王　輝，田寒友，張順亮，鄒　昊，劉　飛，李文采，李家鵬，陳文華，喬曉玲

（中國肉類食品綜合研究中心，肉類加工技術北京市重點實驗室，北京食品科學研究院，北京 100068）

基于中波近紅外光譜構建生鮮雞肉膽固醇定量分析模型

王輝，田寒友，張順亮，鄒昊，劉飛，李文采，李家鵬，陳文華，喬曉玲*

（中國肉類食品綜合研究中心，肉類加工技術北京市重點實驗室，北京食品科學研究院，北京 100068）

通過采集市售生鮮雞肉樣品在中波近紅外區(qū)的光譜信息，采用偏最小二乘法構建膽固醇定量分析模型，并評價模型的預測準確性。在建模過程中，討論異常樣品剔除與組合預處理方法等優(yōu)化措施對模型的影響。參模樣品經(jīng)2 次異常樣本剔除并以SG（Savitzky-Golay）一階導數(shù)、SG平滑及去趨勢校正進行預處理后，獲得了最佳生鮮雞肉膽固醇定量分析模型，其中：校正標準差（standard error of calibration，SEC）為4.534 8、校正集相關系數(shù)為0.919 7、預測標準差（standard error of prediction，SEP）為7.437 5、驗證集相關系數(shù)為0.812 0、范圍誤差比為2.844 7、相對預測標準差為9.44%、主因子數(shù)為5、SEP/SEC為1.640 1。對檢驗集樣品預測的結果表明，基于中波近紅外光譜構建的膽固醇定量分析模型的預測性能較好（P＞0.05），特別是在60～100 mg/100 g含量區(qū)間，可應用于對市售生鮮雞肉及產(chǎn)品膽固醇的檢測。

近紅外光譜；中波區(qū)；生鮮雞肉；膽固醇；定量分析

膽固醇是一種廣泛存在于動物組織中的固醇類物質，具有維持機體正常生理功能的重要作用，人體通過攝入動物源性食物而獲取約30%的外源性膽固醇［1-2］。目前，雞肉是我國使用量較大的禽類原料，廣泛應用于各式菜肴、快餐及速食產(chǎn)品中。由于受到種類、性別、成熟度、日糧水平、飼養(yǎng)方式等因素的影響，其膽固醇含量也存在較大的差異［3-11］。通常根據(jù)膽固醇含量的不同，將含量低于100 mg/100 g、介于100～200 mg/100 g之間、高于200 mg/100 g的雞肉及肉制品分為低、中、高3 個等級，過多攝入導致的膽固醇積累使心腦血管疾病成為我國居民的常見病［12-16］。

我國目前對膽固醇的分析與檢測，主要采用高效液相色譜法和氣相色譜法，其優(yōu)點是準確性和重復性好，但在效費比、人員要求及物料損耗上已滿足不了企業(yè)對原料選擇、過程跟蹤及品質控制等方面對效率和成本的要求。作為一種新興的檢測分析技術，近紅外光譜技術已逐漸應用于農(nóng)業(yè)、食品、制藥、石化等諸多領域，其在費用、效率、操作、成本、精準度及損耗方面的優(yōu)勢使其在定性和定量分析中的應用滿足了膽固醇測定的各方面需求［17-18］。

膽固醇是由甾醇和一段烷基鏈組成的，可通過中波近紅外光譜（1 100～1 800 nm）提取其含H基團的光譜信息構建預測膽固醇含量的定量分析模型［19］。目前國內外關于近紅外光譜檢測分析肉與肉制品理化和感官指標的文獻中，鮮見關于近紅外光譜定量分析膽固醇含量的報道。

本研究采用生鮮雞胸肉為實驗原料，基于中波近紅外光譜對其中膽固醇含量進行快速無損檢測并建立定量分析模型，為其在禽類營養(yǎng)健康控制、原料肉分級、生產(chǎn)過程監(jiān)控、產(chǎn)品品質控制等方面的應用提供理論依據(jù)和可行性分析。

1　材料與方法

1.1材料與試劑

本實驗所用原料為排酸12 h的市售雞胸肉樣品294 份，購自北京地區(qū)的集貿(mào)市場、超市。樣品采購當日，沿肌肉纖維垂直方向將雞胸肉較厚端切除1～1.5 cm，使肌肉纖維暴露出來，經(jīng)修飾后的樣品尺寸為3 cm×3 cm×5 cm，置于4 ℃條件下備檢。

1.2儀器與設備

SupNIR-1520型便攜式近紅外光譜分析儀 聚光科技（杭州）股份有限公司；TRACE 1310型氣相色譜儀美國Thermo Scientifi c公司。

1.3方法

1.3.1膽固醇含量測定

根據(jù)GB/T 9695.24—2008《肉與肉制品：膽固醇含量測定》的要求進行檢測。

1.3.2光譜信息采集及樣品集劃分

待測樣品在信息采集過程中保持在（4±0.5）℃，環(huán)境溫度為（25±0.5）℃，濕度為50%～60%。采集光譜信息時，吸去樣品橫截面上的水并緊貼于檢測探頭上。儀器參數(shù)：檢測光源為鎢燈；探頭模式為平面漫反射；光譜采集窗口直徑為32 mm；光斑直徑為20 mm；掃描波段為1 100～1 799 nm；分辨率為10 nm；波長準確性為0.2 nm；波長重復性為±0.05 nm；吸光噪聲小于50 μA；間隔為5 s；掃描次數(shù)為10 次；同一樣品采集2 次光譜信息，取均值作為原始光譜。將采集的信息與待測樣品的參比值（reference value，RV）一一對應構成參試樣品集（sample set，SS），并按照KS（Kennard-Stone）法［20］以3∶1∶1，劃分為校正集（calibration set，CS）、驗證集（validation set，VS）和檢驗集（test set，TS）。

1.3.3模型性能評價原則

根據(jù)一般模型評價的規(guī)則，校正標準差（standard error of calibration，SEC）、預測標準差（standard error of prediction，SEP）越小且相互間越接近越好，校正集相關系數(shù)（Rc）和驗證集相關系數(shù)（Rp）越接近1越好，主因子數(shù)（principal factor，PF）較少，SEP/SEC小于1.2，范圍誤差比（ratio of performance to standard deviate，RPD）大于2.5，相對預測標準差（relative standard error of prediction，RSEP）不大于10%，以上述模型參數(shù)作為模型性能的評價指標［19-21］，篩選并確定最佳光譜預處理方法和最優(yōu)定量分析模型。以上指標按公式（1）～（4）計算：

式中：yi為樣品i的標準理化分析方法RV；?i為樣品i的近紅外光譜法預測值（prediction value，PV）；ym為標準理化分析方法RV的均值；nc為校正集樣品數(shù)；np為驗證集樣品數(shù)；k為回歸因子數(shù)；Bias為系統(tǒng)偏差。

1.3.4最優(yōu)定量分析模型建立

1.3.4.1模型的預建

采用RIMP軟件中的均值中心化（mean centering，MC）、標準化（autoscaling，AS）、SG求導（Savitzky-Golay derivative，SGD）、差分求導（difference derivation，DD）、SG平滑（Savitzky-Golay Smoothing，SGS）、標準正態(tài)變量交換（standard normalized variate，SNV）、多元散射校正（multiplicative scatter correction，MSC）、凈分析信號（net signal analysis，NSA）、正交信號校正（orthogonal signal correction，OSC）、去趨勢校正（de-trending，DT）及基線校正（baseline correction，BC）共11 種預處理方法處理光譜，并利用RIMP軟件建立偏最小二乘（partial least squares，PLS）法定量分析模型。

1.3.4.2模型的優(yōu)化

對模型進一步優(yōu)化，采用學生殘差（studentized residual，SR）、馬氏距離（mahalanobis distance，MD）及二審剔除判別法對參試樣品集中的疑似異常樣品進行分析和剔除［22-24］，即對經(jīng)SR和MD對光譜的甄別和分析后判定的疑似異常樣品，并不立即將其從CS中剔除，而是每次將其中一個放回CS中，進行一次PLS法運算，如果該樣品仍被判為異常，則將其從CS中永久剔除，反之則保留。剔除異常樣品后再用組合預處理方法對樣品光譜進行處理。

1.3.5檢驗集樣品的預測

應用最優(yōu)定量分析模型預測檢驗集樣品，以T檢驗來判斷未知樣品的RV與PV之間是否存在差異，并用預測誤差率（error rate of prediction，ERP）來判斷預測精準度，按公式（5）計算ERP：

2　結果與分析

2.1光譜分析及樣品集劃分

由圖1A可以看出，雞肉參試樣品在近紅外光譜中波區(qū)有良好的光譜響應，不同膽固醇含量的樣品在此區(qū)間內有大量而且相對集中的譜線，其峰高的吸光度在0.45～0.71之間［19］。各樣品的譜線波形相近但不完全重合，由此也可看出批量樣品的光譜在近紅外光譜中波區(qū)內差異性與連續(xù)性并存。

由圖1B可知，雞肉的膽固醇含量在50～130 mg/100 g之間，但樣品大量集中在60～100 mg/100 g范圍內，其他含量區(qū)間的樣品量較少，這是由于品種、日糧水平、飼養(yǎng)方式等因素不同而導致的［10-11］，由此也可看出參試樣品分布范圍較廣、代表性較強。

圖1　雞肉樣本近紅外光譜圖（A）和膽固醇參比值分布圖（B）Fig.1　NIR spectra of chicken samples （A） and distribution of cholesterol reference values （B）

SS的膽固醇含量分布區(qū)間為52.7～121.1 mg/100 g，含量差異為68.4 mg/100 g，根據(jù)KS法劃分的CS、VS和TS的膽固醇含量參比值均在SS的參比值范圍內，結果見表1。

表1　膽固醇參比值統(tǒng)計表Table1　List of cholesterol reference values

2.2最優(yōu)定量分析模型建立

通過預處理方法來恢復或校正待測樣品光譜背景造成的失真，復原其表觀光譜至接近真實光譜，在此基礎上建立PLS模型，如模型性能未達到預期效果，再通過對建模過程中異常樣本的分析和剔除及利用不同的預處理組合方法處理樣品光譜等模型優(yōu)化和篩選手段，來改善模型的可靠性和穩(wěn)定性以獲取最佳定量分析模型。

2.2.1模型的預建

采用數(shù)據(jù)增強算法、導數(shù)算法、平滑算法及信號校正算法4 類預處理方法對由系統(tǒng)或隨機誤差造成的樣品光譜失真進行校正，以降低噪聲并提高有效信息率。由表2可看出，經(jīng)過不同預處理方法處理后，各模型的適配范圍和預測能力有明顯差別，其中DD、NSA、DT及BC方法預處理后構建模型的Rc和SEC均優(yōu)于對照組（Rc=0.816 6、SEC=7.644 8），但其Rp和SEP均不及對照組。而采用SGS、OSC處理后所構建的模型Rp和SEP均優(yōu)于對照組（Rp=0.771 8、SEP=8.155 4），而Rc和SEC則均不及對照組。只有SG一階導數(shù)（SG 1stD）所構建的模型Rc、Rp及SEC、SEP均優(yōu)于對照組，但其SEP/SEC小于對照組。而MC除SEP/ SEC和PF外，Rc、Rp及SEC、SEP均不及對照組。從表2可看出，所建模型的RPD均小于2.5，而從RSEP來看，所有模型均未滿足小于10%的要求。由此可見，單一預處理方法所構建雞肉膽固醇模型的預測性能整體上改善不明顯，尤其是模型的分辨能力和預測準確性均未達到實際應用的要求，且在部分參數(shù)上還低于對照組。此外由于在樣品集中可能存在疑似異常樣本而未進行剔除，導致模型的預測準確率和容變能力較差，模型整體性能較差，因此需對定量模型進一步優(yōu)化以改善其整體性能。

表2　不同預處理方法對模型的影響Table2　Effect of different preprocessing methods on the model

2.2.2模型的優(yōu)化

通過表2可看出，單一預處理方法所構建的模型在可靠性和穩(wěn)健性上沒有達到預期的效果，需通過優(yōu)化手段來改善其預測效果，本研究中模型優(yōu)化方法主要采取剔除異常樣品和組合預處理方法。將預建模型所使用的11 種預處理方法進行組合并處理樣品光譜信息，如表3所示。

表3　不同組合預處理方法對模型的影響Table3　Effect of different combinations of preprocessing methods on the model

對比表2、3可看出，經(jīng)組合預處理方法對樣品光譜處理后所構建的模型對CS和VS的綜合校正效果均優(yōu)于單一預處理方法所建模型，此外在模型的分辨能力、預測準確率及穩(wěn)健性上都有所改善。從表3可看出，經(jīng)過不同組合預處理方法處理后，其中1～5、8號模型的SEC、Rc、SEP及Rp均優(yōu)于對照組，說明以上這些預處理方法對光譜中的隨機和系統(tǒng)背景進行了相應的校正，模型的適配范圍、預測能力及預測準確性得到了提升，但RPD仍小于2.5，模型分辨能力較弱，而RSEP均小于10%，預測準確率達到預期標準。除2、6、8號外其他模型的SEP/ SEC均小于1.2，模型穩(wěn)健性良好。6號模型預測效果相對較差，PF明顯大于其他模型，可能是因為在組合預處理方法處理樣品光譜過程中造成有效信息丟失。7號模型經(jīng)組合方法處理后，其適配范圍較小和預測效果較差，可能是由于樣品集中存在影響模型預測性能的異常樣品。運用組合預處理方法后，絕大部分模型在可靠性和穩(wěn)健性上有所提升，但仍未達到最佳預測模型的效果，需進一步進行優(yōu)化。

從表2、3可以看出，僅通過改變預處理方法無法滿足優(yōu)化模型和改善模型性能的要求，需對建模樣品中的疑似異常樣本進行分析。采用SR和MD分別對CS樣品的光譜和PV進行分析，用二審剔除法確定并剔除異常樣品，再利用組合預處理方法處理樣品光譜信息。對CS異常樣品進行一次和兩次剔除后，再用表3中的組合預處理方法建立優(yōu)化模型以判斷利用剔除異常樣本和組合預處理方法對模型的優(yōu)化效果。

圖2　第1、2次剔除校正集中異常樣本在SRR（AA1、AA2）和MMDD（BB1、BB2）檢驗中的分布Fig.2　CS outliers scatter in SR （A1, A2） and MD （B1, B2） during the first and second elimination

通過圖2A可看出，在對校正集樣品進行第1次和第2次異常樣品分析過程中，對PV進行的SR分析顯示在校正集樣品中分別存在4 個和3 個異常樣品，均超過了SR的閾值，說明這7 個樣品的PV誤差較大。而在圖2B中，這些樣品光譜的MD均在閾值范圍之內，說明這7 個樣品的光譜未出現(xiàn)異常。此外，這7 個樣品的PV并不是極值，其誤差屬于可靠性誤差［19］，可先判斷其為疑似異常樣品。為避免誤判，采用二次剔除判別法再分別對其進行一次PLS運算，最終這7 個樣品仍被判定為異常樣品，因此在第1次和第2次異常樣品分析過程中將其分別剔除。

表4　剔除異常樣本對模型的影響Table4　Effect of outlier elimination on the model

對經(jīng)異常樣品剔除后所構建的優(yōu)化模型進行篩選，得到5 組效果較好模型，如表4所示。經(jīng)過第1次異常樣品剔除后，除2號外的其他模型Rc和Rp均有所提升，說明異常樣本的剔除提高了建模數(shù)據(jù)的有效信息率及模型的可靠性，進而改善了模型的預測性能，而2號模型在Rc提升的條件下，預測能力下降，可能是因為所剔除異常樣品的光譜信息沒有異常，但是經(jīng)剔除后導致該模型對樣品光譜背景變化的容變性變差，使得預測能力和準確性下降。第2次剔除異常樣品后，2、4、5號模型的Rc和Rp均有所提升，模型性能進一步得到改善，而1、3號模型則出現(xiàn)了與第1次剔除異常樣品后所建2號模型的情況。通過與對照組的比較可以發(fā)現(xiàn)，采用優(yōu)化措施處理后的模型在相應參數(shù)上得到了改善，但是由于異常樣品的第1次和第2次剔除導致模型整體適配范圍的降低，因此也導致了模型的穩(wěn)健性下降。

2.3最優(yōu)模型的篩選

表5　優(yōu)化模型列表Table5　List of selected optimum models

通過對表2、3、4中的模型參數(shù)進行綜合比較和分析，篩選出4 個性能較優(yōu)的優(yōu)化模型，見表5。根據(jù)1.3.3節(jié)所述模型評價原則對其評估，可看出表5中4號模型優(yōu)于其他模型，其相關參數(shù)如下：對參試數(shù)據(jù)進行2 次異常樣品剔除，預處理方法為SG 1stD、SGS及DT的組合方法，SEC=4.534 8、Rc=0.919 7、SEP=7.437 5、Rp=0.812 0、RPD=2.844 7、RSEP=9.44%、PF=5、SEP/SEC=1.640 1，數(shù)據(jù)表明該模型與表5中其他優(yōu)化模型相比，校正集Rc和驗證集Rp線性相關性顯著且自身校正檢驗和外部預測檢驗誤差最小，如圖3A、B所示，只需5 個主因子即可包容超過背景的性質信息，如圖3C所示，分辨能力和分析準確度最高，但由于剔除異常樣本導致穩(wěn)健性較差，可通過后期對模型進行修正時，向校正集中添加有代表性的樣品對模型進行修正以擴充其適配范圍［19］。

圖3　最優(yōu)雞肉膽固醇定量分析模型中CS（A）和VS（B）的PV與RV的散點圖及主因子數(shù)圖（CC）Fig.3　Scatter diagram of predicted and reference values of CS （A） and VS （B） and PF number （C） of the optimum model

2.4樣品的預測

上述最優(yōu)雞肉膽固醇定量分析模型對TS樣品進行分析和預測。根據(jù)待檢雞肉樣品膽固醇含量的范圍，將其劃分成6 個含量區(qū)間，以分析模型在各含量子區(qū)間內對樣品膽固醇含量預測的準確性，如表6所示。

表6　不同含量區(qū)間內樣品的預測Table6　Samples prediction in different concentration ranges

圖1B中SS分為8 個含量區(qū)間，而表6中待測樣品只有6 個含量區(qū)間，這是因為市售生鮮雞肉的膽固醇含量范圍為60～120 mg/100 g［10-11］，建模樣品中出現(xiàn)50～60 mg/100 g和120～130 mg/100 g的樣品并不常見，但為了增大模型的適配范圍，增強模型對待測樣品背景變化的容變能力，而將其作為代表性較強的樣品保留在參模樣品中。但在預測過程中，TS樣品中沒有含量極低和極高區(qū)間的樣品，因此沒有出現(xiàn)較為明顯的“均值化”現(xiàn)象［20］。但在余下的6 個含量區(qū)間中，100～110 mg/100 g和110～120 mg/100 g區(qū)間的建模樣品量少于其他4 個區(qū)間，模型對這2 個區(qū)間中待測樣品的ERP均高于其他4 個區(qū)間，且110～120 mg/100 g區(qū)間的待測樣品ERP也高于100～110 mg/100 g區(qū)間，這說明模型對于建模樣品相對比較集中的含量區(qū)間內的待測樣品具有較好的預測準確性。同理，從70～80 mg/100 g區(qū)間的3 個樣品ERP對比也可看出，即使在相同的含量區(qū)間內，模型也會對建模樣品較為集中的含量區(qū)段內的待測樣品有較低的ERP?？傮w來看，對于待測樣品ERP小于模型RSEP，其中在60～100 mg/100 g區(qū)間模型預測性能最好，而100～110 mg/100 g和110～120 mg/100 g區(qū)間樣品的ERP接近RSEP上限，可通過向這2 個區(qū)間中添加代表性樣品來擴展適配范圍以提升預測準確率。

3　結 論

本研究采集294 份涵蓋市售生鮮雞肉膽固醇含量的樣品，在中波近紅外區(qū)提取其光譜信息，經(jīng)過2 次異常樣品的剔除，并以SG 1stD、SGS及DT的組合預處理方法處理樣品光譜信息，可構建最佳雞肉膽固醇定量分析模型。模型參數(shù)顯示該模型的分辨能力、預測能力和準確性較好。對TS樣品的預測表明，模型對于不同含量區(qū)間樣品的預測效果不同，其中60～100 mg/100 g區(qū)間效果最好，即模型對CS樣品越集中的含量區(qū)間的待測樣品預測越準確，因此在進一步改善模型性能的工作中，需向其他含量區(qū)間加入有代表性的樣品來達到擴展模型適配范圍及增強預測能力的目的。本研究表明，基于中波近紅外光譜的雞肉膽固醇定量分析適用于對市售生鮮雞肉膽固醇含量的分析檢測和原料的篩選分級。

［1］ 高允生, 齊永秀, 姜隆梅, 等. 反相高效液相色譜法快速測定鵪鶉蛋黃膽固醇含量［J］. 營養(yǎng)學報, 2005, 27（1）： 72-74. DOI：10.3321/ j.issn：0512-7955.2005.01.019.

［2］ 孟亞娟, 賀稚非, 李洪軍. 動物源膽固醇的生理功效及其開發(fā)應用的研究進展［J］. 食品工業(yè)科技, 2015, 36（5）： 388-391. DOI：10.13386/ j.issn1002-0306.2015.05.074.

［3］ 唐繼高, 朱麗莉, 吳松成, 等. 不同日齡性別瑤山雞肉營養(yǎng)成分分析［J］. 中國畜禽種業(yè), 2014, 10（6）： 129-130. DOI：10.3969/ j.issn.1673-4556.2014.06.102.

［4］ 齊珂珂, 趙桂蘋, 陳繼蘭, 等. 日糧ω6/ω3對愛拔益加肉仔雞肉品質、血液脂質指標及脂肪酸組成的影響［J］. 動物營養(yǎng)學報, 2009, 21（4）： 525-533. DOI：10.3969/j.issn.1006-267x.2009.04.017.

［5］ 安文俊, 張麗, 莊蘇, 等. 飼喂不同配比油脂飼料對肉雞肉品質及肌肉中脂肪酸組成的影響［J］. 食品科學, 2011, 32（15）： 245-250.

［6］ SURIANI N W, PURNOMO H, ESTIASIH T, et al. Physicochemical properties, fatty acids profile and cholesterol content of indigenous manado chicken, broiler and spent hen meat［J］. International Journal of Chemtech Research, 2014, 6（7）： 3896-3902.

［7］ MUSA H H, CHEN G H, CHENG J H, et al. Comparative study of lipoprotein metabolism in chicken, Turkey and Quail［J］. Journal of Food Technology, 2006, 4（2）： 122-127.

［8］ SINGH S K, NIRANJAN P S, SINGH U B, et al. Effects of dietary supplementation of probiotics on broiler chicken［J］. Animal Nutrition and Feed Technology, 2009, 9（1）： 85-90.

［9］ COOPER R G, KLEWIEC J, MALECKI I, et al. Cholesterol content and fatty acid composition of fat from culled breeding ostriches（Struthio camelus）［J］. Animal Science Papers and Reports, 2003, 21（4）： 271-275.

［10］ 周貞兵, 陳冷椘, 黃濤, 等. 絞股藍添加劑對肉雞膽固醇和甘油三酯含量的影響［J］. 湖北農(nóng)業(yè)科學, 2013, 52（4）： 883-885. DOI：10.3969/ j.issn.0439-8114.2013.04.037.

［11］ 王曉明, 徐漢文, 王在貴, 等. 日糧中復合添加劑水平對雞肉中膽固醇含量的影響［J］. 安徽農(nóng)業(yè)科學, 2005, 33（10）： 1870-1871. DOI：10.3969/j.issn.0517-6611.2005.10.052.

［12］ 馮翔. 食物的膽固醇, 孰高孰低［J］. 家庭醫(yī)生, 2012（4）： 26-27.

［13］ 王莊林. 膽固醇與心血管疾?。跩］. 中國保健食品, 2012（7）： 47-47.

［14］ 劉洋, 郭陽. 非高密度脂蛋白膽固醇與心腦血管疾病關系研究進展［J］. 中國卒中雜志, 2015, 10（9）： 799-803. DOI：10.3969/ j.issn.1673-5765.2015.09.016.

［15］ 王宇輝, 劉國慶. 膽固醇和甘油三酯代謝紊亂與代謝性心血管病的研究進展［J］. 中國醫(yī)學前沿雜志（電子版）, 2012, 4（8）： 19-22. DOI：10.3969/j.issn.1674-7372.2012.08.005.

［16］ 王薇, 趙冬, 劉靜, 等. 中國35～64 歲人群膽固醇水平與10 年心血管病發(fā)病危險的前瞻性研究［J］. 中華心血管病雜志, 2006, 34（2）：169-173. DOI：10.3760/j：issn：0253-3758.2006.02.018.

［17］ 袁天軍, 王家俊, 者為, 等. 近紅外光譜法的應用及相關標準綜述［J］. 中國農(nóng)學通報, 2013, 29（20）： 190-196. DOI：10.11924/ j.issn.1000-6850.2012-3657.

［18］ 劉發(fā)龍, 馬新剛, 程福銀, 等. 近紅外光譜分析技術在快速分析上的應用［J］. 分析測試技術與儀器, 2008, 14（4）： 241-247. DOI：10.3969/ j.issn.1006-3757.2008.04.013.

［19］ 嚴衍祿. 近紅外光譜分析的原理、技術與應用［M］. 北京： 中國輕工業(yè)出版社, 2013.

［20］ 劉偉, 趙眾, 袁洪福, 等. 光譜多元分析校正集和驗證集樣本分布優(yōu)選方法研究［J］. 光譜學與光譜分析, 2014, 34（4）： 947-951. DOI：10.3964/j.issn.1000-0593（2014）04-0947-05.

［21］ 金葉, 丁海櫻, 吳永江, 等. 近紅外光譜技術用于血必凈注射液提取過程的在線檢測研究［J］. 藥物分析雜志, 2012, 32（7）： 1214-1221.

［22］ 閔順耕, 李寧, 張明祥. 近紅外光譜分析中異常值的判別與定量模型優(yōu)化［J］. 光譜學與光譜分析, 2004, 24（10）： 1205-1209. DOI：10.3321/j.issn：1000-0593.2004.10.014.

［23］ 謝麗娟, 劉東紅, 張宇環(huán), 等. 近紅外光譜技術定量測定楊梅汁可溶性固形物［J］. 光譜學與光譜分析, 2007, 27（7）： 1332-1335.

［24］ 史波林, 趙鐳, 劉文, 等. 蘋果內部品質近紅外光譜檢測的異常樣本分析［J］. 農(nóng)業(yè)機械學報, 2010, 41（2）： 132-137. DOI：10.3969/ j.issn.1000-1298.2010.02.027.

Establishment of Quantitative Analysis Model of Chicken Cholesterol Based on Medium-Wavelength Near-Infrared Spectroscopy

WANG Hui, TIAN Hanyou, ZHANG Shunliang, ZOU Hao, LIU Fei, LI Wencai, LI Jiapeng, CHEN Wenhua, QIAO Xiaoling*
（Beijing Key Laboratory of Meat Processing Technology, China Meat Research Center, Beijing Academy of Food Sciences, Beijing 100068, China）

In this research spectral information for commercially available chicken breast samples was extracted in the medium wavelength region of near-infrared （NIR） and used for establishing a quantitative analysis model of cholesterol concentration using partial least squares （PLS） regression, and the prediction accuracy of the model was analyzed. The modeling was investigated with respect to outlier elimination and optimized combined use of various spectral preprocessing methods. The optimum quantitative analysis model was achieved with two cycles of outlier elimination and the combined use of SG first derivative, SG smoothing and De-trending for spectral preprocessing. The model parameters standard error of calibration （SEC）, correlation coeffi cient of calibration set （Rc）, standard error of prediction （SEP）, correlation coeffi cient of validation set （Rp）, ratio of performance to standard deviate （RPD）, relative standard error of prediction （RSEP）, the number of principal factors （PF）and SEP/SEC were 4.534 8, 0.919 7, 7.437 5, 0.812 0, 2.844 7, 9.44%, 5, and 1.640 1, respectively. The experimental results showed that the model had better prediction accuracy in test set （P ＞ 0.05）, especially in the range of 60-100 mg/100 g, and could be applied to analyze the cholesterol concentration of commercially available fresh chicken and chicken products.

near-infrared spectroscopy； medium wavelength region； fresh chicken； cholesterol concentration； quantitative analysis

10.7506/spkx1002-6630-201620022

O629.21；O433.4

A

1002-6630（2016）20-0134-07

王輝, 田寒友, 張順亮, 等. 基于中波近紅外光譜構建生鮮雞肉膽固醇定量分析模型［J］. 食品科學, 2016, 37（20）：134-140. DOI：10.7506/spkx1002-6630-201620022. http：//www.spkx.net.cn

WANG Hui, TIAN Hanyou, ZHANG Shunliang, et al. Establishment of quantitative analysis model of chicken cholesterol based on medium-wavelength near-infrared spectroscopy［J］. Food Science, 2016, 37（20）： 134-140. （in Chinese with English abstract） DOI：10.7506/spkx1002-6630-201620022. http：//www.spkx.net.cn

2016-03-30

“十二五”國家科技支撐計劃項目（2014BAD04B05）

王輝（1979—），男，工程師，碩士，研究方向為生鮮肉品無損檢測技術。E-mail：sstrike@126.com

喬曉玲（1964—），女，教授級高級工程師，學士，研究方向為肉制品加工技術。E-mail：cmrcsen@126.com