黃星奕，蔣飛燕，穆麗君，孫宗保

(江蘇大學(xué)食品與生物工程學(xué)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(jià)格適中，2007—2009年每年產(chǎn)量都達(dá)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(yùn)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(duì)于其品質(zhì)檢測(cè)是十分必要的.新鮮度是魚類及魚制品質(zhì)量的一個(gè)重要指標(biāo)［2］，揮發(fā)性鹽基氮(total volatile basicnitrogen，TVB-N)是評(píng)價(jià)魚新鮮度的主要指標(biāo)之一.但TVB-N測(cè)定需對(duì)樣品進(jìn)行前處理，測(cè)定過程繁瑣，耗費(fèi)大量時(shí)間、人力和物力［3］，不能適應(yīng)現(xiàn)代檢測(cè)所需的快速、準(zhǔn)確、實(shí)時(shí)、無損等要求.

近年來，嗅覺可視化技術(shù)在國內(nèi)外逐漸發(fā)展起來，已成功應(yīng)用于化學(xué)物質(zhì)［4］、食品［5-10］等研究領(lǐng)域.運(yùn)用該技術(shù)能克服感官評(píng)價(jià)方法存在的結(jié)果不易量化、主觀性和片面性強(qiáng)，非經(jīng)驗(yàn)豐富和訓(xùn)練有素人員不能勝任等缺點(diǎn).相對(duì)于化學(xué)和微生物評(píng)價(jià)方法，它具有無損樣本，操作簡(jiǎn)單快捷等優(yōu)點(diǎn)，相對(duì)于目前被廣泛研究并在一定領(lǐng)域已被使用的電子鼻無損檢測(cè)技術(shù)來說，它具有檢測(cè)精度高，不受溫度、濕度等影響的優(yōu)勢(shì)［4-10］.

研究以冰鮮鯧魚為試驗(yàn)對(duì)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(duì)反應(yīng)前后的傳感器陣列的圖像進(jìn)行處理提取傳感器陣列的響應(yīng)信號(hào)，將其作為輸入建立TVB-N值的定量預(yù)測(cè)模型.研究的目標(biāo)是通過對(duì)嗅覺可視化技術(shù)與表征魚新鮮度指標(biāo)的TVB-N值的相關(guān)性研究，為魚的TVB-N的檢測(cè)提供一種快速有效的方法，進(jìn)而為魚類新鮮度評(píng)價(jià)提供一種新方法.

1 材料與方法

1.1 試驗(yàn)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(biāo)簽后于4℃恒溫冰箱中貯藏待測(cè).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(cè)，另取20條鯧魚樣本用于TVB-N含量測(cè)定，連續(xù)測(cè)定7 d.7 d后，樣本嚴(yán)重腐敗，試驗(yàn)不再繼續(xù).

1.2 試驗(yàn)方法

1.2.1 TVB-N 含量測(cè)定

鯧魚TVB-N含量測(cè)定按SC/T3032—2007中的半微量凱式定氮法進(jìn)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(cè)試20個(gè)鯧魚樣本，每個(gè)鯧魚樣本測(cè)試3次，取平均值作為TVB-N的化學(xué)測(cè)定值.

1.2.2 嗅覺可視化技術(shù)檢測(cè)

1.2.2.1 可視化傳感器陣列制備

嗅覺可視化檢測(cè)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(duì)鯧魚儲(chǔ)藏過程中的揮發(fā)性氣體特性進(jìn)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(gè)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(kuò)散程度也就有所不同.

1.2.2.2 檢測(cè)過程

用氮?dú)庀冗M(jìn)行整個(gè)氣路系統(tǒng)的清洗，清洗后用掃描儀獲取傳感器陣列反應(yīng)前的圖像.然后將與TVB-N檢測(cè)所用的相同儲(chǔ)藏期的同批鯧魚樣本放入樣品室中集氣，以氮?dú)鉃檩d氣將檢測(cè)氣體載入到反應(yīng)室中與可視化傳感器陣列發(fā)生反應(yīng)，待可視化傳感器陣列反應(yīng)顏色變化趨于穩(wěn)定后用掃描儀獲得反應(yīng)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(yīng)信號(hào)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(yīng)前后的圖像進(jìn)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(gè)傳感器的中心點(diǎn)，取中心點(diǎn)周圍半徑為10個(gè)像素的R，G，B均值作為顏色特征值，將反應(yīng)前后的R，G，B均值分別對(duì)應(yīng)相減，得到嗅覺可視化傳感器陣列的特征響應(yīng)信號(hào)，組成一個(gè)由36(3×4×3)個(gè)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(guān)分析和主成分分析基礎(chǔ)上的一種回歸方法.建模中建立2個(gè)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(guān)的第1個(gè)成分t1(X的線性組合)［12］.分別實(shí)施X，Y對(duì)t1的回歸，若回歸方程達(dá)到滿意的精度，算法終止;否則，對(duì)X被t1解釋后的殘余信息進(jìn)行第2個(gè)成分t2的提取.如此反復(fù)迭代，直到達(dá)到滿意的精度為止.PLS回歸通過實(shí)施Y對(duì)最終提取的k個(gè)成分t1，t2，…，tk的回歸，表達(dá)成Y關(guān)于原變量的回歸方程.本研究X由不同儲(chǔ)藏期的鯧魚的可視化傳感器陣列響應(yīng)信號(hào)反應(yīng)前后顏色變化值矩陣構(gòu)成，Y由不同儲(chǔ)藏期的鯧魚的TVB-N含量組成的列向量構(gòu)成.從所測(cè)的140個(gè)樣本中隨機(jī)抽取2/3，即94個(gè)，組成訓(xùn)練集數(shù)據(jù)，其余的46個(gè)樣本組成預(yù)測(cè)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(jiǎn)化PLS模型，得到預(yù)測(cè)能力更強(qiáng)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(jī)制，通過對(duì)選擇、交換和突變等算子的不斷迭代操作，使目標(biāo)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(yàn)證中因變量TVBN的預(yù)測(cè)值和實(shí)際值的相關(guān)系數(shù)作為遺傳算法的適應(yīng)度函數(shù)，用遺傳算法進(jìn)行傳感器陣列響應(yīng)信號(hào)反應(yīng)前后顏色變化值自變量集合的篩選，再用PLS對(duì)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(jié)果與分析

2.1 鯧魚TVB-N檢測(cè)結(jié)果

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

表1 4℃儲(chǔ)藏下鯧魚TVB-N含量變化

隨著儲(chǔ)藏時(shí)間的延長，TVB-N質(zhì)量分?jǐn)?shù)呈現(xiàn)逐漸上升的趨勢(shì)，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(biāo)準(zhǔn)，w ≤18 mg·(100 g)-1為一級(jí)品，18 mg·(100 g)-1＜ w ≤30 mg·(100 g)-1為二級(jí)品.由表1可知，鯧魚在4℃下儲(chǔ)藏1 d，TVB-N含量已接近一級(jí)新鮮度指標(biāo)臨界值;儲(chǔ)藏2～3 d，TVB-N含量繼續(xù)增加，逐漸接近二級(jí)新鮮度指標(biāo)30 mg·(100 g)-1;儲(chǔ)藏4 d過后，TVB-N值急劇上升，已大大超過二級(jí)新鮮度指標(biāo)，腐敗速度加快.

2.2 不同儲(chǔ)藏期鯧魚樣本的傳感器響應(yīng)特征圖像

將傳感器陣列對(duì)4℃儲(chǔ)藏下1～7 d的鯧魚的揮發(fā)性氣味反應(yīng)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(yīng)范圍總體呈現(xiàn)逐漸擴(kuò)大的趨勢(shì)，部分傳感器的顏色變化強(qiáng)度由弱變強(qiáng).

圖2 冰鮮鯧魚4℃恒溫下1～7 d的傳感器響應(yīng)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(gè)傳感器發(fā)生了響應(yīng)，顏色變化弱，此時(shí)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(qiáng)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(yīng)范圍有一定的相似性，但還是有部分傳感器的響應(yīng)變化幅度存在不同，如陣列中(1，4)這個(gè)傳感器顏色變化強(qiáng)度增強(qiáng)了;而相比前2 d來說第3～4 d的傳感器陣列反應(yīng)范圍擴(kuò)大明顯，傳感器顏色變化也增強(qiáng)，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(jī)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(qiáng)氫鍵結(jié)合引起強(qiáng)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(gè)傳感器都發(fā)生了響應(yīng)，顏色仍在發(fā)生變化.此時(shí)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(qiáng)烈的光譜變化.同時(shí)酸類氣體大量增加，與pH指示劑發(fā)生反應(yīng)引起顏色變化.

2.3 PLS 分析

在采用PLS建模時(shí)，主成分?jǐn)?shù)太少，不能完全反映被測(cè)鯧魚揮發(fā)性氣體成分所產(chǎn)生的傳感器響應(yīng)數(shù)據(jù)變化，模型預(yù)測(cè)準(zhǔn)確率會(huì)降低，出現(xiàn)“欠擬合”現(xiàn)象;反之導(dǎo)致模型復(fù)雜，出現(xiàn)“過擬合”現(xiàn)象，模型預(yù)測(cè)能力同樣降低，所以需先確定建立模型所需的主成分?jǐn)?shù).本研究通過交叉驗(yàn)證的方法，考察9個(gè)不同的主成分?jǐn)?shù)對(duì)預(yù)測(cè)均方根誤差(RMSECV)的影響來確定最佳主成分?jǐn)?shù)，如圖3所示，根據(jù)最小的RMSECV，確定最佳主成分?jǐn)?shù)為4.此時(shí)所得PLS模型的訓(xùn)練集相關(guān)系數(shù)RC和RMSECV分別為0.8270和28.9，預(yù)測(cè)集相關(guān)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(hào)).

圖3 模型的因子數(shù)對(duì)RMSECV的影響

圖4 TVB-N質(zhì)量分?jǐn)?shù)PLS模型預(yù)測(cè)值與實(shí)測(cè)值的相關(guān)關(guān)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(yù)測(cè)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(shè)定為染色體長度為36(變量個(gè)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(gè)(分別為第4，21，11，2，28，3，1，5 和第 9 個(gè)變量).如圖 5 所示，根據(jù)最小RMSECV，確定最佳主成分?jǐn)?shù)為5.此時(shí)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(hào)).

圖5 模型的因子數(shù)與RMSECV的關(guān)系

圖6 TVB-N質(zhì)量分?jǐn)?shù)GA-PLS模型預(yù)測(cè)值與實(shí)測(cè)值的相關(guān)關(guān)系

2.5 模型結(jié)果比較

分別采用PLS、GA-PLS方法建立了基于嗅覺可視化技術(shù)的鯧魚TVB-N的預(yù)測(cè)模型.一個(gè)模型的優(yōu)劣是通過訓(xùn)練集相關(guān)系數(shù)RC、交叉驗(yàn)證均方根誤差RMSECV、預(yù)測(cè)集相關(guān)系數(shù)RP和預(yù)測(cè)均方根誤差RMSEP來綜合評(píng)價(jià)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(yù)測(cè)模型結(jié)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(jié)果

從表2可知，相比全變量的PLS模型，優(yōu)選出9個(gè)變量所建立的GA-PLS模型的RMSECV和RMSEP都分別下降了4左右，訓(xùn)練集與預(yù)測(cè)集的相關(guān)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(yù)測(cè)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(guān)性，表明嗅覺可視化技術(shù)能很好地反應(yīng)出魚儲(chǔ)藏期間因新鮮度變化導(dǎo)致的TVB-N值的變化，嗅覺可視化技術(shù)能用來作為一種快速預(yù)測(cè)魚新鮮度的方法.

3 結(jié)論

研究利用嗅覺可視化傳感器陣列響應(yīng)值建立了基于嗅覺可視化技術(shù)的鯧魚TVB-N含量的預(yù)測(cè)PLS模型和GA-PLS模型.比較兩種模型發(fā)現(xiàn)GAPLS模型相對(duì)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(yīng)信號(hào)數(shù)據(jù)和TVBN值之間的關(guān)系，所建立的模型得到了簡(jiǎn)化，建模所使用的變量從36個(gè)減少到9個(gè)，只使用了原來的25%;同時(shí)模型的精度得到了提高，交叉驗(yàn)證均方根誤差RMSECV和預(yù)測(cè)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(xùn)練集和預(yù)測(cè)集的相關(guān)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(yīng)信號(hào)與魚新鮮度評(píng)價(jià)指標(biāo)TVBN之間有較高的相關(guān)性，嗅覺可視化技術(shù)為快速無損檢測(cè)魚新鮮度提供了新的可行性.

References)

［1］佟 懿，謝 晶.動(dòng)力學(xué)模型預(yù)測(cè)鯧魚貨架壽命的實(shí)驗(yàn)研究［J］.食品科學(xué):包裝貯運(yùn)，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(cè)定方法研究進(jìn)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(cè)模型比較［J］.農(nóng)業(yè)工程學(xué)報(bào)，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(shù)及其對(duì)5種化學(xué)物質(zhì)的區(qū)分［J］.江蘇大學(xué)學(xué)報(bào):自然科學(xué)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(shù)及其對(duì)四種食醋的識(shí)別［J］.農(nóng)業(yè)工程學(xué)報(bào)，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(shù)在桃子質(zhì)量評(píng)價(jià)中的應(yīng)用［J］.江蘇大學(xué)學(xué)報(bào):自然科學(xué)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(shù)的豬肉新鮮度等級(jí)判別［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，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.