陈孝敬-温州大学-基于近红外光谱的重金属污染泥蚶的快速检测

Rapid detection of heavy metal-contaminated Tegillarca granosa using near infrared spectroscopy
KeLiuDongxiu LinXiaojing Chen* (College of Physics and Electronic Engineering Information, Wenzhou University, Wenzhou 325035)
1
heavy metal (Cd, Cu, Pb, or Zn) (Design I);classify all sample varieties, including the samples that were uncontaminated and contaminated by the four heavy metals (Design II). Two recognitionalgorithms, namely, the leastsquares support vector machines (LS-SVM) and random forest (RF)were used to construct classification models and prediction for design I and II, respectively. Prediction results displayed that the average prediction accuracy of LS-SVMand RFreached 100% and 95% for Design I respectively, and reached 96% and 92% forDesign IIrespectively.The results of this study indicated the potential of infrared spectroscopy in evaluating heavy metal contamination in Tegillarca granosa. Meanwhile, it could provide a rapid detection method for heavy metal contamination in Tegillarca granosa.
2
近年来，近红外光谱（NIR）技术由于具有快速、简单、准确、低成本和较 少样本制备等特点，被广泛应用于水产品质量和安全检测的研究[9]。近红外光谱 主要是由于分子振动的非谐振性产生的， 主要反映的是含氢基团振动的倍频和组 合频吸收，具有丰富的结构和组成信息[9-11]。近红外光谱技术对于有机化合物的 分析主要通过检测样品成分分子中分子振动和旋转的能量差， 获取样品的吸收光 谱，从而将近红外光谱用于食品的定量和定性分析[12-14]。与在普通食品的主要成 分检测相比， 贝类所富集的各种重金属离子一般不具有近红外活性，在近红外光 谱中几乎没有特征峰。因此，在贝类重金属富集信息的检测中，近红外光谱分析 技术需要通过间接的方式获取重金属的富集信息。所以，实现贝类重金属污染的 快速检测难度更大。 本文提出利用近红外光谱技术快速检测重金属污染泥蚶。 本研究的主要目标 是探究基于近红外光谱技术对镉（Cd） 、铜（Cu） 、铅（Pb） 、锌（Zn）等 4 种不 同重金属污染和对照泥蚶的快速检测。 镉和铅对人体而言是非必需元素并且是有 毒的，而铜和锌是必需元素，对人体有着至关重要的作用。然而，摄入过多的 Cu 和 Zn 却会危害人体健康[7]。本文的主要工作包括： （1）对照泥蚶和单一重金 属(Cd、Cu、Pb 或 Zn)污染泥蚶的分类（设计 I）； （2）所有样本包括对照泥蚶 和 4 种不同重金属污染泥蚶的分类（设计 II）。基于近红外光谱信息，利用最小 二乘支持向量机(LS-SVM)和随机森林(RF)算法对设计 I 和 II 分别建立分类模型 并预测。
基于近红外光谱的重金属污染泥蚶的快速检测
刘科 林冬秀 陈孝敬
*
（温州大学物理与电子信息工程学院 温州 325035）
摘要 本文提出了利用近红外光谱技术对重金属污染泥蚶的快速检测。通常，泥蚶所富集的重金属离子 不具有近红外活性，在近红外光谱中几乎没有特征峰。然而，重金属污染会通过诱导使贝类相关分子结构 和成分发生变化，从而产生与重金属有关的相当微弱的光谱信息。本文的实验方案设计分为两种：对照泥 蚶和单一重金属(Cd、Cu、Pb 或 Zn)污染泥蚶的分类（设计 I）；所有样本包括对照泥蚶和 4 种重金属污染 泥蚶的分类 （设计 II） 。 本文采用了两种不同的识别算法， 即最小二乘支持向量机(LS-SVM)和随机森林(RF)， 对设计 I 和设计 II 分别建立分类模型并进行预测。预测结果显示：对设计 I，LS-SVM 和 RF 的平均预测正 确率分别为 100%和 95%； 对设计 II，LS-SVM 和 RF 的平均预测正确率分别为 96%和 92%。本文的研究结果 表明， 利用近红外光谱技术快速检测重金属污染泥蚶具有可行性,可以为泥蚶重金属污染提供一种快速检测 方法。 关键词重金属；近红外光谱；水产品；重金属污染；泥蚶；最小二乘支持向量机；随机森林
KeywordsHeavy metal; Near infrared spectroscopy; Aquatic product; Heavy metal contamination; Tegillarcagranosa; Least-squares support vector machines; Random forest. 通讯作者：陈孝敬，0577-86689027，chenxj@，所属征文方向序号 C2007：食品安全与质量控制
材料和方法
1.1 样品准备和化学试剂 泥蚶样本购自于位于中国温州市的浙江海水养殖研究所，使其在长 60cm、 宽 40cm、高 30cm 的塑料池中适应实验条件约 10 天。高纯度化学试剂 CdCl2， CuSO45H2O， PbCH3COO3H2O 和 ZnSO47H2O 购自于中国上海化学试剂有限公 司。实验采用的海水经过了 24 小时的沉降和泥土过滤用于维持泥蚶在水槽中生 存， 它的 pH 值为 8.05±0.1， 水的温度为 20.8 ± 2.6° C， 溶解氧含量大于 6 mg/L， 盐度为 21‰。实验过程中，槽中的水每 24 小时更换一次，然后再次装满并加入 重金属试剂。
水产品是人类食物的重要组成部分， 其中贝类由于鲜美可口且富含各种营养 成分，深受消费者喜爱。然而，当贝类的生存环境受到重金属污染后，通过其自 身与水体的接触和摄取食物等直接或间接方式， 重金属会逐渐累积在其肌肉的高 脂肪组织或特定的器官组织[1-2]。贝类肌肉中的一些金属可能会被直接排出，而 另外一些金属可能会改变其分子成分和结构。例如镉（Cd） ，一种很常见的重金 属， 已经发现它会通过抑制酶的作用，从而干扰许多蛋白质和碳水化合物的新陈 代谢[3]。当累积在贝类体内的重金属达到一定水平，不仅对其自身产生危害，富 集于其体内的重金属还可通过食物链进行传递， 进一步对人类的身体健康构成严 重威胁[4]。例如，对人体各组织而言，镉在肾脏中累积，铅在骨骼中富集[5]。所 以，贝类重金属污染的快速检测对人体健康具有重要意义。 目前，常规的重金属检测方法包括火焰原子吸收光谱法（AAS） ，石墨炉原 子吸收光谱法（GFAAS） ，电感耦合等离子体原子放射光谱法（ICP-AES）和电 感耦合等离子体质谱法（ICP-MS）等[6-7]。然而，这些方法不仅测试昂贵，测试 过程费力、耗时，而且制备复杂，因此，现有的检测技术满足不了对贝类重金属 污染快速检测的要求。另外， 贝类常可作为指示生物来评估生态系统中的重金属 污染状况[8]。因此，有针对性地开展养殖贝类重金属污染情况监测，保证养殖贝 类的食用安全，急需一种对贝类重金属污染进行快速检测的分析方法。
3
第 I、 II、 III 和 IV 组泥蚶样本分别在水中暴露于高浓度的 CdCl（ 、 2 1.634 mg/L） CuSO4· 5H2O (5.589 mg/L)、PbCH3COO· 3H2O (1.833 mg/L)和 ZnSO4· 7H2O (4.424 mg/L)。第 V 组（对照）在海水中培养，不添加任何重金属元素。每组中的泥蚶 样本都培养 10 天，以便重金属累积。培养期过后，放置在温度为-4 ° C 的冰箱中 15 分钟进行处死，处死后经冷冻、干燥、磨粉后用于光谱测量。 准备好 100 个样本（每类 20 个）用于进一步处理。因此，来自对照组的 20 个样本和来自污染组的 20 个样本用于设计 I 和 II 的模型建立。所以，4 个样本 集（每个样本集中包含 40 个样本）用于设计 I，这 4 个样本集用于 Cd、Cu、Pb 和 Zn 污染分析。 同时，100 个样本（20 个× 5 组）用于设计 II。 对于设计 I 和 II， 将每类样本随机分为两类， 其中 15 个样本用于训练， 剩余的 5 个样本用于预测。 包含训练集中样本污染状态的整数的一个列向量 YC 与矩阵 XC 串联，基于 XC 和 YC 执行模型训练。对于两类问题（设计 I） ，整数设为 0 和 1，分别代表对照样本 和污染样本。对于五类问题（设计 II） ，整数设为 0 和 1 至 4，分别代表对照样 本和 Cd，Cu，Pb，Zn 污染样本。 1.2 光谱采集 实验使用美国 ASD（Analytical Spectra 1 Device）公司的 Handheld FieldSpec 光谱仪， 其光谱采样间隔 （波段宽） 1.5nm， 测定范围 350-2500nm， 分辨率 3.5nm， 集成自制光源于光谱光纤探头， 用铁架将光纤探头固定，整个实验保持探头与测 试样品 3cm 距离，扫描次数 30 次。光谱数据以 ASCII 码形式导出进行处理。 1.3 分类算法 利用两种识别算法，即最小二乘支持向量机（LS-SVM）和随机森林（RF） 对设计 I 和 II 分别建立分类模型。 LS-SVM 是由 Suykens 和 Vandewalle 提出的一 种优化的支持向量机算法[15]，它在训练误差函数中使用最小二乘误差，具有能 够迅速解决线性和非线性多元训练问题的能力。 LS-SVM 利用非线性映射函数将 输入特征映射到一个高维空间，因此将优化问题转化为相等的收敛条件。RF 是 一个用于解决分类问题的二进制除法共识分类树[16]。在 RF 计算中，RF 运用 bagging 或 bootstrap aggregating 从样本集中构造树，从而增加树的多样性。对于 目标的类别，最终的分类结果将依据集合（多数表决或平均）决定。作为一种集 成学习算法， RF 比单个分类器具有更高的分类正确率以及对噪声更强的鲁棒性。