基于支持向量机对云南常见野生食用牛肝菌中红外光谱的种类鉴别

在可食用野生牛肝菌中，部分野生牛肝菌具有毒性，如食用加工方法不当，易导致食物中毒，如华丽牛肝菌、小美牛肝菌、绒柄牛肝菌等。新鲜野生牛肝菌外貌相似，即使是有经验的专家学者，也很难快速、准确识别其种类，同时野生食用菌不易保存，常被制成干片销售，进一步增加了辨识难度。目前，国内外野生牛肝菌混杂现象屡屡发生，严重威胁消费者的身体健康，急需一种准确、快速、廉价的常见野生食用牛肝菌种类鉴别技术。

虽然傅里叶变换中红外光谱表征样品的化学信息全面，但其中存在大量干扰信息和无效信息，反而会导致模型分类性能下降，故研究不同信息挖掘方法对野生牛肝菌种类鉴别具有重要意义。目前，对牛肝菌光谱信息挖掘主要集中在不同预处理方法对模型分类效果的影响。因此，云南农业大学资源与环境学院的胡翼然、范茂攀*、云南省农业科学院药用植物研究所的王元忠*等人采用预处理及不同特征变量提取方法（主成分、变量重要性、变量投影重要性），挖掘中红外光谱有效信息，结合支持向量机（SVM）建立判别模型，比较模型分类效果，探索野生牛肝菌种类鉴别方法，为野生食用菌鉴别和质量控制提供参考依据。

1、中红外光谱分析

比较图3中8 种野生牛肝菌的中红外平均光谱图。8 种野生牛肝菌均有相似的峰形、峰数、峰位，表明这8 种野生牛肝菌有相似的化学成分。华丽牛肝菌和小美牛肝菌相较于其他牛肝菌吸光度更高，其余6 种野生牛肝菌的吸光度有微小差异，表明这8 种野生牛肝菌的化学成分含量不同。利用中红外光谱图对8 种野生牛肝菌进行可视化分析，可以看出不同种类野生牛肝菌存在差异，因此需进一步结合数理统计学鉴别种类。

2、预处理对模型分类效果的影响

如图4a1所示，基于GS选出原始中红外光谱最优参数组合（C=2.62×105，g=3.81×10-6），分类结果如图4a2所示，有3 个样品分类错误，其中1 个栗色牛肝菌被分类为美味牛肝菌，2 个双色牛肝菌分别被分类为栗色牛肝菌和美味牛肝菌。原始数据经MSC＋SG＋1D处理后，形成由827 个样品×1 839 个变量组成的数据矩阵，如图4b1所示，基于GS选出最优参数组合（C=90.5，g=3.45×10-4），分类结果如图4b2所示，有1 个分类错误，其中1 个栗色牛肝菌被分类为小美牛肝菌。研究表明，原始数据结合SVM建立判别模型，CRAW大于24，gRAW小于2-4，模型过拟合风险大，经预处理后去建立模型，CMSC＋SG＋1D小于CRAW，gMSC＋SG＋1D小于gRAW，模型拟合能力增加，但CMSC＋SG＋1D大于24，gMSC＋SG＋1D小于2-4，过拟合风险依然大。根据模型的混淆矩阵，可以计算出灵敏度、特异性参数（表2），从保护消费者身体健康的角度，不允许有毒牛肝菌错分类为无毒牛肝菌，即鉴别野生牛肝菌种类要有高灵敏度，本实验根据灵敏度判断模型分类性能，灵敏度越高模型分类性能越高。

3、不同特征变量对模型分类效果的影响

与RAW相比，基于提取特征变量建立光谱的模型与RAW光谱建立的模型相比，模型过拟合风险均降低，分类精度均更加准确，研究结果证实了光谱信息中存在大量无效信息，混淆了算法对有效特征的识别，减弱了模型的分类性能。实验中3 种提取特征变量方法均不同程度去除了非有效信息，增加了模型拟合度，但效果不理想。模型RAW-FI、RAW-VIP过拟合风险大，原因是这两种方法基于波长点挖掘数据，可能将噪音等负面信息误判为特征变量；模型RAW-FI、RAW-VIP过拟合风险小，原因是该方法基于波长整体挖掘数据，可能减弱了负面信息和有效信息的影响，导致相较于其他模型拟合度高，分类性能弱。需进一步深入挖掘光谱信息。

4、预处理组合不同特征变量对模型分类效果的影响

与RAW、MSC＋SG＋1D、RAW-PC、RAWFI、RAW-VIP相比，基于预处理组合特征变量方法建立光谱的模型，模型拟合度高、分类性能好，研究结果证实了预处理与特征变量组合方法可以大幅减少非有效信息，增强有效信息，起协同作用达到准确鉴别的目的。

5、建模方法对比分析

对比表2和表3分析不同算法的模型参数。PLS-DA模型灵敏度在59.8%～93.0%之间，SVM模型灵敏度在92.2%～99.3%之间，研究表明，SVM算法的分类能力优于PLS-DA。但Wang Yuanyuan等对灵芝的中红外光谱鉴别研究中有相反的结论，PLS-DA模型分类性能优于SVM模型，原因可能是其样本量少（120），本研究中样本量更大（827），研究表明，SVM模型更适用于大样本种类鉴别。预处理与特征变量组合方法挖掘光谱信息能力最强，对模型分类效果提升最大，研究表明，该方法适用范围广。

结 论

采用傅里叶变换中红外光谱法测定8 种827 个野生牛肝菌子实体的红外光谱，分析牛肝菌的化学信息。采用预处理、提取特征变量（PC、FI、VIP）及两者组合等方法挖掘样品光谱信息，提高模型分类效果，结果表明：预处理组合特征变量对模型信息挖掘能力最强，结合SVM建立判别模型，模型拟合好，分类精度高，实现了8 种野生牛肝菌的准确、快速鉴别，可以为野生牛肝菌种类鉴别的提供参考。

本文《基于支持向量机对云南常见野生食用牛肝菌中红外光谱的种类鉴别》来源于《食品科学》2021年42卷8期248-256页，作者：胡翼然，李杰庆，刘鸿高，范茂攀，王元忠。DOI:10.7506/spkx1002-6630-20191016-151。点击下方阅读原文即可查看文章相关信息。

近期研究热点

修改/编辑：袁艺；责任编辑：张睿梅

图片来源于文章原文及摄图网