基于自組織映射模型對香腸產品喜好度的預測

劉宇佳，朱 杰，張書艷，李 琳

（東莞理工學院化學工程與能源技術學院，食品營養(yǎng)健康工程與智能化加工研究中心，廣東 東莞 523808）

感官評定是一門包括測量、分析以及解釋由食品與其他物質相互作用所引發(fā)的、最終通過參評人的視覺、嗅覺、味覺及觸覺等進行評價的科學[1]。通常需要完整的評定程序與評價體系，對參評人也具有非常嚴格的要求，才能得到較為真實的評價結果。感官評定可以很好地彌補化學或物理檢測過程中無法解釋的感官狀況，因此在食品行業(yè)中起到不可替代的作用[2]。產品喜好度是新型食品產品進入市場前的一個重要參數，對于新產品研發(fā)、原料替代、產品更新以及市場預期具有決定性作用，是影響消費者對產品購買意向的關鍵因素[3-4]，感官評定是產品喜好度的主要評價方法。然而，食品的感官評定結果容易受到環(huán)境因素、品評過程以及參評人狀態(tài)等諸多因素的影響[5]。另外，我國很多中、小食品企業(yè)不具備完整的評價體系與實施條件，嚴重阻礙了產品創(chuàng)新與市場開發(fā)能力。

食品體系具有多樣性與復雜性的特點，原料與加工方式對產品的特性都具有顯著影響。科學的產品評價有助于新產品的開發(fā)與市場推廣，是食品研發(fā)領域的一個重要環(huán)節(jié)[6]。食品產品喜好度的預測涉及到食品物性學、統計學以及消費心理學等諸多學科，具有非常廣闊的研究內容與發(fā)展空間[7-8]。自組織映射（self-organizing maps，SOM）是一種無導師學習信息處理算法[9]，目前廣泛應用于水文土壤分類[10-11]、植物群落分布[12]、森林健康評估[13]等具有空間拓撲性質的圖像化處理研究，同時在食品加工工藝條件優(yōu)化[14]、檢測檢驗新方法[15-16]以及農產品原料溯源[17-19]等應用中也有出色表現。因其具有良好的非線性映射特征逼近能力，在食品品種分類方面也取得了良好的效果[20-22]，但該技術對食品喜好度預測的應用國內外鮮見相關報道。

本研究通過采集9 種原料香腸的質構參數與顏色信息，基于感官評定結果，結合相關性和主成分分析（principal component analysis，PCA）建立SOM網絡模型，將十維特征值映射到二維平面，對香腸產品的喜好度進行預測，建立一種準確高效的食品喜好度預測方法，為食品新產品研發(fā)與市場開發(fā)提供數據參考。

1 材料與方法

1.1 材料與試劑

魚肉、雞肉與豬肉購買于東莞市松山湖農貿市場；食鹽 廣東鹽業(yè)有限公司；白砂糖 東莞市東糖集團有限公司。

1.2 儀器與設備

TA.XT Plus質構儀 英國Stable Micro Systems 公司；Hunter Lab比色計 上海精密科學儀器有限公司。

1.3 方法

1.3.1 香腸樣品的制備

實驗香腸由9 種原料（魚肉、雞肉與豬肉各3 種）共制備99 個樣品，樣品編號與原料信息如表1所示。魚肉香腸樣品通過調控擂潰時間（20、30、40 min）、食鹽添加量（1%、2%、3%，以魚肉質量計）、擂潰溫度（5、10、20 ℃）與烘烤時間（32、34、36 h）4 個因素共制備39 個樣品；雞肉與豬肉香腸樣品分別經調控鹽糖質量比（1∶1、1∶2、1∶3）、烘烤時間（32、34、36 h）與烘烤溫度（45、55、60 ℃）3 個因素共制備60 組樣品。

表 1 香腸樣品分類編號與基本信息Table 1 Meat sources of sausage samples

1.3.2 感官評定分析

感官評定方法依據GB/T 29605ü 2013《感官分析 食品感官質量控制導則》[23]與GB/T 22210ü 2008《肉與肉制品 感官評定規(guī)范》[24]作為實施指導標準，每個樣品由10 位評分員在設置小隔間的感官實驗室獨立完成；燈光采取自然光為主，日光燈輔助的形式；每個產品用3 位隨機數字編號，置于白色塑料盤中；每次評定于上午10∶00開始，規(guī)定時間段內完成，每天完成1 種產品（表1），共9 d完成所有評定。評分員分別對香腸的色澤、外觀、風味、口感以及總體接受度5 項指標評分，采用10 分制，評定標準如圖2所示。累加各項指標分值計算總分，每個樣品盲評3 次，結果取平均值。共得到594 個得分結果作為輸入目標進行預測比較。同時為判斷所建立模型的預測準確率，將總評分預先分級，其中總分高于35 分為1級、30～35 分為2級、25～30 分為3級、20～25 分 為4級、低于20 分為5級。

表 2 感官評定評分標準Table 2 Criteria for sensory evaluation

1.3.3 質構分析

參考文獻[ 2 5 ] 的方法， 將香腸樣品切成2.0 cmh 2.0 cmh 2.0 cm的方塊，采用TA.XT Plus質構儀測定香腸樣品質構參數。測試條件：使用柱形P/50探針，測前速率2 mm/s，測試速率1 mm/s，測后速率5 mm/s， 壓縮比50%。通過Texture Expert軟件計算得到硬度、彈性、黏聚性、膠著性、咀嚼性和回復性。

1.3.4 顏色數字化

通過Hunter Lab比色計測量香腸樣品顏色[26]。使用CIE Lab顏色模型對香腸樣品顏色進行數字化，每個樣品分別隨機選取20 個點進行檢測，去除明顯誤差值并計算平均值。樣品白度（W）按式（1）計算。

1.3.5 模型性能評價

考察預測準確率與泛化能力用于評價構建模型的性能。準確率表示模型預測結果的準確程度，泛化能力以預測集與真實值均方根誤差（root mean squared error，RMSE）表示，分別按式（2）、（3）計算。

式中： 為預測值；yi為真實值；n為樣品數。

1.4 數據處理與分析

采用Excel 2016軟件進行數據整理、線性回歸分析與RMSE計算；采用SPSS 19.0軟件因子分析模塊進行PCA；采用MATLAB R2010b軟件中SOM模塊進行判別分類與預測。

2 結果與分析

2.1 9 種香腸感官評定各指標評分與總分的相關性分析結果

圖 1 9 種香腸感官評定各指標評分與總分的線性回歸分析Fig. 1 Linear regression analysis of individual sensory attributes against total sensory score

通過計算得到香腸色澤、外觀、風味、口感及總體可接受度評分與感官評定總分的線性回歸方程分別為：y＝0.086＋3.807x（R2＝0.186 1）、y＝0.234－0.706x（R2＝0.709 6）、y＝0.185＋0.512x（R2＝0.589 2）、y＝0.259－2.268x（R2＝0.845 8）、y＝0.232－1.260x（R2＝0.818 0）。由圖1A～E可知，在5 項感官指標中，色澤評分與感官評定總分的線性相關性最低 （R2＝0.186 1），其次是風味評分（R2＝0.589 2）。所測樣品中魚肉腸肉質白皙細膩，雞肉腸經過烘烤后顏色略黃，豬肉腸因其含有較多的血紅蛋白和大量的Fe2＋，經烘制后進一步被氧化，從而具有較深的紅褐色與特殊的香味[27]，導致3 種不同肉類香腸產品在色澤與風味上產生較大差異。較低的相關性表明，色澤與風味指標對于總分貢獻率較低，同時也體現出不同種類香腸產品的喜好度也存在差異。外觀、口感與總體可接受度3 項指標與總分均表現出良好的正相關線性關系，表明這3 項指標在香腸總體感官評定過程中具有趨同性，對總分具有較高的貢獻率。由圖1F可知，9 種香腸樣品的總分為15～35 分，具有較大的分數分布區(qū)間，因此將感官評定總分作為香腸品質參數的輸出目標值是合理的。

表 3 質構參數、顏色信息與感官評定總分的線性回歸方程與相關系數Table 3 Linear regression equations and correlation coefficients of texture and color parameters against total sensory score

以感官評定總分為基礎進一步分析質構參數、顏色信息與總分的線性關系。由表3可知，質構參數、顏色信息與感官評分總分的線性關系均不明顯，尤其是質構參數與總分決定系數（R2）均小于0.1，表明通過線性回歸方程無法直觀體現質構和顏色指標與感官評定的內在關系，因此需要采取更為有效的數據預處理方法。本研究將所得到的感官評定與儀器測定結果組合為包含16h 99 個數據的二維矩陣，進一步提取有效數據，增加有效信息量的權重。

2.2 PCA結果

圖 2 感官評定與儀器測定結果的PCAFig. 2 PCA plot of sensory evaluation and instrumental measurement results

PCA是一種有效的數據挖掘手段，可將龐大的無規(guī)律數據進行優(yōu)化，從而體現各指標之間的相關性。相較于線性回歸方程，PCA法將原始的16h 99維矩陣信息映射到二維象限中，所有參數歸一于X、Y軸為±1的坐標系中，更直觀、簡明地發(fā)掘各參數指標間的內在關系。由圖2可知，第1主成分與第2主成分貢獻率分別為54.42%與44.26%，總和達到98.68%，說明2 個主成分可以有效表達原始數據的特征。感官評分、質構參數與顏色信息的分布呈現區(qū)域化，感官評分主要分布在X軸上方，其中口感與總分最接近，表明二者的相關性最強，這與線性回歸方程相關性結果一致。質構參數主要分布在X軸附近，并且更趨近于直徑為1的圓形邊緣，說明質構參數對于目標整體特征具有較大的貢獻率。同時，回復性、彈性與黏聚性分布在X軸負軸，3 個參數都描述了與香腸彈性相關的信息；硬度、咀嚼性以及膠著性分布在X軸正軸，體現了香腸與硬度相關的信息，符合香腸在實際咀嚼過程中的參數分類情況。另外，顏色信息主要分布在Y軸負軸，表明顏色信息對總分的貢獻較小，這與線性回歸分析中色澤評分與總分的線性關系較低一致。

PCA是一種將高維度變量數通過相關性轉化為低維度變量數的統計分析方法，當輸入數據的線性程度不高時，應用PCA方法會出現提取特征能力不足的缺點[28]。分析結果雖然能夠進一步闡述各個參數間的相互關系，但仍無法準確構建儀器分析結果與感官評價的內在關系模型。食品樣品具有復雜性與多樣性的特點，很難得到準確的線性關系，因此PCA方法對于食品體系中提取特征變量后的數據分類具有局限性，需要選用其他方法優(yōu)化。本研究進一步采用非線性的SOM模型，進一步建立更為準確、優(yōu)化的預測分類模型。

2.3 SOM模型的建立與結果預測

SOM模型通過對客觀事物的觀察、分析與比較自主尋找樣本屬性，提取事物的內在規(guī)律，并對其特征進行正確自主分類。因其算法是通過對輸入參數的反復學習，捕捉模式特點，在競爭層將分類結果表現出來，分類結果與網絡的初始狀態(tài)無關，具有較強的保持拓撲結構不變的能力，因此特別適用于具有復雜多樣性特點的食品體系。本研究建立由儀器測定的質構參數與顏色信息組成的10h 99二維矩陣作為輸入層，設置競爭層為6、輸出層為36的SOM網絡，最終只有1 個神經元在競爭層中獲勝以適應當前的輸入樣本。模型結構如圖3所示。

圖 3 SOM模型結構圖Fig. 3 Structure diagram of SOM model

利用訓練函數train和仿真函數sim進行仿真預測分類，在網絡輸出誤差小于收斂誤差臨界值時完成訓練目標，形成模型預測的拓撲結構。由圖4A可知，網絡結構中神經元分類具有明顯的傾向性，右上角神經元顏色較深，顯示出拓撲結構的權重，表明具有更多的預測特征性；圖4C為各變量參數對于總矩陣的權重貢獻度，顏色越深表明貢獻度越大。進一步計算分類數量（圖4B），有38 個樣本被集中分布在拓撲神經圖的右上角，為第1類；56 個樣本分布在中部，為第2類；其余5 個樣本分布在左下角，為第3類；結果表明通過對輸入信息的自組織學習，模型成功對所有樣本進行了分類預測。

圖 4 SOM模型預測的拓撲結構Fig. 4 Topological structure predicted by SOM model

圖 5 SOM模型中香腸樣品的預測值分布（A）及其 與實際值的均方差（B）Fig. 5 SOM model predicted results of sausage samples (A) and RMSE between the predicted and actual values (B)

對模型預測優(yōu)劣的評價主要依據鑒別的準確率。通過計算真實集與預測集的RMSE，研究建立的模型是否有效逼近真實樣品所蘊含的規(guī)律，具有很強的逼近能力與良好的泛化能力[29]。將感官評定總分的分級值與模型預測值進行比較，由圖5A可知，可以發(fā)現所有樣品均獲得準確預測，都分布在各分級值附近，并且各樣品間具有明顯間隔，鑒別準確率為100%，說明所建立的模型具有良好的鑒別能力，能夠對香腸產品的喜好度進行有效的準確預測。圖5B為所有香腸樣品實際值與預測值的均方差，可以觀察每個樣品的預測值與實際值的誤差。最后計算得到預測集RMSE為0.118 4，表明模型已有效逼近樣本的內在規(guī)律，具有良好的泛化能力。

3 結 論

通過采集99 個香腸制品的質構參數與顏色信息，結合相關性和PCA建立SOM模型，對香腸產品的喜好度進行預測。結果表明，線性回歸方程無法完整體現各儀器參數與感官評定總分的相關性，進一步結合PCA分析，探討了感官評定指標、質構參數與顏色信息的關聯性，消除冗余性數據，并建立競爭層為6、輸出層為36的SOM模型。通過對香腸樣本特征值的提取與分類預測，模型預測準確率為100%，鑒別結果準確，此時預測集RMSE為0.118 4，模型具有良好的泛化能力?；赟OM模型可對香腸產品喜好度進行有效預測，為新型食品的研發(fā)及其市場喜好預期提供科學依據。