薰衣草油分析与鉴定（从花到精油）

Carly Burleson，Joseph Bonvallet

关键词：薰衣草油，精油，掺假，化学计量学，MZ5，ATR，MWIR

摘要

精油在许多文化中用于医学和健康目的已有数千年的历史，其用途包括从芳香疗法，家庭清洁到整体医学。 精油通过从植物材料中提取所需的组分来生产，这是一种昂贵且耗费劳力的过程。 因此也常常存在人为掺假的情况。 有些公司选择添加其他化学品来稀释精油并拓宽纯精油的使用范围。 有些公司会将稀释的精油标记为“混合物”，但很多时候制造商都不会这样做，从而使消费者有时购买的精油不够纯。

用于稀释的常用添加剂是脂肪油，醇，表面活性剂，乳化剂以及其他类似的成分。 精油的认证不仅对于生产者的质量要求控制很严格，而且对于消费者保护^[1]也很重要。 随着精油，家庭疗法和整体医学变得越来越流行，掺假产品也越来越普遍。无论是用于局部外敷还是内服，掺假精油都会对使用者造成伤害，特别是当它会引起皮疹或过敏反应。 本应用简报的重点是使用衰减全反射红外光谱仪Ocean MZ5检测薰衣草精油的掺假。 薰衣草油是最畅销的油之一，也是最容易被掺假的^[2]。  Ocean MZ5专注于指纹区域（〜1500-500cm-1），为每种化合物^[3]提供独特的光谱。 将该波段与化学计量学（多变量的有力工具，统计分析和数据转换）相结合使用，从而提供更大的分析能力。 该测试结果显示：甜杏仁油中薰衣草的检出限（LOD）为6.74％，薰衣草油中甜杏仁的检出限为7.66％。

中红外ATR光谱仪 Ocean MZ5

背景

精油具有多种用途和健康益处，薰衣草油是精油中的流行选择。 古罗马人和埃及人会使用薰衣草作为香水，沐浴和烹饪。 薰衣草油的使用者和制造商声称它可以缓解焦虑，舒缓睡眠，减少皮肤瑕疵和刺激，并提供香味和风味效应[4]。  Lavandula angustifolia（以前称为L. officinalis）被称为“真正的薰衣草”，是薰衣草精油的首选。 许多人声称“真正的薰衣草”具有最多的药用特性，并且与其他品种相比香味更甜。 它最初被称为英国薰衣草，因为它是17世纪英国的薰衣草油工业的基石。

在这项研究中，Ocean MZ5与化学计量学（多元分析方法）一起使用。 不是使用单一峰来产生校准曲线，而化学计量学则是使用通过典型的吸光度测量分析获取的整个光谱。 使用这种类型的分析的几个原因可能是因为样品的复杂性，光谱可能具有基线变化，并且在整个光谱中需考虑更多细微差别。 化学计量学可以通过预处理转化和多变量统计分析，使光谱中的小差异变得更加明显。 它允许用户量化，分类或区分样本。 量化表明某个物质在样本中有多少，分类给出样本的身份，差异则表示样本是否与标准相当。 本实验中使用的两种常用化学计量分析方法是主成分分析（PCA）和偏最小二乘回归（PLS）。

化学计量学通过采用一套训练集来创建模型和测试集来验证此模型。 当测试集不可用时，将使用交叉验证（使用从原始数据集中获取的光谱测试模型）来验证模型。 当涉及复杂的样品时，传统的光谱分析可能会失败，化学计量学反而会发挥价值。 在样品的测量中，一个峰可能不能定义一个样品，但是我们可以使用整个光谱。 从光谱中提取的信息以一种独立的、正交的、因子(也称为主成分)的方式被提取出来，以解释数据中最大的变化。 每个因素都有一个负载，取决于最重要或有影响的数据位于光谱上什么位置。 从这个加载中确定一个分数，而这个分数则为每个加载的贡献。 这发生在每个光谱上，因此每个光谱都有一个归因于每个负载的分数。

实验

Nature's Truth 100％纯薰衣草精油（Lavandula angustifolia，以前的L. officinalis）用Nature's Truth 100％Pure甜杏仁油（一种脂肪油）稀释。事先使用GC-MS验证Nature's Truth的油纯度。 使用微量移液管在5mL小瓶中制备溶液，以20％的增量在甜杏仁油中生成一系列0％-100％的薰衣草油。 为校准组制作了两组6个样本，并且将5个样本的测试组投影到模型上。

表1.甜杏仁油中薰衣草的校准组和浓度（v / v）

使用Ocean MZ5分析12个校准样品和5个测试样品。 使用标准设备设置：8Hz脉率，100％光强度，40次预热扫描，每次测量400次扫描。 每个校准样品测量100次，每个测试样品测量30次。

将每个样品移液到MZ5晶体的表面以覆盖。 最初，进行30次空气背景测量，然后进行100次样品测量。 然后擦拭样品并用异丙醇（IPA）清洁晶体，对所有样品重复该过程。 使用空气背景测量值与样品测量值来计算每个样品的吸光度。

结果与讨论

最初，绘制薰衣草油/甜杏仁油溶液的吸光度谱图，以查看谱图中是否存在明显差异，或者是否立即明显需要进行一些预处理。

图1.薰衣草油中的甜杏仁油吸光度。插图： PCA分析的积分显示数据聚集性较差

通过目视检查，光谱似乎具有取决于浓度的差异，如图1所示。为了确定数据的分离和聚类是否可行，执行主成分分析（PCA），如图1插图所示。  PCA是用于确定数据分组的常用方法。 尽管每种浓度都是彼此分开的，但它们并不紧密聚集。 相同浓度的组应该聚集在一起，而不是像它们那样分成两组。 实验参数，浓度或任何其他变量没有变化，所以这可能是由于基线在几天内进行测量而发生变化。

为了解释基线漂移，对谱图执行标准正态变量（SNV）转换，以研究是否可以实现已经分离的数据的进一步聚类。  SNV是一种常用于许多红外光谱的预处理，用于调整这些效应。 将SNV单独应用于每个光谱，其中计算所有数据点的平均值和标准偏差，然后从平均值中减去光谱的每个数据点并除以标准偏差。 在此之后，光谱被集中并缩放，如图2所示。SNV变换后数据聚集在一起，如图2插图所示。

图2. SNV转化后的吸收光谱，插图。  在SNV转化后PCV分数分布

在进行PCA分析后，创建了偏最小二乘回归（PLS）模型来量化数据。 该模型使用SNV转换后的数据进行训练，与PCA分析一样，数据具有良好的聚类，如下图3所示。

图3.在甜杏仁油中浓度范围为0-100％蓄意草的PLS模型的校准分数图

PLS模型最初估计为7个影响因子，最终发现其中1因子解释方差最佳。 通过扩展到第二个因子，只有0.1905％的增益解释了方差。 其他因子则不会改进模型。

表2. 解释PLS模型因子方差

数据的交叉验证获得0.9964高R2值和2.0359％（v / v）的交叉验证的均方根误差（RMSECV），如图4所示。然后，我们将该模型用于预测测试样品组的薰衣草含量。

LOD通过使用公式确定：。其中  是标准偏差，m是校准曲线的斜率。 该模型的检测限在下文中以薰衣草在甜杏仁油和甜杏仁在薰衣草油中呈现，其通过改变模型是否用薰衣草或甜杏仁油作为代表组分进行训练来完成。

表3. PLS模型的LOD

图4.校准模型和内部验证模型的预测与参考校准曲线

模型中的测试样本回归线性度R2值为0.9893，RMSEP（预测）为3.0874％，如图5所示。尽管RMSEP约为3％，但与实际和预测的偏差数值范围仅有1 - 2.5％。

图5.用于预测的测试样本集的PLS校准模型的预测值与参考值

结论

使用Ocean MZ5进行ATR-IR光谱指纹区域光谱获取，可以区分由于每种化合物的独特波带而对应的不同化合物。 加上化学计量学分析和光谱转换，不同化合物之间的差异和相同化合物之间的相似性变得更加明显，如本研究所示。 该应用显示，甜杏仁油中薰衣草的检出限（LOD）为6.74％，薰衣草中甜杏仁油的检出限为7.66％。

参考

1. Bounaas, K., et al. “Essential Oil Counterfeit Identification through Middle Infrared Spectroscopy.” Microchemical Journal, vol. 139, 2 Mar. 2018, pp. 347–356

2. Ke, Boren, and Young Dg. “Detecting Essential Oil Adulteration.” Journal of Environmental Analytical Chemistry, vol. 02, no. 02, 16 Feb. 2015, doi:10.4172/2380-2391.1000132.

3. The Fingerprint Region of an Infra-Red Spectrum. Jim Clark, 2000, www.chemguide.co.uk/analysis/ir/fingerprint.html.

4. “Lavender Oil Uses and Benefits.” DōTERRA Essential Oils, DōTERRA, 11 Dec. 2017, www.doterra.com/US/en/blog/spotlight-lavender-oil.