石佳,柳興國
(1.武漢市第四醫(yī)院,武漢 430033;2.重慶電子工程職業(yè)學院,重慶 401331)
熟制雞肉是中國傳統(tǒng)低溫熟肉制品,味道鮮美且富含蛋白質,深受消費者喜愛[1]。然而由于監(jiān)管不夠嚴格和市場不規(guī)范,某些不法商販開始注水或用保水性物質摻假,侵犯了消費者權益的同時對消費者健康造成了不良影響。為了規(guī)范熟肉市場,開發(fā)一種快速、高效的鑒別技術顯得尤為重要[2]。
鑒于傳統(tǒng)的酶聯(lián)免疫吸附法等方法[3-6]具有成本高、對實驗人員要求高、實驗過程繁瑣等難以克服的缺陷,另外,熟肉制品具有復雜的成分,導致無法成熟應用于熟肉制品快檢。近紅外光譜法成本低、檢測速度快,在食品快檢領域發(fā)揮了重要作用[7,8]。但是現(xiàn)有研究均以鮮肉制品、奶制品等為研究對象[9,10],熟肉制品的摻假檢測則鮮有報道。本研究為探究一種適用于熟肉制品的鑒別方法,以添加不同含量卡拉膠的摻假熟制雞肉和添加不同含量水的摻假熟制雞肉為實驗材料,采集樣品近紅外光譜信息,紅外圖像預處理后進行光譜分析、模型建立和評價,提出了一種快速、準確的熟制雞肉鑒別技術。
熟制雞肉:購自湖北武漢某超市,為冷藏熟肉,樣品保鮮運輸至實驗室并于-18 ℃冰箱保存,用時取出部分于4 ℃解凍;卡拉膠(食品級)。
MPA-TM型傅立葉變換紅外光譜儀 德國布魯克光學儀器公司;S2-A818小型絞肉機 九陽股份有限公司;BH-J2 型電子天平 貝衡儀器有限公司。
首先將熟制雞肉切塊,然后將肉塊分別用絞肉機絞成肉糜,制備出熟制雞肉糜樣品。然后,在熟制雞肉糜中摻入預設含量的卡拉膠或水來制造摻假熟制雞肉樣品。熟制雞肉糜中卡拉膠的含量(質量比)分別為5%、10%、15%;熟制雞肉糜中加入水的含量(質量比)分別為5%、10%、15%,共7組樣品。最后,攪拌機攪拌2 min使樣品混合均勻。每個摻假樣品均有20個平行,共140個樣品(包括純熟制雞肉糜)。取(15.00±0.50) g樣品放入樣品杯中壓實壓平,用于接下來近紅外光譜的采集。
每個樣品掃描3次,取平均值作為最終光譜數(shù)據(jù)。儀器參數(shù)設置:掃描范圍為全波長掃描;掃描間隔為1 nm;掃描次數(shù)為64次;分辨率為8 cm-1。光譜采集軟件為Omnic 7.3,保持室溫穩(wěn)定[11]。
使用Origin 8.1對紅外光譜進行Savitzky-Golay平滑(S-G平滑)、標準化(Normalize)、S-G導數(shù)、標準正態(tài)變換(SNV)、S-G導數(shù)+SNV 5種預處理,以Rc2、RMSEC、Rp2和RMSEP作為圖像最佳預處理方法的選擇指標。Rc2和Rp2越接近0,RMSEC和RMSEP越接近于1,則模型的預測性能越好。
每組樣品的3/5被隨機選擇作為訓練集,其余2/5的樣本是預測集。偏最小二乘判別分析(PLS-DA)用來對摻有不同含量卡拉膠或水的熟制雞肉進行建模分析[12]。數(shù)據(jù)處理采用Matlab 8.03 軟件平臺進行分析。
將預測集的樣品用模型進行實際預測,以確定PLS模型的可靠性?;貧w模型評價的指標主要為樣本實際值和預測值之間的R2和正確率。
由圖1可知,在所有樣品的紅外圖譜中,純熟制雞肉的吸光度是最高的,可能是在此檢測條件下,雞肉中所含營養(yǎng)物質與紅外光譜作用最強烈。但添加卡拉膠或水的摻假熟制雞肉與純熟制雞肉隨波數(shù)的變化趨勢類似,可能是因為卡拉膠能與雞肉中的蛋白質緊密相連,形成凝膠網絡,故添加卡拉膠的摻假熟制雞肉也與純熟制雞肉相似;雞肉中本來就含有大量的水,外源添加水使水分含量上升但紅外圖譜變化不明顯。設置不同摻假物質、不同含量后,摻假熟制雞肉的吸光度略低于純熟制雞肉,但圖譜存在極高的相似性,即光譜的變化趨勢相同,波峰、波谷所在波段是相同的。所以,雖然紅外光譜能在一定程度上識別摻假熟制雞肉,但若僅僅通過該原始紅外光譜來準確判定熟制雞肉中卡拉膠或水的摻假比例是不合理的[13]。
圖1 不同摻假熟制雞肉的近紅外光譜圖Fig.1 Near-infrared spectra of different adulterated cooked chicken
由圖1可知,紅外光譜吸光度值與摻假物質、摻假含量之間有一定的相關性。吸光度高低順序為:純熟制雞肉>添加卡拉膠的摻假熟制雞肉>添加水的摻假熟制雞肉,且摻假含量越高,吸光度越低,與純熟制雞肉吸光度值差距越大。這初步證明了利用紅外特征光譜判定熟制雞肉的鑒別方法的可行性[14]。
該研究采用了5種預處理方法對原始近紅外光譜數(shù)據(jù)進行處理,以提高PLS模型的準確性。
表1 基于不同預處理方式建立的摻假熟制雞肉的 PLSR 模型的預測結果Table 1 Predictive result of PLSR model for different adulterated cooked chicken based on different pretreatment methods
由表1可知,這些預處理方法對摻有卡拉膠的熟制雞肉和摻有水的熟制雞肉PLS模型Rc2、RMSEC、Rp2和RMSEP的影響,S-G平滑、S-G導數(shù)、SNV和S-G導數(shù)+SNV可使兩種PLS模的Rc2和Rp2提高,使RMSEC和RMSEP降低,提高了PLS模型的準確性;而Normalize預處理反而使兩種PLS模的Rc2和Rp2降低,使RMSEC和RMSEP提高,降低了PLS模型的準確性。當預處理方式為S-G導數(shù)+SNV時,兩種PLS模型性能達到最佳,其中摻有水的模型優(yōu)于摻有卡拉膠的模型。因此,在熟制雞肉的PLS模型中選擇S-G導數(shù)+ SNV的預處理方式進行接下來的PLS模型建立與分析。
在PLS模型建立過程中,可能會遇到一些異常值,這些異常值可能是由于人為誤差、儀器誤差引起的,為了保證模型的適用性,應將異常值去除。通過計算馬氏距離,明顯過大的馬氏距離則為異常值,異常檢測結果見圖2。
圖2 異常值檢驗結果Fig.2 The test results of abnormal values
由圖2可知,摻有卡拉膠或水的熟制雞肉的近紅外光譜數(shù)據(jù)有5個異常點,在建模前需將其剔除。去除異常點后,需要選擇PLS模型主成分數(shù),若主成分數(shù)過少,則不足以全面反映樣品的信息;若主成分數(shù)過多,則增加了無用的數(shù)據(jù)量,信噪比下降,因此選擇合適的主成分數(shù)很有必要。
表2 選取1~12個主成分的累計貢獻率和模型正確率Table 2 The cumulative contribution rates and model accuracy of 1~12 principal components
由表2可知,隨著主成分數(shù)的增加,兩模型的累計貢獻率均先急劇增加后緩慢增加;模型正確率先增加后下降。對于摻有卡拉膠的熟制雞肉模型,最高正確率(98.4%)是在主成分數(shù)為8時得到的,此時累計貢獻率為99.0%;對于摻有水的熟制雞肉模型,最高正確率(99.0%)是在主成分數(shù)為9時得到的,此時累計貢獻率為99.5%。分別利用此最優(yōu)主成分數(shù)進行PLS 建模,可得最優(yōu)模型。
上述過程建立PLS模型后,對樣本進行預測來考察其判別準確性。添加卡拉膠或水的摻假熟制雞肉預測集的預測結果分別見圖3和圖4。
圖3 預測集樣本(摻假卡拉膠)模型的預測值 與實測值之間的散點圖Fig.3 Scatter plots between the predicted values and measured values of the model in the prediction set sample (mixed with carrageenan)
圖4 預測集樣本(摻假水)模型的預測值 與實測值之間的散點圖Fig.4 Scatter plots between the predicted values and measured values of the model in the prediction set sample (mixed with water)
由圖3可知,摻有卡拉膠的熟制雞肉的預測集模型的真實值與預測值的相關系數(shù)為1.0151,R2為0.9714,說明模型準確度較高[15,16]。由圖4可知,摻有水的熟制雞肉的預測集模型的真實值與預測值的相關系數(shù)為1.0023,R2為0.9744,R2值高于圖3中,說明PLS模型的準確度優(yōu)于摻有卡拉膠的熟制雞肉,預測效果更好,這與2.2部分的結果相吻合。樣品預測結果表明,PLS模型能夠很好地適應摻假熟制雞肉樣品,具有較高的穩(wěn)定性,能應用于實際快檢中[17]。
本研究針對摻有不同含量卡拉膠、水的熟制雞肉,采集了其近紅外光譜。經過比較,選擇S-G導數(shù)+ SNV的預處理方式,在剔除5個異常點后分別選擇8個和9個主成分建立了最優(yōu)PLS分析模型進行熟制雞肉的鑒別分析。研究結果表明,PLS模型具有較好的識別效果,其中摻有水的模型優(yōu)于摻有卡拉膠的模型。對于摻有卡拉膠的熟制雞肉,模型預測集R2可達0.9714,最高正確率可達98.4%;對于摻有水的熟制雞肉,模型預測集R2可達0.9744,最高正確率可達99.0%。由此可見,可以利用紅外光譜結合PLS分析的方法來進行熟制雞肉的鑒別。本研究為鑒別熟制雞肉中摻有卡拉膠、水提供了一種高效的鑒別方法。