近紅外光譜技術建立鏡鯉新鮮度定量預測模型

張欣欣，曲高陽，楊 瑩，莊曉萌，張 嵐

（吉林醫藥學院公共衛生學院，吉林 吉林 132013）

我國是一個大量食用水產品的大國［1］，水產品已成為人類食物的重要組成部分。我國淡水魚產量占魚類產量的一半，是居民蛋白質的主要來源。近年來，淡水魚占據了居民消費比例的大部分［2-3］，其中，鏡鯉易繁殖，在我國產量極為豐富，因其滋味鮮美、營養成分豐富，蛋白質含量高于其他鯉魚品種而使大眾消費大大增加。目前，水產品加工、營養價值以及安全方面都成為消費者關注的焦點［4］。

魚體死亡后，其新鮮度在不同貯藏溫度和時間下發生變化［5］。pH、TVB-N（揮發性鹽基氮）、TBA（硫代巴比妥酸）等一系列評價魚肉新鮮度的指標，隨著魚體逐漸腐敗，微生物分解蛋白質產生一系列物質，魚肉的pH也相應的發生變化，與此同時，在腐敗變質時魚肉中會形成一種氨和胺類等堿性含氮物質［6］。TVB-N與肉品的新鮮度有一定的關系，它是反映魚肉新鮮度的重要組分之一［7］。

傳統新鮮度測定的流程中，摻雜了一些個人因素并且花費大量的時間和精力，事倍功半，未能高效、精確地反映魚肉的新鮮度。這就急需開發一種簡單省時、客觀準確的分析方法對魚類保鮮、深加工和食品安全具有非常重要的作用［8］。魚肉中大量的有機組分在近紅外光中可以檢測得到，這一條件為應用近紅外光譜檢測魚肉新鮮度提供了可信的技術保障。

近紅外光譜分析技術（NIRS）的原理是運用物質對近紅外光的選擇性吸收及吸收強度來預測其成分及含量，主要用于有機物質定性和定量分析［9-11］。近紅外光譜分析技術操作簡潔，檢測迅速，對檢測人員沒有嚴格的技術要求，檢測時無污染，在石化、農業、食品、工業控制、醫學等多個范疇均得到了普遍應用且結果良好，其應用范圍正在不斷擴展［12-19］。

我國應用近紅外光譜技術對淡水魚新鮮度檢測的探究較少，僅見對草魚、鳙魚、鰱魚、鯽魚、鱸魚5種淡水魚的相關研究［20-22］。因此，本項目以北方市場常見的淡水魚品種鏡鯉為研究對象，通過近紅外光譜儀掃描魚肉得到的光譜圖與運用化學計量方法得到的反映魚肉新鮮度的pH、TVB-N、TBA值，最后利用NIRS建立魚肉新鮮度快速評價模型。

1 材料與方法

1.1 試驗材料

鮮活鏡鯉，市購。分不同批次購買新鮮鏡鯉（記錄日期），剖取魚背腹部肌肉，絞碎,置于4℃冰箱中保存，每次購買的魚放置時間不超過5 d，每個指標測定數據150個。

儀器與設備：SupNIR-2720型近紅外光譜儀，聚光科技（杭州）股份有限公司；FE20/EL20型pH計，梅特勒-儀器（上海）有限公司；HZL-F100全溫振蕩培養箱，太倉市強樂實驗設備有限公司；201-1型電熱恒溫干燥箱，天津市泰斯特儀器有限公司；MJP-150型培養箱，上海精宏實驗設備有限公司。

1.2 光譜采集

取絞碎的魚肉樣品10 g，使其均勻地鋪滿樣品盒，并將底部氣泡排出。啟動近紅外光譜儀后需實施30 min的預熱操作，光譜儀在白板參比和功能測試后方可進行掃描。近紅外光譜儀以與其配套的5 V鹵鎢燈作為光源，光源旁邊為探頭，將魚肉樣品置于光源正下方200 mm處進行掃描。魚肉樣品經3次掃描，3次光譜取平均值作為最終的光譜并進行分析。

1.3 化學指標的測定

1.3.1 pH值 取絞碎的魚肉樣品10 g，并入新煮沸后冷卻的蒸餾水100 mL，搖勻，靜置30 min后過濾，取約50 mL濾液于燒杯中，用pH計測定。

1.3.2 TVB-N值 參照《食品中揮發性鹽基氮的測定》（GB 5009.228-2016），運用微量擴散法測定TVB-N值。測量3次取平均值。

式中，V1為實驗樣品用掉鹽酸的體積，mL；V2為空白樣品用掉鹽酸標準滴定液體積，mL；C為鹽酸的實際濃度，mol/L；m為試樣質量，g。

1.3.3 TBA值 取絞碎的魚肉樣品10 g放置于錐形瓶中，加入25 mL蒸餾水，攪拌至均勻，再加入5%三氯乙酸25 mL，振蕩完全后靜置30 min,過濾，在50 mL容量瓶中用5%三氯乙酸定容。取5 mL上清液于具塞試管中，并入0.02 mol/L的TBA溶液5 mL混合，將具塞試管放于80℃的恒溫水浴鍋中加熱40 min，冷卻至室溫后，在532 nm波長下測定吸光度，測定3次取平均值［23］。

式中，A為樣品吸光度值。

1.4 模型建立方法

運用近紅外光譜儀自帶的RIMP 軟件對光譜數據進行分析，首先將150個數據進行K-S分組，定標集為80%，驗證集為20%，分別采用偏最小二乘法、偏最小二乘法和BP人工神經網絡技術兩種方法對3個指標分別建立模型，內部驗證通過定標相關系數（Rc）、驗證相關系數（Rp）、定標標準偏差（SEC）、驗證標準偏差（SEP）、交互驗證標準誤差（SECV）等參數進行，經兩種方法建模效果的比較，選取最佳方法，確定最優模型后，繼而通過外部驗證模型的靈敏度和準確度［24］。

2 結果與分析

2.1 光譜掃描結果

150個鏡鯉魚肉樣品的光譜圖（圖1）顯示在1 000～1 799 nm光譜曲線分布連續且集中，這與魚肉中含有的與營養物質相關的C-H、N-H、O-H、C=O等化學鍵的倍頻及合頻吸收譜帶有關，表明魚肉樣品在1 000～1 799 nm波長范圍內有大量的組分信息，再加上新鮮魚肉儲存時間短，肉品中含有的組分基本相似，因而光譜圖較為集中。這一結果為利用近紅外光譜技術建立鏡鯉新鮮度提供了前提條件。

圖1 150個鏡鯉樣品近紅外光譜

2.2 化學指標測定結果

3個評定鏡鯉新鮮度指標的測定結果見表1，通過3個指標測定結果的極差以及標準差可知，pH值、TVB-N值和TBA值的變異程度均較大，各個指標的數值分布離散程度較大，為進一步建立鏡鯉新鮮度模型提供了保障。

表1 鏡鯉新鮮度化學指標統計結果

2.3 偏最小二乘法模型的建立

2.3.1 偏最小二乘法 偏最小二乘法是NIRS定量分析中應用范圍最廣且最多的多元校正方法，既可以對光譜矩陣實行拆分，還可以對濃度矩陣實施拆分［25-28］。Rc與Rp越靠近1，SECV、SEC 與SEP越接近0，表示所建立的模型精確度越高［29］。

2.3.2 建立模型 魚肉樣品掃描光譜經基線校正方法結合標準正態變量變換方法預處理后，所建立的pH模型的Rc和Rp較高，SEC、SECV和SEP較靠近0，故在PLS法中，采用基線校正、標準正態變量變換方法所建立的pH模型最佳。應用21種光譜預處理方式建立的pH模型的統計參數如表2所示。

2.3.3 最優波段的確定 在最佳預處理方式下，運用10種波段所形成的模型參數如表3所示。由表3可知，在10個波段范圍下，經統計參數的相互比較，當波長為1 000～1 300 nm或1 700～1 799 nm時，Rc最高，SEC接近0，此時的建模條件最佳。應用此種方式對TVB-N、TBA分別創建模型。

2.3.4 化學指標的最佳處理 從表4可以看出，pH模型在基線校正、標準正態變量變換預處理方式及 1 000～1 300、1 700～1 799 nm 波段下建立的模型最優；TVB-N模型在凈分析信號預處理方式及 1 000～1 200、1 300～1 650 nm 波段下建立的模型最優；TBA模型同時滿足預處理方式為Savitzky-Golay導數、基線校正及波段為1 000～1 799 nm時，模型最優。偏最小二乘法創建的鏡鯉新鮮度模型的內部驗證效果見表5。

表2 鏡鯉pH模型最佳預處理方法的確定

表3 pH模型最優波段的選擇

表4 鏡鯉新鮮度偏最小二乘法建模的最優條件

表5 鏡鯉新鮮度偏最小二乘法模型的內部驗證結果

2.4 偏最小二乘法和BP人工神經網絡模型的建立

2.4.1 建立模型 應用偏最小二乘法與BP人工神經網絡聯合技術建立模型［26］，通過21種光譜預處理方式的比較得出最優預處理方式，在最優預處理方式下經由10種波段所得到參數的對比，最后得出最好波段。

最優預處理方式與最優波段相結合即為鏡鯉新鮮度定量檢測的最優模型。表6為pH模型的統計參數。由表6可知，在多元散射校正、Savitzky-Golay 平滑預處理方式下，模型的Rc和Rp較高，SEC和SEP靠近0，因而應用偏最小二乘法和BP人工神經網絡在多元散射校正、Savitzky-Golay 平滑預處理方式下獲得的模型最優。同樣，確定TVB-N、TBA的最佳預處理方法。

2.4.2 最優波段的確定 在多元散射校正方法結合Savitzky-Golay平滑方法這一預處理方法下，根據表7確定最優波段。當波長范圍為1 000～1 650 nm時，Rc和Rp相對較高，SEC和SEP相對較小，接近0，此時所建立的模型最優。故應用偏最小二乘法和BP人工神經網絡建立的pH模型，在波長為1 000～1 650 nm，預處理為多元散射校正方法結合Savitzky-Golay平滑方法下得到最優模型。采取相同的方式可得到TVB-N、TBA的最優波段。

表6 鏡鯉pH模型最佳預處理方法的確定

表7 pH模型在不同光譜波段條件下的參數統計

2.4.3 化學指標的最佳處理 從表8可以看出，pH模型在多元散射校正、Savitzky-Golay平滑預處理方式及1 000～1 650 nm波段下建立的模型最優；TVB-N模型在Savitzky-Golay導數預處理方法及1 000～1 799 nm波段下建立的模型最優；TBA模型同時滿足預處理方法為Savitzky-Golay導數、Savitzky-Golay平滑及波段為1 000～1 799 nm時，模型最優。3種指標在各自最優條件下的內部驗證效果見表9。

表8 偏最小二乘法和BP人工神經網絡建立鯉魚新鮮度定量預測模型的最優條件

表9 鯉魚新鮮度定量預測模型的內部驗證結果

2.5 鏡鋰最佳定量預測模型的建立

按照兩種方法對3個指標創建模型的統計結果，利用偏最小二乘法建立的模型比偏最小二乘法與BP人工神經網絡結合建立的模型結果好。鏡鯉新鮮度最佳建模方法和內部驗證結果見表10。

表10 鯉魚新鮮度最佳建模方法及內部驗證結果

3個指標建立的模型的Rc均較高，表示所建立的模型對鏡鯉的新鮮度有很好的預測力，經近紅外光譜儀的RIMP分析軟件，將模型所得數據與實際檢測的指標含量配對，得到二者的線性關系，pH值、TVB-N值和TBA值3個指標分別在魚肉中含量的真實值與經模型得出的預測值之間的線性關系如圖2所示。

圖2 基于近紅外光譜參數的鯉魚新鮮度預測模型

2.6 鯉魚新鮮度模型的檢驗

為驗證所建立模型的準確性，將建立定量模型以外的化學指標與其對應的預測值進行比較，結果見表11。隨后對真實值與預測值進行t檢驗，鏡鯉新鮮度3項指標所得的t值分別為 -0.231、1.836、-1.159，均小于 t （0.05,30）=2.042，表明真實值與預測值的差異無統計學意義，可認為真實值與預測值相等。

表11 未知鯉魚樣品的預測結果

3 結論與討論

新鮮魚類死亡后，起初品質的變化主要是由于自溶作用引起的，使得魚的外表黏液增多，產生異味，肉色變深，后來的腐敗變質是由于微生物和酶的作用［30-31］。在魚類的腐敗變質過程中，無論是感官品質的變化還是肉質本身的化學改變均給居民帶來健康問題。因此，魚肉肉品新鮮度的檢測與評估顯得尤為重要。

近紅外光線具有很強的穿透能力，在檢測樣品時，不需要進行任何前處理，可以穿透玻璃和塑料包裝進行直接檢測，也不需要任何化學試劑［32］。本研究利用近紅外光譜技術這一優點，對150個鏡鯉魚肉樣品進行了光譜的掃描及化學指標的測定，采用偏最小二乘法、偏最小二乘法和BP人工神經網絡模型兩種辦法建模，并通過數據的優化確定了pH、TVB-N和TBA的最佳預處理方法及波段，進而建立了最優的模型。

經統計參數的比較，3個指標含量均采取偏最小二乘法建立的模型最佳，可能是歸因于鏡鯉光譜數據與新鮮度指標趨于線性回歸，偏最小二乘法是線性回歸而BP人工神經網絡為非線性回歸。3個指標含量的SEC均超過0.99，表明在近紅外光譜區內有大量與3個指標含量有關的信息，因而得以證實，在波段為1 000～1 799 nm內建立的鏡鋰新鮮度模型是可靠的。3個指標的最優預處理方式分別為基線校正和標準正態變量變換、凈分析信號、Savitzky-Golay導數和基線校正，最優波長范圍分別為1 000～1 300 nm和1 700～1 799 nm、1 000～1 200 nm和1 300～1 650 nm、1 000～1 799 nm，而且pH、TVB-N和TBA的Rc分別為0.9906、0.99865、0.99971，Rp分別為0.6436、0.021357、0.77229。

本研究在鏡鯉新鮮度預測模型建立的樣品制備過程中，每次在采購樣品時只是針對采購地點采取了統一，卻忽略了每次采購的固定時間、魚的原產地和飼養環境等方面對魚的肉質影響，在這些方面還需進一步探討。與過去測定新鮮度的方式相比，本研究建立的模型有了極大的改善，大大降低了人力物力和精力的消耗，只需將所測得魚肉樣品的光譜曲線帶入所建立的模型中，即可馬上檢測出魚肉新鮮度的情況。經檢驗具有統計學意義，所以該模型在預測鏡鋰新鮮度方面是準確的，可以被應用。