. 13, 2013; accepted Mar. 11, 2014)

2013-09-13，

2014-03-11

国家自然科学基金项目(21265021)资助

唐 军， 1971年生， 新疆大学理化测试中心， 新疆大学物理科学技术学院高级工程师 e-mail： tangjunwq@163.com

O657.3

A

10.3964/j.issn.1000-0593(2016)03-0716-04