付 碩，劉淑梅，張金龍，張曉瑞，韓方凱

（1.安徽創(chuàng)佳安全環(huán)境科技有限公司，安徽宿州 234000；2.江蘇大學(xué)，江蘇鎮(zhèn)江 212013；3.宿州學(xué)院，安徽宿州 234000）

致腐菌導(dǎo)致食品腐敗變質(zhì)，易產(chǎn)生有害物質(zhì)，如小分子含氮化合物組胺等，直接威脅食品安全。因此，對(duì)食品中微生物污染狀況的監(jiān)測(cè)，對(duì)保障膳食安全極為重要?；罹倲?shù)（Total Viable Counts，TVC）是定量描述食品微生物污染狀況的指標(biāo)。然而TVC 的常規(guī)檢測(cè)方法，即平板計(jì)數(shù)法通常需要經(jīng)過(guò)48 h 的搖床培養(yǎng)，待平板上微生物生長(zhǎng)、繁殖成可觀察的菌落后，再對(duì)菌落進(jìn)行計(jì)數(shù)，經(jīng)過(guò)換算，得到最終結(jié)果。平板計(jì)數(shù)法耗時(shí)、費(fèi)力[1]，無(wú)法快速反映食品微生物污染狀況，以及時(shí)調(diào)整食品保藏、銷售、加工等策略。

常見(jiàn)的食品快速檢測(cè)方法，如電子舌[2]、電子鼻[3]等智能仿生檢測(cè)方法以及近紅外[4]、高光譜[5]等光譜學(xué)檢測(cè)方法等，均已應(yīng)用于不同種類食品保藏期間TVC 的定量預(yù)測(cè)。然而，這些方法得到的電化學(xué)傳感器或光譜學(xué)信號(hào)，受食品基質(zhì)干擾嚴(yán)重[6]，因此建立快速檢測(cè)方法所得到的傳感器信號(hào)與TVC之間精確度較高的定量預(yù)測(cè)模型，成為食品快速檢測(cè)方法應(yīng)用于生產(chǎn)實(shí)際的限制性因素之一?；诖耍狙芯恳宰畛Ｒ?jiàn)的金屬氧化物半導(dǎo)體型電子鼻傳感器數(shù)據(jù)為輸入，對(duì)比采用偏最小二乘法（Partial Least Squares Regression，PLS）和快速人工神經(jīng)網(wǎng)絡(luò)極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）算法構(gòu)建牛肉貯藏期間TVC 快速定量預(yù)測(cè)模型的精確度，以期推進(jìn)食品快速檢測(cè)技術(shù)在食品生產(chǎn)實(shí)際中的應(yīng)用。

1 材料與方法

1.1 電子鼻數(shù)據(jù)

本研究數(shù)據(jù)來(lái)源于DEDY 等[7]于2018 年發(fā)表在《Data in Brief》的數(shù)據(jù)論文。所用的電子鼻系統(tǒng)是基于金屬氧化物半導(dǎo)體型氣敏傳感器陣列，該系統(tǒng)包含9 根MOS 傳感器。電子鼻試驗(yàn)在密閉樣品室下持續(xù)36 h，每分鐘采集1 次傳感器信號(hào)，共計(jì)得到2 160 組電子鼻傳感器陣列數(shù)據(jù)。樣品共5 組，最終得到5×2 160 行9 列的數(shù)據(jù)矩陣用于本研究的模型構(gòu)建。電子鼻試驗(yàn)期間，牛肉樣品的TVC 從3 lgCFU·g-1以下（微生物污染程度輕微）增殖到近5 lgCFU·g-1（微生物污染程度嚴(yán)重）。圖1 展示出所有樣品在電子鼻測(cè)試期間傳感器數(shù)據(jù)及TVC 數(shù)值，包含原始數(shù)據(jù)及歸一化至[0，1]后的數(shù)據(jù)。

圖1 模型構(gòu)建所用電子鼻傳感器陣列數(shù)據(jù)及牛肉活菌總數(shù)數(shù)據(jù)

1.2 模型構(gòu)建方法及性能評(píng)價(jià)指標(biāo)

研究以電子鼻傳感器所有數(shù)據(jù)為輸入，以對(duì)應(yīng)樣本TVC 實(shí)測(cè)值為輸出，對(duì)比采用線性的PLS 和非線性的ELM 構(gòu)建基于電子鼻技術(shù)的牛肉貯藏期間TVC 定量預(yù)測(cè)模型。選擇ELM 的主要原因是其計(jì)算速度顯著快于常見(jiàn)的BP-人工神經(jīng)網(wǎng)絡(luò)算法[8]。

在模型的構(gòu)建過(guò)程中，隨機(jī)選取1/3 的樣本作為測(cè)試集，其余樣本作為訓(xùn)練集，且在PLS 和ELM 模型構(gòu)建過(guò)程中保持一致。評(píng)估所采用的定量預(yù)測(cè)模型，本文依賴以下指標(biāo)。①相關(guān)系數(shù)（r）。該系數(shù)衡量電子鼻預(yù)測(cè)的牛肉TVC 值與實(shí)際值之間的相關(guān)性，r值越接近1，證明預(yù)測(cè)的相關(guān)性越高，具體計(jì)算方法見(jiàn)式（1）。②預(yù)測(cè)均方根誤差（Root Mean Square Error，RMSE）也作為關(guān)鍵指標(biāo)，它用于測(cè)量電子鼻預(yù)測(cè)的牛肉TVC 值與實(shí)際值的誤差程度，RMSE 越低，代表預(yù)測(cè)精度越高，反之則預(yù)測(cè)精度較差。

式中：yi和分別為樣本集（訓(xùn)練集和預(yù)測(cè)集）中第i個(gè)牛肉樣本TVC 的實(shí)測(cè)值和預(yù)測(cè)值，lgCFU·g-1；為樣本集中所有牛肉樣本TVC 實(shí)測(cè)值的平均值，lgCFU·g-1[9]；n為樣本數(shù)。

式中：yi和分別為預(yù)測(cè)集中第i個(gè)牛肉樣本TVC 的實(shí)測(cè)集和預(yù)測(cè)值，lgCFU·g-1；n為預(yù)測(cè)集樣本數(shù)[9]。

2 結(jié)果與分析

2.1 PLS 模型結(jié)果

PLS 用于處理多個(gè)自變量和一個(gè)或多個(gè)因變量之間的關(guān)系，在解決多重共線性和高維數(shù)據(jù)問(wèn)題時(shí)優(yōu)勢(shì)明顯。PLS 通過(guò)找到自變量和因變量之間的最大協(xié)方差來(lái)構(gòu)建線性回歸模型，用于預(yù)測(cè)未知樣本的因變量值。

基于PLS 的基礎(chǔ)理念，模型預(yù)測(cè)能力受到PLS主成分?jǐn)?shù)量的顯著影響。因此，在構(gòu)建PLS 模型過(guò)程中，對(duì)輸入的PLS 主成分?jǐn)?shù)進(jìn)行優(yōu)化是必要的。這一優(yōu)化過(guò)程采用了“留一法”交叉驗(yàn)證。這種驗(yàn)證方法的核心思想是將每個(gè)樣本視為驗(yàn)證集，用剩下的（N-1）個(gè)樣本來(lái)創(chuàng)建PLS 模型，然后運(yùn)用驗(yàn)證集來(lái)檢測(cè)新構(gòu)建的PLS 模型，以預(yù)測(cè)值和實(shí)測(cè)值誤差的均值作為優(yōu)化PLS 主成分?jǐn)?shù)的指標(biāo)。如果對(duì)應(yīng)的RMSE 值最小，則認(rèn)為當(dāng)前條件下的PLS 模型是最優(yōu)的。PLS 主成分篩選結(jié)果如圖2 所示。

圖2 不同PLS 主成分下訓(xùn)練集預(yù)測(cè)誤差

從圖2 可以看出，當(dāng)主成分因子數(shù)為8 時(shí)，PLS模型的RMSE 最低，為0.319 7 lg CFU·g-1。此條件下，PLS 模型訓(xùn)練集和測(cè)試集對(duì)魚(yú)細(xì)菌總數(shù)的預(yù)測(cè)值和實(shí)測(cè)值之間的相關(guān)關(guān)系如圖3 所示，其測(cè)試集相關(guān)系數(shù)為0.937，預(yù)測(cè)RMSE 為0.324 lgCFU·g-1。

圖3 最佳PLS 主成分下模型預(yù)測(cè)值與實(shí)測(cè)值相關(guān)關(guān)系圖

2.2 ELM 模型結(jié)果

ELM 是一種新型的單隱藏層前饋神經(jīng)網(wǎng)絡(luò)算法，具有出色的泛化性能和極快的學(xué)習(xí)速度。根據(jù)ELM理論，對(duì)于一個(gè)特定的模式識(shí)別問(wèn)題，隱含層的神經(jīng)元個(gè)數(shù)和傳遞函數(shù)可供篩選和優(yōu)化，以獲得預(yù)測(cè)性能較優(yōu)的預(yù)測(cè)模型。鑒于人工神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元個(gè)數(shù)優(yōu)化范圍尚無(wú)統(tǒng)一范式可供遵循，本研究采用典型的試湊法，設(shè)定范圍為[1，50]，優(yōu)化ELM隱含層神經(jīng)元個(gè)數(shù)。在ELM 隱含層傳遞函數(shù)的篩選上，對(duì)比采用3 種典型的函數(shù)[8]，公式為

圖4 顯示了在隱含層神經(jīng)元個(gè)數(shù)[1，50]范圍內(nèi)，3 種傳遞函數(shù)條件下，ELM 模型訓(xùn)練集和測(cè)試集的相關(guān)系數(shù)。從圖4 中可以看出，當(dāng)選擇Sin 函數(shù)作為傳遞函數(shù)，且隱含層神經(jīng)元個(gè)數(shù)為45 的時(shí)候，ELM預(yù)測(cè)性能最佳，其訓(xùn)練集相關(guān)系數(shù)為0.976，測(cè)試集相關(guān)系數(shù)為0.972。

圖4 不同隱層激活函數(shù)及節(jié)點(diǎn)數(shù)下對(duì)ELM 模型訓(xùn)練集和測(cè)試集相關(guān)系數(shù)

最優(yōu)ELM 模型的基本結(jié)構(gòu)為9-45-1，包含9個(gè)電子鼻傳感器輸入變量，45 個(gè)單隱含層神經(jīng)元，1個(gè)樣品TVC 預(yù)測(cè)輸出變量。模型訓(xùn)練集和測(cè)試集對(duì)牛肉樣本TVC 的預(yù)測(cè)值及實(shí)測(cè)值依樣本序號(hào)排列結(jié)果如圖5 所示，此時(shí)訓(xùn)練集和測(cè)試集的RMSE 分別為0.040 lgCFU·g-1和0.047 lgCFU·g-1，優(yōu)于PLS 模型。

圖5 所建最優(yōu)ELM 模型訓(xùn)練集和測(cè)試集預(yù)測(cè)值與實(shí)測(cè)值情況

3 討論

牛肉富含水分、蛋白質(zhì)、脂肪等營(yíng)養(yǎng)成分，極易變質(zhì)腐敗。微生物的生長(zhǎng)繁殖是引發(fā)牛肉變質(zhì)的主要原因。微生物生長(zhǎng)繁殖過(guò)程中，釋放出大量的蛋白酶、脂肪氧化酶、過(guò)氧化物酶，使牛肉中的蛋白質(zhì)和脂肪等營(yíng)養(yǎng)元素分解為低分子化合物。蛋白質(zhì)會(huì)被水解成肽，進(jìn)而分解成氨基酸。氨基酸經(jīng)過(guò)脫羧化、脫氨化、脫硫化等作用會(huì)生成相應(yīng)的氨、小分子胺、有機(jī)酸等。脂質(zhì)會(huì)在水解作用下生成游離脂肪酸、甘油、甘油酯和甘油二酯等。脂肪酸還可以進(jìn)一步分解成酮酸或酮等[10]。這些產(chǎn)物中的烴類、酮類、醇類、醛類、酸類、酯類、含硫及雜環(huán)化合物等是牛肉保藏期間產(chǎn)生揮發(fā)性有機(jī)化合物的主要成分[11]。電子鼻傳感器可以識(shí)別食品揮發(fā)性成分，進(jìn)而實(shí)現(xiàn)微生物污染狀況的間接預(yù)測(cè)。

從構(gòu)建的PLS 模型及ELM 模型的預(yù)測(cè)性能來(lái)看，ELM 模型的訓(xùn)練集和測(cè)試集相關(guān)系數(shù)分別為0.976 和0.972，高 于PLS 模 型 的0.938 和0.937，ELM 模型的訓(xùn)練集和測(cè)試集的預(yù)測(cè)誤差分別為0.040 lgCFU·g-1和0.047 lgCFU·g-1，均明顯低于PLS模型的0.319 7 lgCFU·g-1和0.324 lgCFU·g-1。主要是因?yàn)殡娮颖莻鞲衅餍盘?hào)與預(yù)測(cè)目標(biāo)TVC 值之間是非常復(fù)雜的非線性關(guān)系，這是由電子鼻傳感器特性所決定的，即傳感器非特異性，且相互之間交互敏感，對(duì)食品揮發(fā)性物質(zhì)的敏感性存在一定程度的交叉。ELM 具有出色的自學(xué)習(xí)和自適應(yīng)能力，獲得的結(jié)果優(yōu)于線性的PLS 算法[12]。

4 結(jié)論

本文研究構(gòu)建了基于MOS 型電子鼻信號(hào)處理的牛肉貯藏期間TVC 定量預(yù)測(cè)模型。結(jié)果表明，非線性的ELM 算法獲得的結(jié)果較線性的PLS 算法好，其訓(xùn)練集或測(cè)試集對(duì)樣本TVC 的預(yù)測(cè)值與實(shí)測(cè)值之間的相關(guān)系數(shù)均高于0.97，預(yù)測(cè)誤差均低于或等于0.04 lgCFU·g-1。ELM 模型預(yù)測(cè)精度高，運(yùn)算速度快，能夠滿足實(shí)際需求，可為牛肉質(zhì)量安全控制提供借鑒。