基于嗅覺可視化的鯧魚TVB-N預測模型

黃星奕，蔣飛燕，穆麗君，孫宗保

(江蘇大學食品與生物工程學院，江蘇 鎮(zhèn)江 212013)

鯧魚肉厚刺少，蛋白質(zhì)含量高，富含人體必需的8種氨基酸和鈣、磷、VA、VD、VB1、VPP等礦物質(zhì)及維生素［1］，是一種營養(yǎng)食品.鯧魚在我國產(chǎn)地較廣，價格適中，2007—2009年每年產(chǎn)量都達到了30萬t以上，在我國所有海水魚品種中位居第6，銷量也穩(wěn)居前10.但在捕獲、貯存和運輸過程中，由于外界環(huán)境、微生物及自身酶作用致使其品質(zhì)下降，影響食用甚至引起食物中毒危及人的生命健康，所以對于其品質(zhì)檢測是十分必要的.新鮮度是魚類及魚制品質(zhì)量的一個重要指標［2］，揮發(fā)性鹽基氮(total volatile basicnitrogen，TVB-N)是評價魚新鮮度的主要指標之一.但TVB-N測定需對樣品進行前處理，測定過程繁瑣，耗費大量時間、人力和物力［3］，不能適應現(xiàn)代檢測所需的快速、準確、實時、無損等要求.

近年來，嗅覺可視化技術在國內(nèi)外逐漸發(fā)展起來，已成功應用于化學物質(zhì)［4］、食品［5-10］等研究領域.運用該技術能克服感官評價方法存在的結果不易量化、主觀性和片面性強，非經(jīng)驗豐富和訓練有素人員不能勝任等缺點.相對于化學和微生物評價方法，它具有無損樣本，操作簡單快捷等優(yōu)點，相對于目前被廣泛研究并在一定領域已被使用的電子鼻無損檢測技術來說，它具有檢測精度高，不受溫度、濕度等影響的優(yōu)勢［4-10］.

研究以冰鮮鯧魚為試驗對象，利用嗅覺可視化傳感器陣列提取4℃恒溫下鯧魚的氣味信息.將氣味信息以圖像的形式表示出來，對反應前后的傳感器陣列的圖像進行處理提取傳感器陣列的響應信號，將其作為輸入建立TVB-N值的定量預測模型.研究的目標是通過對嗅覺可視化技術與表征魚新鮮度指標的TVB-N值的相關性研究，為魚的TVB-N的檢測提供一種快速有效的方法，進而為魚類新鮮度評價提供一種新方法.

1 材料與方法

1.1 試驗樣本

從超市購得體型一致，表皮色澤光亮，肉質(zhì)硬且無異味的冰鮮鯧魚.將鯧魚從碎冰中取出，去除碎冰，用紙擦干體表，稱重貼標簽后于4℃恒溫冰箱中貯藏待測.每條魚樣本質(zhì)量為(110±10)g.從同批樣本中每天取20條完整鯧魚樣本用于嗅覺可視化檢測，另取20條鯧魚樣本用于TVB-N含量測定，連續(xù)測定7 d.7 d后，樣本嚴重腐敗，試驗不再繼續(xù).

1.2 試驗方法

1.2.1 TVB-N 含量測定

鯧魚TVB-N含量測定按SC/T3032—2007中的半微量凱式定氮法進行.每天從冰箱中將鯧魚取出去除魚鱗、內(nèi)臟、鰓部，洗凈血污和雜質(zhì)后，取魚肉10.00 g，勻漿后加入90 mL高氯酸溶液過濾后取濾液直接蒸餾、滴定.每天測試20個鯧魚樣本，每個鯧魚樣本測試3次，取平均值作為TVB-N的化學測定值.

1.2.2 嗅覺可視化技術檢測

1.2.2.1 可視化傳感器陣列制備

嗅覺可視化檢測采用課題組前期工作中所創(chuàng)建的裝備［11］.傳感器篩選針對鯧魚儲藏過程中的揮發(fā)性氣體特性進行，篩選出8種卟啉類化合物和4種pH指示劑，制成溶液后固定在C2反相硅膠板上，制備出一個3×4的可視化傳感器陣列如圖1所示.由于各種氣敏材料的溶解度和在溶液中的聚合能力不同，陣列上各種氣敏材料的擴散程度也就有所不同.

1.2.2.2 檢測過程

用氮氣先進行整個氣路系統(tǒng)的清洗，清洗后用掃描儀獲取傳感器陣列反應前的圖像.然后將與TVB-N檢測所用的相同儲藏期的同批鯧魚樣本放入樣品室中集氣，以氮氣為載氣將檢測氣體載入到反應室中與可視化傳感器陣列發(fā)生反應，待可視化傳感器陣列反應顏色變化趨于穩(wěn)定后用掃描儀獲得反應后的圖像.

1.3 數(shù)據(jù)處理

1.3.1 可視化傳感器陣列響應信號提取

將采集得到的可視化傳感器陣列與鯧魚揮發(fā)性氣體反應前后的圖像進行處理.本研究先采用中值濾波去噪，再用固定閾值分割法將傳感器陣列圖像從背景中分割出來.分別找到每個傳感器的中心點，取中心點周圍半徑為10個像素的R，G，B均值作為顏色特征值，將反應前后的R，G，B均值分別對應相減，得到嗅覺可視化傳感器陣列的特征響應信號，組成一個由36(3×4×3)個特征值的向量.

1.3.2 偏最小二乘法模型的建立

偏最小二乘法(partial least square method，PLS)是建立在多元線性回歸分析、典型相關分析和主成分分析基礎上的一種回歸方法.建模中建立2個矩陣:因變量Y和自變量集合X.在X中提取盡可能多的攜帶X中的信息且與Y最相關的第1個成分t1(X的線性組合)［12］.分別實施X，Y對t1的回歸，若回歸方程達到滿意的精度，算法終止;否則，對X被t1解釋后的殘余信息進行第2個成分t2的提取.如此反復迭代，直到達到滿意的精度為止.PLS回歸通過實施Y對最終提取的k個成分t1，t2，…，tk的回歸，表達成Y關于原變量的回歸方程.本研究X由不同儲藏期的鯧魚的可視化傳感器陣列響應信號反應前后顏色變化值矩陣構成，Y由不同儲藏期的鯧魚的TVB-N含量組成的列向量構成.從所測的140個樣本中隨機抽取2/3，即94個，組成訓練集數(shù)據(jù)，其余的46個樣本組成預測集數(shù)據(jù).

1.3.3 遺傳－偏最小二乘法模型的建立

研究發(fā)現(xiàn)篩選特征變量可簡化PLS模型，得到預測能力更強的校正模型.遺傳算法(genetic algorithm，GA)是一種較好的特征變量篩選的方法，其借鑒生物界的自然選擇和遺傳機制，通過對選擇、交換和突變等算子的不斷迭代操作，使目標函數(shù)值最優(yōu)的變量被保留，最差的變量被淘汰，最終獲得最優(yōu)的特征變量集.本研究將PLS交互驗證中因變量TVBN的預測值和實際值的相關系數(shù)作為遺傳算法的適應度函數(shù)，用遺傳算法進行傳感器陣列響應信號反應前后顏色變化值自變量集合的篩選，再用PLS對篩選后的變量建立分析校正模型，即所謂遺傳-偏最小二乘法(genetic algorithm-partial least square method，GA-PLS).

2 結果與分析

2.1 鯧魚TVB-N檢測結果

不同儲藏期的鯧魚的揮發(fā)性鹽基氮(TVB-N)質(zhì)量分數(shù)w如表1所示.

表1 4℃儲藏下鯧魚TVB-N含量變化

隨著儲藏時間的延長，TVB-N質(zhì)量分數(shù)呈現(xiàn)逐漸上升的趨勢，表明鯧魚的品質(zhì)在逐漸下降.根據(jù)SC/T 3103—2010《鮮、凍鯧魚》標準，w ≤18 mg·(100 g)-1為一級品，18 mg·(100 g)-1＜ w ≤30 mg·(100 g)-1為二級品.由表1可知，鯧魚在4℃下儲藏1 d，TVB-N含量已接近一級新鮮度指標臨界值;儲藏2～3 d，TVB-N含量繼續(xù)增加，逐漸接近二級新鮮度指標30 mg·(100 g)-1;儲藏4 d過后，TVB-N值急劇上升，已大大超過二級新鮮度指標，腐敗速度加快.

2.2 不同儲藏期鯧魚樣本的傳感器響應特征圖像

將傳感器陣列對4℃儲藏下1～7 d的鯧魚的揮發(fā)性氣味反應的特征值還原成特征圖像，如圖2所示，這7 d的鯧魚的傳感器陣列特征圖像每天都在變化，傳感器陣列反應范圍總體呈現(xiàn)逐漸擴大的趨勢，部分傳感器的顏色變化強度由弱變強.

圖2 冰鮮鯧魚4℃恒溫下1～7 d的傳感器響應特征圖像

由圖2a，b可知，第1～2 d的傳感器陣列中都只有3個傳感器發(fā)生了響應，顏色變化弱，此時鯧魚體內(nèi)多為一些烴類和短碳鏈的醛醇類氣體，這些氣體通過改變卟啉的π—π作用的強度，使卟啉膜的光譜間接變化，這種光譜變化較弱.由圖2c，d可知，第3～4 d的傳感器陣列反應范圍有一定的相似性，但還是有部分傳感器的響應變化幅度存在不同，如陣列中(1，4)這個傳感器顏色變化強度增強了;而相比前2 d來說第3～4 d的傳感器陣列反應范圍擴大明顯，傳感器顏色變化也增強，表明鯧魚揮發(fā)性氣體成分大量增加，品質(zhì)下降迅速.該階段鯧魚體內(nèi)烴類、醛酮類、醇類的含量和種類增加;蛋白質(zhì)在微生物作用下分解產(chǎn)生三甲胺等有機胺類，其或與金屬卟啉中心剩余的金屬鍵配位，或與自由基卟啉的強氫鍵結合引起強烈的光譜變化;苯酚等帶有π環(huán)的芳烴化合物與卟啉的大π環(huán)配位引起卟啉化合物吸收光譜改變.由圖2e-g可知，第5～7 d的傳感器陣列中的每個傳感器都發(fā)生了響應，顏色仍在發(fā)生變化.此時鯧魚體內(nèi)有大量的含硫含氮化合物產(chǎn)生，這些化合物中的硫、氮原子與金屬卟啉中心金屬離子發(fā)生鍵合形成配位鍵，引起強烈的光譜變化.同時酸類氣體大量增加，與pH指示劑發(fā)生反應引起顏色變化.

2.3 PLS 分析

在采用PLS建模時，主成分數(shù)太少，不能完全反映被測鯧魚揮發(fā)性氣體成分所產(chǎn)生的傳感器響應數(shù)據(jù)變化，模型預測準確率會降低，出現(xiàn)“欠擬合”現(xiàn)象;反之導致模型復雜，出現(xiàn)“過擬合”現(xiàn)象，模型預測能力同樣降低，所以需先確定建立模型所需的主成分數(shù).本研究通過交叉驗證的方法，考察9個不同的主成分數(shù)對預測均方根誤差(RMSECV)的影響來確定最佳主成分數(shù)，如圖3所示，根據(jù)最小的RMSECV，確定最佳主成分數(shù)為4.此時所得PLS模型的訓練集相關系數(shù)RC和RMSECV分別為0.8270和28.9，預測集相關系數(shù)RP和均方根誤差(RMSEP)分別為0.8079和31.2，如圖4所示(圖中的數(shù)字為樣品編號).

圖3 模型的因子數(shù)對RMSECV的影響

圖4 TVB-N質(zhì)量分數(shù)PLS模型預測值與實測值的相關關系

2.4 GA-PLS 分析

選擇合適的變量作為模型輸入可提高建模速度和預測精度.研究采用遺傳算法來選擇最佳的輸入變量集，遺傳算法的控制參數(shù)設定為染色體長度為36(變量個數(shù))，初始群體大小為40，交叉概率pc=0.5，變異概率pm=0.01，遺傳迭帶次數(shù)為100.得到的最好的一組輸入變量集為9個(分別為第4，21，11，2，28，3，1，5 和第 9 個變量).如圖 5 所示，根據(jù)最小RMSECV，確定最佳主成分數(shù)為5.此時所得PLS模型的RC和RMSECV分別為0.8777和24.5，RP和RMSEP分別為0.8517和26.8，如圖6所示(圖中的數(shù)字為樣品編號).

圖5 模型的因子數(shù)與RMSECV的關系

圖6 TVB-N質(zhì)量分數(shù)GA-PLS模型預測值與實測值的相關關系

2.5 模型結果比較

分別采用PLS、GA-PLS方法建立了基于嗅覺可視化技術的鯧魚TVB-N的預測模型.一個模型的優(yōu)劣是通過訓練集相關系數(shù)RC、交叉驗證均方根誤差RMSECV、預測集相關系數(shù)RP和預測均方根誤差RMSEP來綜合評價的.模型的RC和RP越高，RMSECV和RMSEP越低，模型性能就越好.TVB-N含量的2種預測模型結果如表2所示.

表2 TVB-N含量的2種偏最小二乘法定量模型結果

從表2可知，相比全變量的PLS模型，優(yōu)選出9個變量所建立的GA-PLS模型的RMSECV和RMSEP都分別下降了4左右，訓練集與預測集的相關系數(shù)RC，RP分別高出了5%左右，因此利用GA-PLS來建立的鯧魚的TVB-N預測模型更為優(yōu)越.鑒于嗅覺可視化傳感器陣列和TVB-N之間存在良好的相關性，表明嗅覺可視化技術能很好地反應出魚儲藏期間因新鮮度變化導致的TVB-N值的變化，嗅覺可視化技術能用來作為一種快速預測魚新鮮度的方法.

3 結論

研究利用嗅覺可視化傳感器陣列響應值建立了基于嗅覺可視化技術的鯧魚TVB-N含量的預測PLS模型和GA-PLS模型.比較兩種模型發(fā)現(xiàn)GAPLS模型相對于全變量PLS模型來說更好地映射出嗅覺可視化系統(tǒng)傳感器陣列響應信號數(shù)據(jù)和TVBN值之間的關系，所建立的模型得到了簡化，建模所使用的變量從36個減少到9個，只使用了原來的25%;同時模型的精度得到了提高，交叉驗證均方根誤差RMSECV和預測均方根誤差RMSEP值分別從為28.9和31.2降為24.5和26.8，分別下降了4左右，訓練集和預測集的相關系數(shù)RC和RP分別由0.8270和0.8079提高到0.8777和0.8517，比全變量PLS模型分別提高了5%左右.研究表明嗅覺可視化傳感器響應信號與魚新鮮度評價指標TVBN之間有較高的相關性，嗅覺可視化技術為快速無損檢測魚新鮮度提供了新的可行性.

References)

［1］佟 懿，謝 晶.動力學模型預測鯧魚貨架壽命的實驗研究［J］.食品科學:包裝貯運，2009，30(10):265-268.Tong Yi，Xie Jing.Experimental research on application of kinetic model to predict shelf-life of Pampus argenteus［J］.Food Science:Packaging Storage and Transportation，2009，30(10):265-268.(in Chinese)

［2］董彩文.魚肉鮮度測定方法研究進展［J］.食品與發(fā)酵工業(yè)，2004，30(4):99-103.Dong Caiwen.Advances in the studies on fish freshness determination［J］.Food and Fermentation Industries，2004，30(4):99-103.(in Chinese)

［3］劉 輝，牛智有.基于電子鼻的魚粉中揮發(fā)性鹽基氮檢測模型比較［J］.農(nóng)業(yè)工程學報，2010，26(4):322-326.Liu Hui，Niu Zhiyou.Comparison of total volatile basic nitrogen detection models in fishmeal based on electronic nose［J］.Transactions of the CSAE，2010，26(4):322-326.(in Chinese)

［4］趙杰文，張 建，鄒小波.嗅覺可視化技術及其對5種化學物質(zhì)的區(qū)分［J］.江蘇大學學報:自然科學版，2008，29(1):1-5.Zhao Jiewen，Zhang Jian，Zou Xiaobo.Olfaction visualization technology and discriminance of five chemical compounds［J］.Journal of Jiangsu University:Natural Science Edition，2008，29(1):1-5.(in Chinese)

［5］Zhang C，Bailey D P，Suslick K S.Colorimetric sensor arrays for the analysis of beers:a feasibility study［J］.J Agric Food Chem，2006，54(14):4925-4931.

［6］Zhang C，Suslick K S.Colorimetric sensor array for soft drink analysis［J］.Journal of Agricultural and Food Chemistry，2007，55(2):237-242.

［7］Musto C J，Suslick K S.Differential sensing of sugars by colorimetric arrays［J］.Current Opinion in Chemical Biology，2010，14(6):758-766.

［8］鄒小波，張 建，趙杰文.嗅覺可視化技術及其對四種食醋的識別［J］.農(nóng)業(yè)工程學報，2008，24(6):165-168.Zou Xiaobo，Zhang Jian，Zhao Jiewen.Identification of four vinegars by olfaction visualization technology［J］.Transactions of the CSAE，2008，24(6):165-168.(in Chinese)

［9］黃星奕，辛君偉，趙杰文，等.可視化傳感技術在桃子質(zhì)量評價中的應用［J］.江蘇大學學報:自然科學版，2009，30(5):433-436.Huang Xingyi，Xin Junwei，Zhao Jiewen，et al.Application of colorimetric sensor array to assess peach quality［J］.Journal of Jiangsu University:Natural Science Edition，2009，30(5):433-436.(in Chinese)

［10］黃星奕，周 芳，蔣飛燕.基于嗅覺可視化技術的豬肉新鮮度等級判別［J］.農(nóng)業(yè)機械學報，2011，42(5):142-145.Huang Xingyi，Zhou Fang，Jiang Feiyan.Evaluation of pork freshness using olfaction visualization detection technique［J］.Transactions of the Chinese Society for Agricultural Machinery，2011，42(5):142-145.(in Chinese)

［11］Huang Xingyi，Xin Junwei，Zhao Jiewen.A novel technique for rapid evaluation of fish freshness using colorimetric sensor array ［J］.Journal of Food Engineering，2011，105(4):632-637.

［12］Barbri N E，Mirhissea J，Ionescu R，et al.An electronic nose system based on a micro-machined gas sensor array to assess the freshness of sardines［J］.Sensors and Actuators B，2009，141:538-543.