趙泓洋，林 峰，孫 健，郝貴杰

（1.東北大學秦皇島分校，河北 秦皇島 066099；2.浙江省淡水水產(chǎn)研究所，浙江 湖州 313098；3.江蘇農(nóng)林職業(yè)技術(shù)學院，江蘇 句容 212400）

0 引 言

魚肉營養(yǎng)豐富，肉質(zhì)細嫩，味道鮮美，是一種深受消費者喜愛的優(yōu)質(zhì)蛋白質(zhì)來源。然而當魚死亡后，在體內(nèi)溶解酶和微生物的共同作用下，魚肉品質(zhì)迅速下降。腐敗過程中產(chǎn)生的病原微生物和微生物毒素對消費者的健康構(gòu)成嚴重威脅[1]?？焖佟⒈憬莸貦z測魚肉的新鮮程度對食品安全、檢驗檢疫、食品工業(yè)等領(lǐng)域均具有重要的意義。

傳統(tǒng)的新鮮度檢測方法主要包括感官評價、理化檢測和微生物檢測。感官評價法便捷高效，然而即便對于訓練有素的專業(yè)檢驗人員，也難以完全消除個人主觀因素對檢測結(jié)果的影響。理化和微生物檢測方法具有較高的檢測精度，但操作過程繁瑣，對實驗人員的專業(yè)技能有較高的要求，且檢測周期較長，對樣品具有破壞性。因此傳統(tǒng)的檢測方法主要局限于實驗室應用，難以適應消費市場和基層檢驗檢疫機構(gòu)對檢測實時性和設(shè)備便攜性的要求，也不能滿足肉類食品加工企業(yè)在線監(jiān)控產(chǎn)品品質(zhì)的需求[2]。針對這些問題，電子鼻、電子舌、近紅外光譜、阻抗譜等儀器檢測方法應運而生[3-6]。相對于其它檢測技術(shù)，阻抗譜以一系列獨特的優(yōu)勢，如低成本、無需樣品預處理、可以探測動物內(nèi)臟，植物根部等無法直接觸及的組織和器官，逐漸成為生物檢測領(lǐng)域新的研究熱點。國內(nèi)外學者已將其應用于早期乳腺癌篩查[7]，人體成分和營養(yǎng)狀況評價[8]，無土栽培植物根系生長情況監(jiān)控[9]，植物根系共生菌檢測[10]，植物旱脅迫和霜凍脅迫研究[11]，食品加工過程中鹽分和含水率的實時監(jiān)控[12]，魚肉的新鮮度檢測[13-15]等諸多領(lǐng)域。由于受養(yǎng)殖環(huán)境、飼料成分、基因、捕撈季節(jié)、年齡等因素的影響，即便對于同一物種的研究對象，不同個體的生物組分也有較大的差異。以魚為例，Grigorakis 研究表明，野生和養(yǎng)殖海鯛魚的體脂肪率相差可達13 倍[16]。脂肪具有良好的電絕緣性，個體間體脂率的差異勢必對阻抗譜測量結(jié)果產(chǎn)生一定影響?，F(xiàn)有的實驗研究，樣品大多來自同一飼養(yǎng)環(huán)境，不同個體的基因存在密切的親緣關(guān)聯(lián)。樣品間相似的生物組分為實現(xiàn)高精度阻抗譜檢測提供了良好的條件，而實際應用中，由于不同來源個體的電學特性差異，很難獲得和實驗條件下相當?shù)臋z測精度。個體差異對檢測結(jié)果的影響是制約阻抗譜檢測精度提高和生物阻抗譜技術(shù)進一步發(fā)展的最重要的瓶頸之一[17]。

阻抗譜形態(tài)特征是與阻抗譜絕對坐標沒有直接關(guān)聯(lián)的特征參數(shù)。研究表明[18]，在面向不同來源樣品檢測的應用領(lǐng)域，該參數(shù)可以有效減小個體基礎(chǔ)電學差異對測量結(jié)果造成的影響，顯著提高檢測精度。進一步分析實驗結(jié)果，發(fā)現(xiàn)形態(tài)特征參數(shù)的優(yōu)勢是對生物個體差異不敏感，在魚肉腐敗點附近，不同來源個體的特征參數(shù)均會出現(xiàn)較大的變化。但是在自溶期，該參數(shù)和TVB-N 的相關(guān)度較低。這一段時間內(nèi)的取樣點，也構(gòu)成了形態(tài)特征參數(shù)誤判集的主體。而絕對坐標參數(shù)雖然對生物個體差異較敏感，但對于同一個體，整個腐敗周期均和TVB-N 有著相似的變化趨勢。兩種參數(shù)具有潛在的互補性，如能將二者的優(yōu)勢進行融合，對提高實際應用中的預測精度有著重要的價值。

本文提出神經(jīng)網(wǎng)絡多參數(shù)融合的魚肉新鮮度檢測方法，運用神經(jīng)網(wǎng)絡的自主學習能力，將傳統(tǒng)檢測魚新鮮度的多個參數(shù)作為神經(jīng)網(wǎng)絡的輸入，以魚體中化學成分TVB-N 值作為網(wǎng)絡輸出，經(jīng)過參數(shù)訓練擬合，將多個魚新鮮度預測參數(shù)值進行融合，構(gòu)建全新的魚肉新鮮度預測指標。為提高實際應用中面對復雜來源樣品時的預測精度，提出新的解決思路和方法。

1 材料與方法

1.1 試驗材料

為了模擬實際應用環(huán)境，從4 個不同的零售商處采購鰱魚20 條，充氧運送至實驗室。置于冰水中麻醉，隨后用鈍器將魚擊斃，去除魚鱗和內(nèi)臟。清洗后，用潔凈的不銹鋼刀將魚腹肉切成大小約為6 cm×3 cm 的魚片，無菌聚乙烯袋密封后，置于4 ℃冰箱中冷藏。每條魚取一片進行電阻抗測量。其余用于TVB-N 檢測。每日檢測一次，連續(xù)測量8 d。最終結(jié)果為3 次重復測量的平均值。其中10 條魚用于模型參數(shù)的確定，另外10 條用于模型效果的檢驗。

1.2 試驗方法

1.2.1 理化指標檢測

魚肉腐敗過程伴隨著蛋白質(zhì)的分解。通過對蛋白質(zhì)分解產(chǎn)物揮發(fā)性鹽基氮（TVB-N）含量的測定，可以實現(xiàn)對魚肉新鮮程度的評估。鰱魚TVB-N 值依照GB/T 5009.44-2003 中規(guī)定，采用半微量定氮法測定。

1.2.2 阻抗譜檢測

肉類在腐敗過程中，生物組織的電學特性會隨著生物組分的分解和細胞結(jié)構(gòu)的改變而發(fā)生變化。通過特定頻段下電阻抗的測量，可以獲得其新鮮度信息。本實驗使用CHI660E 電化學工作站實現(xiàn)阻抗譜測量。該儀器發(fā)出特定頻率和幅值的正弦電壓作為激勵信號，檢測激勵信號經(jīng)過生物組織后的變化。利用傅里葉變換將時域結(jié)果轉(zhuǎn)化為頻域，并計算出復阻抗的模值和相位角。本實驗采用雙電極模式，直徑為0.5 mm 的鉑絲電極垂直插入魚肉中，深度為10 mm。

測量儀器的最優(yōu)參數(shù)組合取決于魚種，電極配置，測量溫度等諸多因子。正式測量前，針對相關(guān)參數(shù)的優(yōu)化問題進行了一系列預實驗。比較激勵電壓幅值取 5、10、20、30、35 mV 的阻抗譜，最佳的重復測量精度出現(xiàn)在30 mV 和35 mV 的條件下?？紤]到激勵電壓越小，對系統(tǒng)穩(wěn)態(tài)的干擾就越小，設(shè)定激勵電壓幅值為30 mV。并在對數(shù)坐標軸10 Hz～1MHz 的頻率范圍內(nèi)平均選取的60 個點作為測量頻率。

1.3 數(shù)據(jù)處理

使用極點差值法提取形態(tài)特征參數(shù)，以及利用灰色關(guān)聯(lián)分析法在絕對坐標參數(shù)中篩選最優(yōu)頻率，然后運用GSI 理論將形態(tài)特征參數(shù)和絕對坐標參數(shù)融合成一個全局穩(wěn)定性指數(shù)。將以上提取的魚新鮮度模值、相位角、極點差值和GSI 等參數(shù)作為的輸入，以魚體中化學成分TVB-N 值作為網(wǎng)絡輸出，用神經(jīng)網(wǎng)絡訓練，建立FFI 多參數(shù)融合機制。然后和傳統(tǒng)阻抗譜參數(shù)對新鮮度判斷的準確率做出比較。相關(guān)計算工作由Matlab 和Excel 實現(xiàn)。

2 結(jié)果與分析

2.1 揮發(fā)性鹽基氮的變化規(guī)律

圖1 為4 ℃下樣品TVB-N 均值變化趨勢，開始2 d 內(nèi)，TVB-N 變化較為平緩。第3 d 開始上升速度逐漸加快，于第6 d 達到了0.2 mg/g 的淡水魚腐敗國家標準。自溶酶和細菌是腐敗過程中蛋白質(zhì)分解的兩個主要誘因。在腐敗過程的早期，自溶酶的影響起主導作用，此時TVB-N 的變化相對緩和。進入中后期，優(yōu)勢腐敗菌大量繁殖，細菌逐漸取代自溶酶成為分解蛋白質(zhì)的主因，TVB-N 也隨貯藏時間延長而快速增加。

圖1 揮發(fā)性鹽基氮隨儲藏時間的變化情況

2.2 形態(tài)學特征參數(shù)的提取

圖2 為伯德圖，橫坐標是測量頻率，縱坐標分別是阻抗模值和相位角。由于細胞膜的電容特性，生物材料的阻抗值隨測量頻率的改變而改變。

圖2 伯德圖

在之前的研究中[18]，本課題組提出將伯德圖中提取的特征參數(shù)分為兩類，一類是和伯德圖上絕對坐標值緊密關(guān)聯(lián)的參數(shù)，如阻抗模值、相位角。另一類是和伯德圖中絕對坐標值沒有直接關(guān)聯(lián)的形態(tài)特征參數(shù)，如斜率、弧度、極點差值等。前者是由坐標軸所指示的坐標值；而后者只與曲線自身的形狀有關(guān)，與曲線和坐標軸的相對位置無關(guān)。

相對于阻抗模值曲線由高頻到低頻的單調(diào)上升，相位角曲線具有更豐富的形態(tài)變化，也包含了更豐富的形態(tài)特征信息。通過對相位角曲線各形態(tài)特征參數(shù)的分析與篩選，發(fā)現(xiàn)在特定頻率區(qū)間內(nèi)，相位角曲線可以近似為直線段，該直線段的斜率和新鮮程度變化呈高度相關(guān)性。對比該形態(tài)特征參數(shù)和傳統(tǒng)絕對坐標參數(shù)對于不同來源鯉魚肉新鮮程度的檢測結(jié)果，證實了其能夠有效消除生物個體差異引起的阻抗譜測量誤差。

本文使用“極點差值”作為形態(tài)特征參數(shù)，如圖3 所示。相對于斜率，極點差值的提取算法更簡潔，其參數(shù)本身也具有更明確的物理意義。

極點差值為圖3 中相位角曲線的“S”形態(tài)部分中最高點和最低點在Y 軸上的投影距離d。對于純阻性元件而言，其相位角曲線是一條位于X 軸上的線段，其極點高度差d 等于0。而對于由容性和阻性元件構(gòu)成復合元件而言，d 始終大于0。在腐敗中后期，具有電容特性的細胞膜被破壞，細胞內(nèi)液電解質(zhì)溢出并和細胞外液融合，魚肉的宏觀電學特性由阻容混合趨向于純阻性，對應的形態(tài)特征參數(shù)d 也趨近于0。經(jīng)驗證，“極點差值”和“斜率”這兩種形態(tài)特征參數(shù)所構(gòu)建的模型預測效果并沒有明顯差異。

圖4 是鰱魚肉極點差值參數(shù)隨時間變化的規(guī)律。在魚死亡后不久的僵直解僵期，該參數(shù)有一個短暫的上升過程(階段1)。隨著自溶期的到來，極點差值隨存儲時間的增加而緩慢降低(階段2)。達到腐敗臨界點后，由于細胞膜的破裂，細胞內(nèi)液溢出。極點差值迅速下降(階段3)。

圖4 極點差值隨時間變化的情況

2.3 全局穩(wěn)定性指數(shù)參數(shù)提取

2.3.1 應用全局穩(wěn)定性指數(shù)構(gòu)建多參數(shù)融合的預測模型

GSI (Global Stability Index) 是由Mohsen Achour于2006 年提出的用于評價貯存過程中食品品質(zhì)變化的多參數(shù)融合判定法[19]。該方法突破了傳統(tǒng)單一指標評價的局限性，綜合不同評價指標的優(yōu)勢，以更全面地反映食品品質(zhì)變化過程。

2.3.2 計算變異指數(shù)

變異指數(shù)Vij為指標i 在j 時刻相對于初始狀態(tài)的變異值，公式（1）如下:

式中:Cij為指標i 在j 時刻的檢測值，Ci0為指標i 的初始值，本試驗取所有參與計算數(shù)據(jù)的最小值。Li為指標i 的終點值，本試驗取所有參與計算數(shù)據(jù)的最大值。

2.3.3 計算GSI 全局穩(wěn)定性指數(shù)

j 時刻的全局穩(wěn)定性指數(shù)GSIj由公式（2）計算。

式中：n 為參與計算的品質(zhì)指標的個數(shù)。di為第i個指標的權(quán)重系數(shù)，∑αi=1。之前的文獻中，其具體取值多根據(jù)經(jīng)驗確定。

本文參與GSI 計算的參數(shù)分別是極點差值，模值和相位角，故n 取3。權(quán)重系數(shù)以0.1 為最小分辨率，由Matlab 編程列舉所有可能的組合后，再次應用灰色關(guān)聯(lián)分析方法，篩選出和TVB-N 相關(guān)度最高的組合。最終結(jié)果極點差值,模值和相位角的權(quán)重系數(shù)分別為 0.4、0.4、0.2。

綜上所述，預測魚新鮮度的參數(shù)有模值、相位角、極點差值和GSI 等，表1 為貯存第2～8 d 的TVB-N、模值、相位角、極點差值和GSI 的均值。

表1 貯存期間的TVB-N,模值，相位角，極點差值和GSI 值

3 基于神經(jīng)網(wǎng)絡的參數(shù)融合方法

雖然模值、相位角、極點差值和GSI 值等都可以預測魚新鮮度，但是采用單一的參數(shù)無法準確預測。神經(jīng)網(wǎng)絡是一種較為智能高級的算法，若將獲取的以上值預測參數(shù)與神經(jīng)網(wǎng)絡結(jié)合，建立神經(jīng)網(wǎng)絡多參數(shù)信息融合的魚肉新鮮度預測模型，則可以較為客觀地評估魚新鮮度。

3.1 神經(jīng)網(wǎng)絡

神經(jīng)網(wǎng)絡[20-22]是較為智能的算法之一，具有較強的非線性預測能力，其廣泛應用在模式識別、自動控制、信號處理、輔助決策、人工智能等眾多研究領(lǐng)域。圖5 為神經(jīng)網(wǎng)絡結(jié)構(gòu)圖，且有輸入層、中間層和輸出層組成。其學習過程就是不斷給網(wǎng)絡輸入樣本數(shù)據(jù)和樣本輸出，使之中間層獲得記憶能力，不斷調(diào)節(jié)連接權(quán)值，使得輸入輸出達到預期期望。

圖5 神經(jīng)網(wǎng)絡連接結(jié)構(gòu)示意圖

神經(jīng)網(wǎng)絡具體算法步驟如下：

第一步：接受輸入層輸入數(shù)據(jù)：

式中，Ij是要對其進行非線性轉(zhuǎn)化，為下一單元的值，Oi是輸入的值，wij為每個單元到下一個單元連線之間的權(quán)重，θj為偏向調(diào)整因子，對Ij進行非線性轉(zhuǎn)化，得到下一個單元的值：

第二步：根據(jù)誤差(error)反向傳送為：

根據(jù)公式（5），對于對于輸出層誤差反向傳送為：

式（6）中，Errj用于更新偏向，Oj為輸出的值，Tj為標簽的值。

通過權(quán)重更新，為：

式（7）中，(l)為 Ij的學習率。

偏向調(diào)整因子更新，為：

第三步，當權(quán)重的更新低于某個閾值，或者預測的錯誤率低于某個閾值，以及達到預設(shè)一定的循環(huán)次數(shù)，終止條件，并且輸出。

3.2 參數(shù)融合的新鮮指數(shù)（FFI）

將預測魚新鮮度模值、相位角、極點差值和GSI等參數(shù)作為神經(jīng)網(wǎng)絡的輸入，以魚體中化學成分TVB-N 值作為網(wǎng)絡輸出，則網(wǎng)絡輸入節(jié)點數(shù)對應網(wǎng)絡輸入因子數(shù)為4，網(wǎng)絡輸出節(jié)點數(shù)對應網(wǎng)絡輸出因子數(shù)為1。

通過獲得20 條鰱魚作為樣本，可以得到魚第一天到第七天的預測魚新鮮度參數(shù)，和對應批次時間下的TBV-N 值，經(jīng)過訓練便可得到FFI 模型預測。圖6 分別模值、相位角、極點差值和GSI 等參數(shù)和TVB-N 值的擬合訓練圖。經(jīng)過4 層訓練便可得到很高的吻合度，且將得到4 個預測訓練模型融合歸一化，便可得到FFI 模型預測訓練擬合圖。

圖6 FFI 模型預測訓練擬合圖

為建立FFI 模型校驗和訓練曲線圖，不同隱含層節(jié)點數(shù)測試結(jié)果如表7 所示.可以看出當隱含層節(jié)點數(shù)為8 時誤差最小精度已經(jīng)很高。對于建立的FFI 預測魚新鮮度預測完全滿足了。

圖7 為建立FFI 模型校驗和訓練曲線

不同品質(zhì)指標的新鮮度判定的樣品數(shù)量均為10。如表2 所示，基于多參數(shù)融合的FFI 指標新鮮度判定準確率為94.3%，顯著高于GSI 方法的85.7%、形態(tài)特征參數(shù)的82.9%，和絕對坐標參數(shù)的78.6%（模值）與81.9%（相位角）。可見FFI 可以有效整合絕對坐標參數(shù)和形態(tài)特征參數(shù)的優(yōu)勢，提高了實際應用環(huán)境下的腐敗狀態(tài)判定的準確率。

表2 不同品質(zhì)指標的新鮮度判定準確率

4 結(jié) 語

本文利用神經(jīng)網(wǎng)絡和預測魚新鮮度鮮度模值、相位角、極點差值和GSI 等參數(shù)，建立起參數(shù)融合的新鮮指數(shù)（FFI）多參數(shù)融合魚肉新鮮度預測模型。利用測試集樣品對模型效果進行評估，相對于單獨使用形態(tài)特征參數(shù)和絕對坐標參數(shù)，F(xiàn)FI 的腐敗狀態(tài)判定準確率由78.6%、81.9%、82.9%、85.7%上升到94.3%。相對于傳統(tǒng)預測方法，本文提出的FFI 預測精度有明顯的提高。

研究結(jié)果表明，多參數(shù)融合的新鮮度判定方法可以有效地整合絕對坐標參數(shù)和形態(tài)特征參數(shù)的優(yōu)勢，提高生物阻抗譜技術(shù)的檢測精度。作為從全新視角對阻抗譜數(shù)據(jù)處理方法的探索和對阻抗譜形態(tài)特征參數(shù)的深入挖掘，本研究除了應用在魚肉新鮮度檢測領(lǐng)域外，對于面向其他對象的阻抗譜生物檢測技術(shù)的研究亦有一定的參考價值。