Выбор переменных в ультрафиолетовом, видимом и ближнем инфракрасном диапазонах для калибровки смеси растительных масел по спектрам оптической плотности

Целью работы являлась многопараметрическая калибровка концентрации нерафинированного подсолнечного масла, рассматриваемого в качестве фальсификата льняного масла. Актуальность исследования обусловлена необходимостью разработки простого и эффективного метода обнаружения фальсификации льняного масла, превосходящего по содержанию незаменимых полиненасыщенных жирных кислот оливковое масло, выявлению подделок которого в отличие от льняного посвящено большое количество работ.

Многопараметрическая калибровка проводилась с помощью модели, основанной на методе главных компонент, кластерном анализе и проекции на латентные структуры спектров оптической плотности в УФ-, видимом и ближнем ИК диапазонах с применением трех методов выбора спектральных переменных: метода последовательного проецирования, метода поиска комбинации сдвигающихся окон и метода ранжирования переменных по коэффициенту корреляции.

Показано, что применение методов последовательного проецирования, ранжирования переменных по коэффициенту корреляции и поиска комбинации сдвигающихся спектральных окон позволяет уменьшить величину среднеквадратичного отклонения калибровки с 0,63 % для широкополосной проекции на латентные структуры до 0,46 %, 0,50 % и 0,03 %, соответственно.

Разработанный метод многопараметрической калибровки с помощью проекции на латентные структуры спектров оптической плотности в УФ-, видимом и ближнем ИК диапазонах с применением выбора спектральных переменных путём поиска комбинации сдвигающихся окон является простым и эффективным средством обнаружения фальсификации льняного масла.

1. Valdés A., Beltrán A., Mellinas C., Jiménez A., Garrigós M.C. Analytical methods combined with multivariate analysis for authentication of animal and vegetable food products with high fat content. Trends in Food Science & Technology, 2018, vol. 77, pp. 120‒130. DOI: 10.1016/j.tifs.2018.05.014

2. Milanez K., Nóbrega T., Nascimento D., Insausti M., Band B., Pontes M. Multivariate modeling for detecting adulteration of extra virgin olive oil with soybean oil using fluorescence and UV–Vis spectroscopies: A preliminary approach. Food Science and Technology, 2017, vol. 85, pp. 9‒15. DOI: 10.1016/j.lwt.2017.06.060

3. Lima T., Musso M., Menezes D. Using Raman spectroscopy and an exponential equation approach to detect adulteration of olive oil with rapeseed and corn oil. Food Chemistry, 2020, vol. 333, pp. 127454. DOI: 10.1016/j.foodchem.2020.127454

4. Li Y., Xiong Y., Min S. Data fusion strategy in quantitative analysis of spectroscopy relevant to olive oil adulteration. Vibrational Spectroscopy, 2019, vol. 101, pp. 20‒27. DOI: 10.1016/j.vibspec.2018.12.009

5. Elzey B., Pollard D., Fakayode S. Determination of adulterated neem and flaxseed oil compositions by FTIR spectroscopy and multivariate regression analysis. Food Control, 2016, vol. 68, pp. 303‒309. DOI: 10.1016/j.foodcont.2016.04.008

6. De Souza L., De Santana F., Gontijo L., Mazivila S., Neto W. Quantification of adulterations in extra virgin flaxseed oil using MIR and PLS. Food Chemistry, 2015, vol. 182, pp. 35‒40. DOI: 10.1016/j.foodchem.2015.02.081

7. Khodasevich M.A., Borisevich D.A. Identification of Flax Oil by Linear Multivariate Spectral Analys. Journal of Applied Spectroscopy, 2019, vol. 86, no. 6, pp. 880–884. DOI: 10.1007/s10812-020-00929-z

8. Bro R., Smilde A.K. Principal component analysis. Analytical Methods, 2016, vol. 6, pp. 2812–2831. DOI: 10.1039/C3AY41907J

9. Geladi P., Kowalski B.R. Partial Least-Squares Regression: A Tutorial. Analytica Chimica Acta, 1986, vol. 185, pp. 1–17. DOI: 10.1016/0003-2670(86)80028-9

10. Soares S.F.C., Gomes A.A., Araujo M.C.U., Filho A.R.G., Galvão R.K.H. The successive projections algorithm. TrAC Trends in Analytical Chemistry, 2013, vol. 42, pp. 84–98. DOI: 10.1016/j.trac.2012.09.006

11. Xiaobo Z., Jiewen Z., Malcolm J.W. Povey, Holmes M., Hanpin M. Variables selection methods in near-infrared spectroscopy. Analytica Chimica Acta, 2010, vol. 667, pp. 14–32. DOI: 10.1016/j.aca.2010.03.048

12. Li Z., Wang J. , Xiong Y., Li Z., Feng S. The determination of the fatty acid content of sea buckthorn seed oil using near infrared spectroscopy and variable selection methods for multivariate calibration. Vibrational Spectroscopy, 2016, vol. 84, pp. 24–29. DOI: 10.1016/J.VIBSPEC.2016.02.008

13. Wang L., Lee F., Wang X., He Y. Feasibility study of quantifying and discriminating soybean oil adulteration in camellia oils by attenuated total reflectance MIR and fiber optic diffuse reflectance NIR. Food Chemistry, 2006, vol. 95, pp. 529‒536. DOI: 10.1016/j.foodchem.2005.04.015

14. Khodasevich M.A., Aseev V.A. Selection of Spectral Variables and Improvement of the Accuracy of Calibration of Temperature by Projection onto Latent Structures Using the Fluorescence Spectra of Yb3+:CaF . Optics and Spectroscopy, 2018, no. 124, pp. 713–717. DOI: 10.1134/S0030400X18050089

15. Nawar S., Mouazen A.M. Optimal sample selection for measurement of soil organic carbon using online vis-NIR spectroscopy. Computers and Electronics in Agriculture, 2018, vol. 151, pp. 469‒477. DOI: 10.1016/j.compag.2018.06.042

16. Li Y., Fang T., Zhu S., Huang F., Chen Zh., Wang Y. Detection of olive oil adulteration with waste cooking oil via Raman spectroscopy combined with iPLS and SiPLS. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2018, vol. 189, pp. 37–43. DOI: 10.1016/j.saa.2017.06.049