于夢(mèng)超 常雅琦 趙 華 陳小玲 田 剛 劉光芒 蔡景義 賈 剛

(四川農(nóng)業(yè)大學(xué)動(dòng)物營養(yǎng)研究所，成都 611130)

小麥作為一種常用能量飼料受到家禽養(yǎng)殖行業(yè)越來越多的關(guān)注。關(guān)于小麥肉鴨表觀代謝能(apparent metabolizable energy，AME)已有報(bào)道，但由于小麥品種、產(chǎn)地、儲(chǔ)存方法等因素的影響，不同來源小麥的化學(xué)成分存在較大變異，這導(dǎo)致家禽的小麥AME也有較大差異[1-2]。因此，生產(chǎn)上用平均代謝能來配制飼糧，會(huì)影響配制的準(zhǔn)確性和精準(zhǔn)營養(yǎng)的實(shí)施。為了在生產(chǎn)中高效利用小麥資源，最好能準(zhǔn)確評(píng)定每一種不同來源小麥的能值，以達(dá)到精準(zhǔn)配制動(dòng)物飼糧的目的。近紅外光譜分析技術(shù)(near infrared reflectance spectroscopy，NIRS)因其快速方便(僅需2 min左右)、無破損、無污染等優(yōu)點(diǎn)已被廣泛應(yīng)用于動(dòng)物飼料化學(xué)成分和有效能的快速預(yù)測[3-6]。使用NIRS快速預(yù)測小麥營養(yǎng)價(jià)值的研究主要集中在小麥常規(guī)養(yǎng)分上[7-8]，值得重視的是，Owens等[9]建立了測定小麥總能的NIRS預(yù)測模型，李軍濤[10]建立了生長豬小麥總能、消化能和代謝能的NIRS預(yù)測模型，其中總能的NIRS預(yù)測模型定標(biāo)良好，但消化能和代謝能的NIRS預(yù)測模型僅可用于樣品的粗略篩選與分級(jí)。目前尚無小麥的肉鴨AME的NIRS預(yù)測模型的文獻(xiàn)報(bào)道。因此，本試驗(yàn)擬測定不同來源小麥的肉鴨AME，并利用NIRS建立AME的預(yù)測模型，為快速準(zhǔn)確評(píng)定小麥肉鴨AME提供參考。

1 材料與方法

1.1 樣品收集與制備

根據(jù)我國小麥產(chǎn)地區(qū)域分布和《小麥》(GB 1351—2008)中容重為分級(jí)指標(biāo)，收集河南、山東、河北、山西、陜西、四川、安徽、江蘇、湖北、寧夏、江西、浙江等地區(qū)來源的40種小麥。每種小麥均采用“四分法”采樣，使用高速粉碎機(jī)粉碎后過40目篩(0.42 mm)，保存于-20 ℃冰箱備用。

1.2 試驗(yàn)設(shè)計(jì)及方法

選用410只體重為(67.43±1.66) g的1周齡櫻桃谷肉鴨，隨機(jī)分為41個(gè)處理，每個(gè)處理5個(gè)重復(fù)，每個(gè)重復(fù)2只肉鴨，分別飼喂基礎(chǔ)飼糧(玉米-豆粕型)和40種小麥替代飼糧(含20%小麥)，采用全收糞法測定飼糧AME。在代謝籠下放置收糞盤，盤上鋪干凈的塑料布，每次收集的排泄物稱重后，按照每100 g鮮樣中加入10%稀鹽酸10 mL進(jìn)行固氮，每天收集2次，共收集7 d。將每天收集排泄物樣品置于-20 ℃冰箱中保存?zhèn)溆茫囼?yàn)期結(jié)束后將排泄物樣品以重復(fù)為單位混合均勻，置于65 ℃烘箱薄層攤開烘干，回潮24 h恒重，粉碎過40目篩，裝袋以備分析使用。

1.3 飼糧配方

參照我國《肉鴨飼養(yǎng)標(biāo)準(zhǔn)》(NY/T 2122—2012)配制基礎(chǔ)飼糧和試驗(yàn)飼糧，基礎(chǔ)飼糧為玉米-豆粕型飼糧；試驗(yàn)飼糧用20%的小麥替代基礎(chǔ)飼糧中部分玉米和豆粕，礦物質(zhì)和維生素的添加水平保持不變。

表1 試驗(yàn)飼糧組成及營養(yǎng)水平(風(fēng)干基礎(chǔ))

續(xù)表1項(xiàng)目 Items含量 Content基礎(chǔ)飼糧 Basal diet試驗(yàn)飼糧 Experimental diet蘇氨酸 Thr0.770.73半胱氨酸 Cys0.770.76

1)預(yù)混維生素和預(yù)混礦物質(zhì)為每千克飼糧提供 The premixed vitamins and premixed minerals provided the following per kg of diets: VA 4 000 IU，VB12.0 mg，VB210 mg VD32 000 IU，VE 20 IU，VK32.0 mg，泛酸 pantonthenic acid 20 mg，煙酸 niacin 50 mg，VB64.0 mg，VB120.02 mg，葉酸 folacin 1.0 mg，生物素 biotin 0.15 mg，氯化膽堿 choline chloride 1 000 mg，F(xiàn)e (as ferrous sulfate) 60 mg，Cu (as copper sulfate) 8.0 mg，Mn (as manganese sulfate) 100 mg，Zn (as zinc sulfate)60 mg，Se (as sodium selenite)0.30 mg，I (as potassium iodide) 0.40 mg。

2)營養(yǎng)水平為計(jì)算值。Nutrient levels were calculated values.

1.4 飼養(yǎng)管理

試驗(yàn)在四川農(nóng)業(yè)大學(xué)動(dòng)物營養(yǎng)研究所教學(xué)科研試驗(yàn)基地進(jìn)行，試驗(yàn)前按照常規(guī)程序?qū)θι嵯荆怿喴灾貜?fù)為單位籠養(yǎng)于代謝籠(1 m×1 m×1 m)中，每天飼喂3次(08：00、13：00、18：00)。試驗(yàn)過程中肉鴨自由采食、自由飲水，室溫控制在(28±2) ℃，相對(duì)濕度保持在60%～65%。

1.5 測定指標(biāo)及方法

小麥的干物質(zhì)(DM)、粗蛋白質(zhì)(CP)、粗脂肪(EE)、粗纖維(CF)、中性洗滌纖維(NDF)、酸性洗滌纖維(ADF)含量的測定分別參照GB/T 6435—2014、GB/T 6432—1994、GB/T 6433—2006、GB/T 6434—2006、GB/T 20806—2006、NY/T 1459—2007推薦的方法進(jìn)行；測定各試驗(yàn)組肉鴨的平均日采食量(ADFI)、平均日增重(ADG)和料重比(F/G)；飼料樣品和排泄物總能采用氧彈式熱量計(jì)(Parr 6400 calorimeter,Moline, IL,USA)進(jìn)行測定。

飼糧AME(MJ/kg)=(采食飼料總能- 排泄物總能)/采食量。

套算法計(jì)算小麥AME的公式如下：

小麥AME=[試驗(yàn)飼糧AME-(100-X)× 基礎(chǔ)飼糧AME]/X。

式中：X為小麥替代比例(%)，本試驗(yàn)中為20%。

1.6 小麥NIRS預(yù)測模型的構(gòu)建

1.6.1 小麥近紅外光譜的掃描

采用BRUKER公司的MPA型傅立葉變換近紅外光譜儀掃描小麥樣品，儀器工作參數(shù)設(shè)定為：譜區(qū)范圍4 000～12 500 cm-1；分辨率8 cm-1；掃描次數(shù)64次。室內(nèi)掃描溫度25 ℃，掃描前樣品置于室溫平衡24 h以上，每個(gè)樣品重復(fù)裝樣掃描3次。

1.6.2 AME的NIRS預(yù)測模型的定標(biāo)和驗(yàn)證

以40個(gè)樣品的AME為參比值，按照3∶1的比例隨機(jī)分成定標(biāo)集(n1=30)和驗(yàn)證集(n2=10)，分別用于定標(biāo)模型的建立和外部驗(yàn)證。采用BRUKER公司OPUS/QUENTS5.5商用光譜定量分析軟件采集小麥原始光譜，將小麥的AME實(shí)測值與光譜數(shù)據(jù)相關(guān)聯(lián)，采用偏最小二乘回歸(PLS)建立定標(biāo)模型，并通過內(nèi)部交叉檢驗(yàn)，運(yùn)用交互留一驗(yàn)證對(duì)模型的預(yù)測效果進(jìn)行評(píng)定。以交互驗(yàn)證標(biāo)準(zhǔn)差(RMSECV)為指標(biāo)，確定最佳主成分維數(shù)、光譜區(qū)間和光譜預(yù)處理方法，建立校正模型。采用驗(yàn)證集對(duì)模型進(jìn)行外部驗(yàn)證。

以決定系數(shù)(R2)、標(biāo)準(zhǔn)差(SD)、相對(duì)標(biāo)準(zhǔn)差(RSD)和相對(duì)分析誤差(RPD)衡量NIRS定標(biāo)模型的優(yōu)劣，各指標(biāo)計(jì)算公式如下：

相對(duì)標(biāo)準(zhǔn)差(%)=標(biāo)準(zhǔn)差/ym×100%； 相對(duì)分析誤差(%)=100×標(biāo)準(zhǔn)差/ 驗(yàn)證集均方根誤差。

式中：ym為所有樣本實(shí)測值的平均值。

相對(duì)標(biāo)準(zhǔn)差反映模型對(duì)總體的預(yù)測效果，值越小越好；相對(duì)分析誤差判斷模型預(yù)測能力，值越大越好。

1.7 數(shù)據(jù)統(tǒng)計(jì)與分析

試驗(yàn)結(jié)果以“平均值±標(biāo)準(zhǔn)差”表示，采用SPSS 22.0軟件分析AME與化學(xué)成分之間的相關(guān)性；AME實(shí)測值與NIRS預(yù)測模型的預(yù)測值進(jìn)行配對(duì)t檢驗(yàn)，P<0.05表示差異顯著。

2 結(jié)果與分析

2.1 不同來源小麥化學(xué)成分含量及其肉鴨AME

本試驗(yàn)中，40種小麥樣品的化學(xué)成分含量見

表2，肉鴨生長性能和不同飼糧、小麥的AME見表3，小麥AME與其化學(xué)成分之間的相關(guān)系數(shù)見表4。由表可見，小麥NDF、ADF、EE和粗灰分平均含量分別為(9.56±1.10)%、(2.58±0.69)%、(1.90±0.25)%和(1.76±0.31)%，其變異系數(shù)均大于10%，具有較大的差異。套算法得到小麥的肉鴨AME為11.03～14.34 MJ/kg，平均值為(13.15±0.70) MJ/kg。通過相關(guān)分析發(fā)現(xiàn)，櫻桃谷肉鴨小麥的AME與CF、NDF和ADF含量呈極顯著負(fù)相關(guān)(P<0.01)，與EE含量呈極顯著正相關(guān)(P<0.01)，表明小麥AME與其化學(xué)成分有關(guān)。

表2 40種小麥樣品的化學(xué)成分含量和物理特性(干物質(zhì)基礎(chǔ))

表3 肉鴨生長性能和不同飼糧、小麥的AME

2.2 櫻桃谷肉鴨小麥AME的NIRS預(yù)測模型的構(gòu)建

不同小麥的NIRS的掃描光譜圖如圖1和圖2所示，其中橫坐標(biāo)為波數(shù)(cm-1)，縱坐標(biāo)為吸光度(lgR-1)。從圖1中可以看出，不同小麥的光譜分布具有一定的差異。從圖2中可以看出，小麥的特征峰比較明顯，結(jié)合光譜圖1和平均光譜圖2可以得出，40種小麥的光譜的大致趨勢(shì)相同而最大吸收峰處高低有所不同，表明樣品成分的相似性而成分含量多少有所不同，表明樣品具有很好的代表性。

表4 小麥AME與其化學(xué)成分之間的相關(guān)系數(shù)

**表示極顯著相關(guān)(P<0.01)。

** mean significant correlation (P<0.01).

圖1 小麥NIRS的掃描光譜圖Fig.1 NIRS absorption spectrogram of wheat

圖2 小麥NIRS的平均掃描光譜圖Fig.2 Average NIRS absorption spectrogram of wheat

表5 NIRS定標(biāo)、交互驗(yàn)證和外部驗(yàn)證參數(shù)結(jié)果

由表6可見，對(duì)AME實(shí)測值與NIRS預(yù)測值進(jìn)行配對(duì)t檢驗(yàn)，結(jié)果顯示其均未達(dá)到顯著水平(P>0.05)，說明預(yù)測值與實(shí)測值差異不顯著，可以用于櫻桃谷肉鴨小麥AME的快速檢測。

表6 AME實(shí)測值與NIRS預(yù)測值配對(duì)t檢驗(yàn)

3 討 論

本試驗(yàn)發(fā)現(xiàn)，不同來源小麥的化學(xué)成分和肉鴨AME存在較大差異，相關(guān)分析表明AME的高低與小麥化學(xué)成分含量有關(guān)，本試驗(yàn)測得不同地區(qū)的40種小麥樣品各化學(xué)成分含量存在較大差異，其中NDF和ADF含量分別為6.80%～12.15%和1.69%～3.92%，與小麥的AME呈極顯著負(fù)相關(guān)，表明了不同地區(qū)小麥的NDF和ADF含量有所不同，且影響其營養(yǎng)成分的利用價(jià)值。這與Ball等[1]的研究結(jié)果一致，說明不同地區(qū)和品種影響小麥的化學(xué)成分組成，且影響肉雞對(duì)小麥基礎(chǔ)飼糧的利用效率。Kim等[11]收集不同地區(qū)和不同收獲時(shí)間的18種小麥，測得小麥樣品CP的含量為9.8%～19.1%，平均值為13.4%；NDF和ADF含量分別為12.99%～18.93%和2.99%～4.42%。Zijlstra等[12]收集16種小麥，CP和CF的含量分別為13.0%～18.1%和2.6%～4.1%，NDF和ADF的含量分別為12.9%～25.0%和3.1%～5.1%，且小麥的生長豬消化能與其CF、NDF和ADF含量呈顯著負(fù)相關(guān)。Zhao等[13]研究發(fā)現(xiàn)，對(duì)櫻桃谷肉鴨而言，玉米的AME、氮校正表觀代謝能(AMEn)、真代謝能(TME)和氮校正真代謝能(TMEn)與CF、NDF和ADF含量呈顯著負(fù)相關(guān)。Wan等[14]研究小麥加工副產(chǎn)物在櫻桃谷肉鴨上的TME，結(jié)果表明CF、NDF和ADF含量與TME呈顯著負(fù)相關(guān)，其中NDF含量與TME的相關(guān)系數(shù)最高。本研究結(jié)果表明，小麥對(duì)肉鴨的AME平均值為(13.15±0.70) MJ/kg，低于我國《肉鴨飼養(yǎng)標(biāo)準(zhǔn)》(NY/T 2122—2012)中小麥的AME，低于King等[15]測定北京鴨小麥AME的13.64 MJ/kg，但高于樊紅平等[16]測定北京Z系公鴨小麥AME的12.62 MJ/kg。這可能與試驗(yàn)小麥選取樣品、試驗(yàn)選用的肉鴨品種及所處的生理階段和代謝能評(píng)定方法的不同有關(guān)。雖然也可以用這些方法來估計(jì)飼料的代謝能值，但耗時(shí)相對(duì)較長(24 h以上)，還不能滿足生產(chǎn)的需要。因此，能否應(yīng)用NIRS快速預(yù)測飼料樣品的有效能值成為目前研究的一個(gè)重點(diǎn)。

建立和評(píng)價(jià)近紅外數(shù)學(xué)模型的優(yōu)劣性主要從2個(gè)方面進(jìn)行，一是近紅外數(shù)學(xué)模型自身相關(guān)性能及測量偏差；二是近紅外數(shù)學(xué)模型實(shí)際分析預(yù)測能力(模型穩(wěn)健性、可靠性及動(dòng)態(tài)適應(yīng)性)[10]。在建立定標(biāo)模型的過程中，樣品集的數(shù)量和參比值含量范圍，對(duì)模型的建立起著關(guān)鍵性的作用，因此樣品的代表性和AME的準(zhǔn)確性直接影響近紅數(shù)學(xué)外模型預(yù)測的精確性，對(duì)模型的建立起著關(guān)鍵性的作用。本試驗(yàn)樣品根據(jù)全國小麥產(chǎn)地的區(qū)域分布和《小麥》(GB 1351—2008)的小麥容重分級(jí)為定等指標(biāo)，采集的40種小麥包含了全國小麥的主要產(chǎn)區(qū)和不同容重等級(jí)，從表2可以看出本試驗(yàn)40種小麥樣品測定的各化學(xué)成分有較大的變化范圍，同時(shí)從圖1可以看出本試驗(yàn)的40種小麥光譜的大致趨勢(shì)相同，光譜存在多個(gè)吸收峰，而每個(gè)吸收峰處高低不同，表明小麥樣品具有較好的代表性；而采用全收糞法測定AME也是基于動(dòng)物營養(yǎng)學(xué)的傳統(tǒng)代謝試驗(yàn)，方法穩(wěn)妥，結(jié)果可靠。

飼料樣品有機(jī)物中含有C—H、O—H、N—H和S—H等含氫基團(tuán)的成分，這些成分含量的不同影響其近紅外吸收峰的大小，各個(gè)樣品之間的光譜不完全重合，根據(jù)光譜間的差異可判斷樣品的化學(xué)成分含量的變化，AME由飼料各常規(guī)營養(yǎng)成分含量相互作用決定，所以其光譜信息更復(fù)雜[17]，這是NIRS可用于飼料AME分析的重要基礎(chǔ)。Losada等[6]采用NIRS法對(duì)公雞飼料的氮校正表觀代謝能進(jìn)行評(píng)定，研究結(jié)果表明NIRS法可用于飼料代謝能的評(píng)定。Deaville等[18]用小麥和大麥樣品建立了綿羊代謝能的NIRS預(yù)測模型，可以用于日常分析。Haba等[19]研究近紅外定標(biāo)模型時(shí)認(rèn)為，相對(duì)標(biāo)準(zhǔn)差在1.1%～2.0%、2.1%～3.0%、3.1%～4.0%和4.1%～5.0%時(shí)，定標(biāo)模型分別取得了“非常好”、“很好”、“好”和“普通”的不同結(jié)果；而當(dāng)相對(duì)標(biāo)準(zhǔn)差大于5%時(shí)，定標(biāo)效果不理想。本試驗(yàn)交叉驗(yàn)證相對(duì)標(biāo)準(zhǔn)差和外部驗(yàn)證相對(duì)標(biāo)準(zhǔn)差分別為1.70%和1.46%，小麥AME的NIRS預(yù)測模型取得了“很好”的效果，能夠用于飼料分析和預(yù)測。外部驗(yàn)證相對(duì)分析誤差是衡量定標(biāo)模型預(yù)測能力的重要參數(shù)，當(dāng)外部驗(yàn)證相對(duì)分析誤差≥3.0%時(shí)，定標(biāo)模型的預(yù)測能力良好，可以對(duì)未知樣品進(jìn)行精確地預(yù)測；當(dāng)外部驗(yàn)證相對(duì)分析誤差為2.0%～3.0%時(shí)，定標(biāo)模型具有較好的預(yù)測能力，可以用于樣品的粗略篩選；當(dāng)時(shí)外部驗(yàn)證相對(duì)分析誤差≤2.0%時(shí)，定標(biāo)模型的預(yù)測能力較差，實(shí)際預(yù)測能力不理想[20]。本試驗(yàn)小麥肉鴨AME外部驗(yàn)證相對(duì)標(biāo)準(zhǔn)差為3.23%，取得“良好”的預(yù)測效果。以上研究表明，本試驗(yàn)定標(biāo)模型的預(yù)測能力良好，運(yùn)用NIRS能夠準(zhǔn)確預(yù)測小麥AME，用于實(shí)際檢測是可行的。

4 結(jié) 論

不同來源小麥化學(xué)成分和肉鴨AME存在差異，小麥的肉鴨AME與其化學(xué)組成成分有關(guān)，應(yīng)用NIRS可以“很好”地建立小麥的肉鴨AME預(yù)測模型，并取得“良好”的預(yù)測效果。

[1] BALL M E E,OWENS B,MCCRACKEN K J.The effect of variety and growing conditions on the chemical composition and nutritive value of wheat for broilers[J].Asian-Australasian Journal of Animal Sciences,2013,26(3):378-385.

[2] MCCRACKEN K J,PRESTON C M,BUTLER C.Effects of wheat variety and specific weight on dietary apparent metabolisable energy concentration and performance of broiler chicks[J].British Poultry Science,2002,43(2):253-260.

[3] ZHOU L J,ZHANG L Y,ZHANG E X,et al.Rapid determination of swine available energy and amino acids in corn distillers dried grains with solubles by near-infrared reflectance spectroscopy[J].Animal Feed Science and Technology,2012,175(3/4):198-202.

[4] XICCATO G,TROCINO A,CARAZZOLO A,et al.Nutritive evaluation and ingredient prediction of compound feeds for rabbits by near-infrared reflectance spectroscopy (NIRS)[J].Animal Feed Science and Technology,1999,77(3/4):201-212.

[5] COZZOLINO D,FASSIO A,FERNNDEZ E,et al.Measurement of chemical composition in wet whole maize silage by visible and near infrared reflectance spectroscopy[J].Animal Feed Science and Technology,2006,129(3/4):329-336.

[6] LOSADA B,GARCA-REBOLLAR P,LVAREZ C,et al.The prediction of apparent metabolisable energy content of oil seeds and oil seed by-products for poultry from its chemical components,invitroanalysis or near-infrared reflectance spectroscopy[J].Animal Feed Science and Technology,2010,160(1/2):62-72.

[7] ADESOGANA A T,OWENA E,GIVENSB D I.Prediction of theinvivodigestibility of whole crop wheat frominvitrodigestibility,chemical composition,in situ rumen degradability,in vitro gas production and near infrared reflectance spectroscopy[J].Animal Feed Science and Technology,1998,74(3):259-272.

[8] 賴立群.基于近紅外光譜的小麥品質(zhì)參數(shù)快速檢測[D].碩士學(xué)位論文.杭州:中國計(jì)量學(xué)院,2015.

[9] OWENS B,MCCANN M E E,MCCRACKEN K J,et al.Prediction of wheat chemical and physical characteristics and nutritive value by near-infrared reflectance spectroscopy[J].British Poultry Science,2009,50(1):103-122.

[10] 李軍濤.近紅外反射光譜快速評(píng)定玉米和小麥營養(yǎng)價(jià)值的研究[D].博士學(xué)位論文.北京:中國農(nóng)業(yè)大學(xué),2014.

[11] KIM J C,MULLAN B P,SIMMINS P H,et al.Variation in the chemical composition of wheats grown in Western Australia as influenced by variety,growing region,season,and post-harvest storage[J].Australian Journal of Agricultural Research,2003,54(6):541-550.

[12] ZIJLSTRA R T,DE LANGE C F M,PATIENCE J F.Nutritional value of wheat for growing pigs:chemical composition and digestible energy content[J].Canadian Journal of Animal Science,1999,79(2):187-194.

[13] ZHAO F,ZHANG H F,HOU S S,et al.Predicting metabolizable energy of normal corn from its chemical composition in adult Pekin ducks[J].Poultry Science,2008,87(8):1603-1608.

[14] WAN H F,CHEN W,QI Z L,et al.Prediction of true metabolizable energy from chemical composition of wheat milling by-products for ducks[J].Poultry Science,2009,88(1):92-97.

[15] KING D,RAGLAND D,ADEOLA O.Apparent and true metabolizable energy values of feedstuffs for ducks[J].Poultry Science,1997,76(10):1418-1423.

[16] 樊紅平,侯水生,鄭旭陽,等.雞鴨對(duì)飼料能量利用的比較研究[J].中國畜牧雜志,2006,42(19):30-32.

[17] 李玉鵬,年芳,李愛科,等.近紅外反射光譜技術(shù)評(píng)定棉籽粕營養(yǎng)價(jià)值和蛋公雞代謝能[J].動(dòng)物營養(yǎng)學(xué)報(bào),2016,28(7):2013-2023.

[18] DEAVILLE E R,HUMPHRIES D J,GIVENS D I.Whole crop cereals[J].Animal Feed Science and Technology,2009,149(1/2):114-124.

[19] HABA M J,GARRIDO-VARO A,GUERRERO-GINEL J E,et al.Near-infrared reflectance spectroscopy for predicting amino acids content in intact processed animal proteins[J].Journal of Agricultural and Food Chemistry,2006,54(20):7703-7709.

[20] CHEN G L,ZHANG B,WU J G,et al.Nondestructive assessment of amino acid composition in rapeseed meal based on intact seeds by near-infrared reflectance spectroscopy[J].Animal Feed Science and Technology,2011,165(1/2):111-119.