基于支持向量機對云南常見野生食用牛肝菌中紅外光譜的種類鑒別

在可食用野生牛肝菌中，部分野生牛肝菌具有毒性，如食用加工方法不當，易導致食物中毒，如華麗牛肝菌、小美牛肝菌、絨柄牛肝菌等。新鮮野生牛肝菌外貌相似，即使是有經驗的專家學者，也很難快速、準確識別其種類，同時野生食用菌不易保存，常被制成干片銷售，進一步增加了辨識難度。目前，國內外野生牛肝菌混雜現象屢屢發生，嚴重威脅消費者的身體健康，急需一種準確、快速、廉價的常見野生食用牛肝菌種類鑒別技術。

雖然傅里葉變換中紅外光譜表征樣品的化學信息全面，但其中存在大量干擾信息和無效信息，反而會導致模型分類性能下降，故研究不同信息挖掘方法對野生牛肝菌種類鑒別具有重要意義。目前，對牛肝菌光譜信息挖掘主要集中在不同預處理方法對模型分類效果的影響。因此，云南農業大學資源與環境學院的胡翼然、范茂攀*、云南省農業科學院藥用植物研究所的王元忠*等人采用預處理及不同特征變量提取方法（主成分、變量重要性、變量投影重要性），挖掘中紅外光譜有效信息，結合支持向量機（SVM）建立判別模型，比較模型分類效果，探索野生牛肝菌種類鑒別方法，為野生食用菌鑒別和質量控制提供參考依據。

1、中紅外光譜分析

比較圖3中8 種野生牛肝菌的中紅外平均光譜圖。8 種野生牛肝菌均有相似的峰形、峰數、峰位，表明這8 種野生牛肝菌有相似的化學成分。華麗牛肝菌和小美牛肝菌相較于其他牛肝菌吸光度更高，其余6 種野生牛肝菌的吸光度有微小差異，表明這8 種野生牛肝菌的化學成分含量不同。利用中紅外光譜圖對8 種野生牛肝菌進行可視化分析，可以看出不同種類野生牛肝菌存在差異，因此需進一步結合數理統計學鑒別種類。

2、預處理對模型分類效果的影響

如圖4a1所示，基于GS選出原始中紅外光譜最優參數組合（C=2.62×105，g=3.81×10-6），分類結果如圖4a2所示，有3 個樣品分類錯誤，其中1 個栗色牛肝菌被分類為美味牛肝菌，2 個雙色牛肝菌分別被分類為栗色牛肝菌和美味牛肝菌。原始數據經MSC＋SG＋1D處理后，形成由827 個樣品×1 839 個變量組成的數據矩陣，如圖4b1所示，基于GS選出最優參數組合（C=90.5，g=3.45×10-4），分類結果如圖4b2所示，有1 個分類錯誤，其中1 個栗色牛肝菌被分類為小美牛肝菌。研究表明，原始數據結合SVM建立判別模型，CRAW大于24，gRAW小于2-4，模型過擬合風險大，經預處理后去建立模型，CMSC＋SG＋1D小于CRAW，gMSC＋SG＋1D小于gRAW，模型擬合能力增加，但CMSC＋SG＋1D大于24，gMSC＋SG＋1D小于2-4，過擬合風險依然大。根據模型的混淆矩陣，可以計算出靈敏度、特異性參數（表2），從保護消費者身體健康的角度，不允許有毒牛肝菌錯分類為無毒牛肝菌，即鑒別野生牛肝菌種類要有高靈敏度，本實驗根據靈敏度判斷模型分類性能，靈敏度越高模型分類性能越高。
3、不同特征變量對模型分類效果的影響
與RAW相比，基于提取特征變量建立光譜的模型與RAW光譜建立的模型相比，模型過擬合風險均降低，分類精度均更加準確，研究結果證實了光譜信息中存在大量無效信息，混淆了算法對有效特征的識別，減弱了模型的分類性能。實驗中3 種提取特征變量方法均不同程度去除了非有效信息，增加了模型擬合度，但效果不理想。模型RAW-FI、RAW-VIP過擬合風險大，原因是這兩種方法基于波長點挖掘數據，可能將噪音等負面信息誤判為特征變量；模型RAW-FI、RAW-VIP過擬合風險小，原因是該方法基于波長整體挖掘數據，可能減弱了負面信息和有效信息的影響，導致相較于其他模型擬合度高，分類性能弱。需進一步深入挖掘光譜信息。
4、預處理組合不同特征變量對模型分類效果的影響
與RAW、MSC＋SG＋1D、RAW-PC、RAWFI、RAW-VIP相比，基于預處理組合特征變量方法建立光譜的模型，模型擬合度高、分類性能好，研究結果證實了預處理與特征變量組合方法可以大幅減少非有效信息，增強有效信息，起協同作用達到準確鑒別的目的。

5、建模方法對比分析

對比表2和表3分析不同算法的模型參數。PLS-DA模型靈敏度在59.8%～93.0%之間，SVM模型靈敏度在92.2%～99.3%之間，研究表明，SVM算法的分類能力優于PLS-DA。但Wang Yuanyuan等對靈芝的中紅外光譜鑒別研究中有相反的結論，PLS-DA模型分類性能優于SVM模型，原因可能是其樣本量少（120），本研究中樣本量更大（827），研究表明，SVM模型更適用于大樣本種類鑒別。預處理與特征變量組合方法挖掘光譜信息能力最強，對模型分類效果提升最大，研究表明，該方法適用范圍廣。
采用傅里葉變換中紅外光譜法測定8 種827 個野生牛肝菌子實體的紅外光譜，分析牛肝菌的化學信息。采用預處理、提取特征變量（PC、FI、VIP）及兩者組合等方法挖掘樣品光譜信息，提高模型分類效果，結果表明：預處理組合特征變量對模型信息挖掘能力最強，結合SVM建立判別模型，模型擬合好，分類精度高，實現了8 種野生牛肝菌的準確、快速鑒別，可以為野生牛肝菌種類鑒別的提供參考。
本文《基于支持向量機對云南常見野生食用牛肝菌中紅外光譜的種類鑒別》來源于《食品科學》2021年42卷8期248-256頁，作者：胡翼然，李杰慶，劉鴻高，范茂攀，王元忠。DOI:10.7506/spkx1002-6630-20191016-151。點擊下方閱讀原文即可查看文章相關信息。