一种基于双波长吸收散射特征修正植物油中黄曲霉毒素B1激光诱导荧光信号的方法

一种基于双波长吸收散射特征修正植物油中黄曲霉毒素b1激光诱导荧光信号的方法
技术领域
1.本技术涉及液体食品光学特性检测技术领域，尤其是涉及了一种基于双波长吸收散射特征修正植物油中黄曲霉毒素b1激光诱导荧光信号的方法。


背景技术：

2.植物油在粮食生产中具有不可替代的地位和作用。从农作物的生长到最终的精制油，每个环节都可能影响食用植物油的质量和安全性，其中霉菌毒素是主要危害源。研究表明黄曲霉毒素b1(afb1)是所有黄曲霉毒素中毒性最强，且是花生油中含量最多的一种，约为黄曲霉毒素总量的65％-80％。 afb1是目前发现的致癌力最强的天然物质(约为氰化物的10倍，砒霜的68 倍)，1993年世界卫生组织国际癌症研究机构将afb1定为i类致癌物质。它主要是对人及动物肝脏组织具有强烈致癌、致畸和致突变等破坏作用。近年来，受黄曲霉毒素污染的食品问题屡见不鲜，因此，探索黄曲霉毒素检测方法以及提高检测能力已成为各国研究的热点。
3.激光诱导荧光技术(lif)检测afb1的原理是，afb1将在uv激发 (340-400纳米)下发射蓝色(450纳米)荧光。该方法使用激光作为激发光源，提高了检测灵敏度。它是基于afb1的特征荧光峰来判断污染样品，可以实现在线、快速的无损检测，是一种直接测量方法。然而，lif获得的荧光信号受到许多因素的干扰，如环境(温度、湿度等)、仪器(激光功率、检测器精度等)、样品相关因素(理化指标)等。因此，在现有的研究中，在建立判别模型时，它是针对某一批次的单一品种样本，并尽可能选择大小和外观相同的样本，这限制了lif技术的广泛应用。
4.植物油的化学成分是甘油三酯。不同原料(花生、玉米、油菜籽等)和工艺 (冷或热压、萃取溶剂、碱洗等)生产的植物油，其分子尺寸分布不同，会影响植物油的光散射。植物油中的脂肪酸和色素(天然色素以及蛋白质，糖，酚和维生素的氧化，降解或聚合产生的棕色，红色和黄色物体)会影响光吸收。此外，正常的植物油中含有一些能产生荧光信号的成分，如维生素b2、类胡萝卜素、叶绿素及其衍生物、脂肪酸的氧化产物等。吸收系数(μa)用于表示样品的吸收强度，而约化散射系数(μ’s
)用于表示样品的光散射。吸收与样品的化学成分有关，散射与样品的物理性质有关。通过分析吸收和散射对荧光信号的干扰机理，并研究荧光校正方法或多种光学特征融合方法，有望消除样品基质对lif测量结果的影响。


技术实现要素：

5.本发明的目的是：提供一种基于极少波长光学特性参数的不同种类植物油中黄曲霉毒素b1检测方法，解决现有激光诱导荧光光谱方法受样本基质干扰严重、建模所需波长多的问题。该方法操作简单，快速无损，无需样本前处理，环境友好，检测精度高。
6.针对上述目的，本发明采用的技术方案如下：
7.本发明方法包括“仿真分析-仿体验证-实际样本验证”三个环节。
8.一种基于双波长吸收散射特征修正植物油中黄曲霉毒素b1激光诱导荧光信号的方法，包括：
9.通过仿真分析荧光受干扰规律与模式，确定荧光修正所需参数，所述的荧光修正所需参数为激发与发射波长下的一种或多种吸收散射特征；
10.根据荧光修正所需参数，通过仿体实验确定用于修正黄曲霉毒素b1激光诱导荧光信号的最优机器学习模型；
11.收集不同种类的植物油并制备得到不同浓度的黄曲霉毒素b1污染的样本集，利用样本集训练最优机器学习模型，利用训练好的模型预测待测植物油中的黄曲霉毒素b1的含量。
12.作为本发明的优选，所述的仿真分析过程包括：
13.1.1)仿真通过monte carlo(sl jacques,monte carlo simulations of fluorescence in turbid media,ch.6 in handbook of biomedical fluorescence,m.a. mycek,b.w.pogue,publ.marcel-dekker,new york,ny,2003)算法实现，通过输入激发与发射波长下的吸收系数、散射系数、各向异性系数、仿真模型样本与样本之外介质的折射率来获得激发与发射波长下的荧光逃逸通量密度；
14.1.2)根据以下公式计算出发射波长下的逃逸出样本上表面的荧光通量φ：
[0015][0016]
其中，ri为仿真模型样本上的第i个点与入射准直光束中心点的距离，j(ri)
_em
为发射波长下第i个点的逃逸荧光通量密度，i
max
为仿真模型样本上的总点数；
[0017]
1.3)计算激发与发射波长下的有效衰减系数：
[0018][0019][0020]
式中，μ
eff_ex
为激发波长下的有效衰减系数，μ
a_ex
是激发波长下的吸收系数，μ
′
s_ex
是激发波长下的约化散射系数，μ
eff_em
为发射波长下的有效衰减系数，μ
a_em
是发射波长下的吸收系数，μ
′
s_em
是发射波长下的约化散射系数；
[0021]
1.4)将激发与发射波长下的吸收系数、约化散射系数和有效衰减系数作为候选吸收散射特征集合，从集合中挑选两个或两个以上候选吸收散射特征，根据候选吸收散射特征与仿真得到的逃逸荧光通量的抑制或促进关系，建立拟合曲线：
[0022]
φ＝a+a1e
h1/t1
+a2e
h2/t2
+
…
+ake
hk/tk
[0023]
其中，hk表示第k个候选吸收散射特征，k表示从集合中挑选的候选吸收散射特征的数量，a、a1、a2、ak、t1、t2、tk为拟合参数，当hi,i＝1,2,
…
,k对逃逸荧光通量为促进作用时，则hi取负值，当hi,i＝1,2,
…
,k对逃逸荧光通量为抑制作用时，则hi取正值；
[0024]
通过从集合中挑选不同的候选吸收散射特征组合进行拟合，根据拟合结果选择最优组合，将最优组合中的吸收散射特征作为荧光修正所需参数。
[0025]
作为本发明的优选，所述的候选吸收散射特征组合中的吸收散射特征数量为2-4。
[0026]
作为本发明的优选，所述的荧光修正所需参数为激发与发射波长下有效衰减系数、以及激发波长下的约化散射系数。
[0027]
作为本发明的优选，所述的仿体实验包括：
[0028]
自制液体仿体，india ink作为吸收材料，tio2作为散射粒子，硫酸奎宁作为荧光标准物质，去离子水作为溶剂；
[0029]
对不同体积浓度吸收材料、散射粒子、硫酸奎宁的液体仿体进行测试，获取液体仿体的荧光修正所需参数以及荧光强度；
[0030]
建立不同的机器学习模型，将液体仿体的荧光修正所需参数与荧光强度作为机器学习模型的输入值，将液体仿体中的硫酸奎宁含量作为预测值，对不同的机器学习模型进行训练和验证，取最优效果的模型作为最优机器学习模型。
[0031]
作为本发明的优选，所述的机器学习模型包括人工神经网络ann、随机森林rf、最小二乘支持向量机回归lssvr模型。
[0032]
作为本发明的优选，利用训练好的模型预测待测植物油中的黄曲霉毒素 b1的含量时，将待测植物油的荧光修正所需参数和荧光强度作为模型输入，输出黄曲霉毒素b1的含量预测结果。
[0033]
本发明的有益效果是：本发明一种基于双波长吸收散射特征修正植物油中黄曲霉毒素b1激光诱导荧光信号的方法，解决了现有的激光诱导荧光光谱技术在检测不同品种植物油afb1含量时，受样本复杂基质干扰严重的问题。该方法确定了仅依据激发与发射双波长下的吸收与散射特征、以及发射波长下的荧光特征，可以实现不同品种植物油中afb1稳健预测，检测精度高，无需样本前处理，且建模所需参数少。
附图说明
[0034]
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
[0035]
图1是根据一示例性实施例示出的荧光mc仿真主程序流程图。
[0036]
图2是根据一示例性实施例示出的mc仿真获得的激发光与荧光逃逸通量密度。
[0037]
图3是根据一示例性实施例示出的计算得到的逃逸荧光通量随μ
a_ex
,μ
a_em
, μ’s_ex
,μ’s_em
变化规律。
[0038]
图4是根据一示例性实施例示出的逃逸荧光通量拟合值v.s.仿真值。
[0039]
图5是根据一示例性实施例示出的基于μ
eff_ex
、μ
eff_em
、μ’s_ex
与发射波长荧光强度的植物油afb1含量lssvr模型预测值v.s.参考值。
[0040]
图6是根据一示例性实施例示出的未经修正的450nm下的不同afb1含量植物油荧光强度。
[0041]
图7是根据一示例性实施例示出的荧光修正前基于400-600nm荧光强度的植物油afb1含量plsr预测值v.s.参考值。
[0042]
图8是根据一示例性实施例示出的一种基于双波长吸收散射特征修正植物油中黄曲霉毒素b1激光诱导荧光信号的方法的流程图。
具体实施方式
[0043]
下面结合附图与具体实施例对本发明作进一步说明。
[0044]
图8示出了本发明提出的一种基于双波长吸收散射特征修正植物油中黄曲霉毒素b1激光诱导荧光信号的方法的主要流程，包括“仿真分析-仿体验证-实际样本验证”三个环节。
[0045]
如图1所示，荧光mc仿真算法主程序工作流程为：
[0046]
发射光子：本实施例中，采用的光源类型为collimated beam(准直光束)，与后续仿体实验所用激光光源保持一致；
[0047]
光子单次移动：通过产生随机数与输入的激发光总衰减系数(记为μ
t_ex
，为吸收系数μ
a_ex
与散射系数μ
s_ex
之和)，并根据光子初始位置进一步确定光子移动后的位置；
[0048]
逃逸判断环节：判断光子是否逃逸出仿真模型上表面，若逃出，则该光子被判定为“消逝”，其光子比重被加到激发光逃逸通量密度(j(r)
_ex
)上，继续发射光子；若未逃出，则该光子进入“光子比重下降”环节，具体为：光子移动后且未逃逸的情况下，根据仿真样本的反照率(a＝μ
s_ex
/μ
t_ex
)，其比重将会下降，光子下降的比重被加到样本内部光子能流率(f)上；
[0049]
光子旋转：当光子未消逝，且其在drop环节比重下降后，传输路径也将会改变，通过产生随机数，使用henyey-green-stein散射函数确定其路径背离的角度，根据角度值进行光子旋转；
[0050]
轮盘赌判断环节：如果光子在“光子比重下降”与“光子旋转”环节后，光子下降后的比重高于或等于设定的阈值(1e-4
)时，则光子逃逸，其光子比重被加到激发光逃逸通量密度(j(r)
_ex
)上，若下降后的比重低于设定的阈值(1e-4
) 时，通过产生随机数与机会值(chance，0.1)决定光子是否“消逝”，若随机数小于0.1，则该光子消逝，若随机数大于或等于0.1，则该光子比重被重新赋值后进入“光子单次移动”环节。
[0051]
在轮盘赌生死环节中被判定为“消逝”的光子，需进一步判断该光子是否是仿真的最后一个光子，若不是，则继续发射光子；若是，则结束循环，经过计算得到的激发光逃逸通量密度(j(r)
_ex
)与激发光能流率(f
_ex
)。
[0052]
本实施例中，荧光逃逸通量密度(j(r)
_em
)与荧光能流率(f
_em
)通过相同的方式得到，所不同的是，荧光仿真子程序认为荧光是由仿真样本内部均匀的荧光物质所产生的，因此在发射光子时，是在样本内部某一位置发射各向同性的荧光光子。
[0053]
通过输入激发与发射波长下的吸收系数(μ
a_ex
,μ
a_em
)、散射系数(μ
s_ex
,μ
s_em
)、各向异性系数(g)、仿真样本与样本之外介质的折射率(n)来获得如图2所示的激发光与发射荧光的逃逸通量密度(j(r))，图2中的横坐标r表示模型样本与入射光位置的距离。其中，g值均设为0.9，n值分别设为1.33与1。输入的μ
a_ex
, μ
a_em
,μ
s_ex
,μ
s_em
如下表所示：
[0054][0055][0056]
根据如下公式可以计算出不同μ
a_ex
,μ
a_em
,μ
s_ex
,μ
s_em
输入条件下，逃逸出样本上表面的荧光通量(φ)。
[0057][0058]
其中，ri为仿真模型样本上的第i个点与入射准直光束中心点的距离，j(ri)
_em
为发射波长下第i个点的逃逸荧光通量密度，i
max
为仿真模型样本上的总点数。
[0059]
计算出的逃逸荧光通量φ随μ
a_ex
，μ
a_em
，μ
s_ex
，μ
s_em
变化规律如图3所示，其中左上图为仿真样本1-7的结果，右上图为8-14号仿真样本，左下图为15-21号仿真样本，右下图为22-28号仿真样本。通过仿真结果可以发现，逃逸荧光通量与μ
a_ex
，μ
a_em
，μ
s_em
均呈非线性递减关系，而激发波长下的约化散射系数μ
′
s_ex
对逃逸荧光通量有促进作用。
[0060]
根据以下公式分别计算出激发与发射波长下的有效衰减系数(μeff)：
[0061][0062]
式中，μa为吸收系数，μ
′s为约化散射系数。分别将激发与发射波长下吸收系数、约化散射系数代入上述公式中，得到激发波长下的有效衰减系数μ
eff_ex
和发射波长下的有效衰减系数μ
eff_em
。通过以下公式对mc仿真得到的逃逸荧光通量进行拟合，拟合值与仿真值如图4所示。
[0063][0064]
其中，a、a1、a2、a3、t1、t2、t3为拟合参数，μ
eff_ex
与μ
eff_em
为激发与发射波长下的有效衰减系数。
[0065]
由图4可以发现，通过激发波长下的有效衰减系数μ
eff_ex
、约化散射系数μ
′
s_ex
与发射波长下的有效衰减系数μ
eff_em
，可以对荧光信号进行较优拟合，因此确定后续将采用这三个系数对荧光信号进行修正。
[0066]
自制液体仿体，india ink作为吸收材料，tio2作为散射粒子，硫酸奎宁作为荧光标准物质，去离子水作为溶剂。india ink体积浓度分别为0、0.00375％、 0.0075％、0.015％、0.03％，tio2体积浓度分别为0.001875％、0.00375％、0.0075％、 0.015％、0.03％，硫酸奎宁体积浓度分别为0.5％、0.75％、1％、1.25％、1.5％，共配置135个仿体样本，将仿体样本分为校正集90个样本与验证集45个样本。通过自主研发光学平台(专利申请号cn202011238253.4)对仿体进行测试，获取仿体μ
a_ex
，μ
a_em
，μ
s_ex
，μ
s_em
以及荧光强度。进一步计算出仿体的μ
eff_ex
与μ
eff_em
，并将仿体的μ
eff_ex
、μ
eff_em
、μ
s_ex
与荧光强度带入不同机器学习模型 (ann、rf、lssvr)，用于预测仿体中硫酸奎宁的含量。不同模型预测效果通过校正集、验证集的相关系数(rc、rv)与均方根误差(rmsec、rmsev) 进行评估，模型效果如下表所示：
[0067]
建模方法rcrvrmsecrmsevann0.9500.5150.1200.464rf0.9390.5550.1810.347lssvr0.8060.8280.2270.245
[0068]
由建模结果可以发现，ann与rf经过多次调参依然难以实现预测集精确预测，相比较，lssvr建模结果最优，校正集与验证集相关系数、均方根误差接近，分相关系数别为0.806与0.828，均方根误差分别为0.227与0.245。因此在后续植物油样本afb1预测时，将基于激发波长下的有效衰减系数、约化散射系数与发射波长下的有效衰减系数，使用lssvr进行afb1预测模型建立。
[0069]
准备不同种类与品牌的植物油，人工添加不同体积以乙腈为溶剂的 afb1标准溶液，得到不同污染程度(0、10、20、40μg/kg)的植物油样本共1620个，将植物油样本分为校正集1080个与验证集540个。植物油种类分别为：花生油、菜籽油、玉米油，每种油各两个品牌。
通过自主研发光学平台对植物油样本进行测试，获取植物油μ
a_ex
，μ
a_em
，μ
s_ex
，μ
s_em
以及荧光强度。进一步计算出植物油的μ
eff_ex
与μ
eff_em
，并将植物油的μ
eff_ex
、μ
eff_em
、μ
s_ex
与荧光强度带入lssvr模型，用于预测植物油样本中afb1含量。基于μ
eff_ex
、μ
eff_em
、μ
s_ex
与发射波长荧光强度的植物油afb1含量lssvr模型预测结果如图5所示，rc、rv均能达到1.000，且rmsec与rmsev低至0.038与0.099。
[0070]
为了体现本发明提出的基于双波长吸收散射特征修正植物油中黄曲霉毒素b1激光诱导荧光信号的方法的优势，将未经过修正的植物油450nm (afb1特征荧光发射波长)波长下的荧光强度绘制成散点图如图6所示，可以发现对于相同afb1浓度污染，不同种类与品牌植物油在450nm下的荧光强度差别极大，难以通过单个波长下的荧光强度实现afb1预测。
[0071]
进一步基于400-600nm的荧光强度，使用偏最小二乘回归(plsr)建立不同种类与品牌植物油afb1含量预测模型，模型预测结果如图7所示，从图中可以发现，通过400-600nm的荧光光谱，可以实现不同种类与品牌植物油中afb1的定量预测，然而与本发明提出的方法相比，模型精度较低， rc、rv仅分别为0.925、0.923，且rmsec与rmsev高达6.385与6.470。
[0072]
本发明仅基于激发与发射双波长下的吸收、散射与荧光特征即可实现不同种类植物油中afb1含量精确预测，无需样本前处理，环境友好，检测速度快，相比于宽波段光谱检测，所需波长信息少。
[0073]
以上列举的仅是本发明的具体实施例。显然，本发明不限于以上实施例，还可以有许多变形。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形，均应认为是本发明的保护范围。