短波近紅外光譜快速無損檢測生鮮雞肉膽固醇含量

王輝?田寒友?鄒昊?劉飛?李家鵬?陳文華?狄艷全?喬曉玲

摘 要：采用短波近紅外光譜對生鮮雞肉中的膽固醇含量進行檢測，使用便攜式近紅外光譜儀在近紅外光譜短波區域采集236 份生鮮雞肉的光譜信息，采用化學計量學法建立雞肉膽固醇的偏最小二乘法定量預測模型。結果表明：最佳光譜預處理方法為標準化和基線校正，并通過剔除兩次異常值對模型進行校正，所建定標模型的校正集相關系數Rc=0.801 1，校正標準差（sEC）=6.699 8，驗證集相關系數Rp=0.803 4，預測標準差（sEP）=7.529 6，主因子數MF=4，sEP/sEC=1.12，說明模型可靠性、穩健性和預測效果較好。

關鍵詞：便攜式近紅外光譜儀；短波近紅外光譜；快速無損檢測；生鮮雞肉；膽固醇含量

Rapid Nondestructive Detection of Cholesterol Level of Fresh Chicken by Shortwave Near Infrared Spectroscopy

WANG Hui1， TIAN Hanyou1， ZOU Hao1， LIU Fei1， LI Jiapeng1， CHEN Wenhua1， DI Yanquan2， QIAO Xiaoling1，*

（1. Beijing Key Laboratory of Meat Processing Technology， China Meat Research Center， Beijing 100068， China；

2. Focused Photonics （Hangzhou） Co. Ltd.， Hangzhou 310052， China）

Abstract： A portable near infrared spectrometer was applied to collect spectral information in the short-wave infrared region of 236 samples of fresh chicken to establish a quantitative model for predicting the cholesterol content of fresh chicken breast through partial least squares regression combined with chemometrics. The results showed that the optimal spectral pretreatment method was the combination of normalization and baseline correction. Model calibration was achieved by elimination of abnormal values performed twice. Parameters of the optimal prediction model developed were determined as follows： Rc （correlation coefficient for calibration set） = 0.801 1， sEC （standard error of calibration） = 6.699 8， Rp （correlation coefficient for prediction set） = 0.803 4， sEP （standard error of prediction） = 7.529 6， MF （number of main factors） = 4， and sEP/sEC = 1.12， which indicated the prediction model had better reliability， robustness and performance than other models.

Key words： portable near infrared spectrometer （NIR）； short-wave NIR region； rapid nondestructive prediction； fresh chicken； cholesterol content

DOI：10.15922/j.cnki.rlyj.2016.03.007

中圖分類號：O657.3 文獻標志碼：A 文章編號：1001-8123（2016）03-0029-04

王輝， 田寒友， 鄒昊， 等. 短波近紅外光譜快速無損檢測生鮮雞肉膽固醇含量[J]. 肉類研究， 2016， 30（3）： 29-32. DOI：10.15922/j.cnki.rlyj.2016.03.007. http：//rlyj.cbpt.cnki.net

WANG Hui， TIAN Hanyou， ZOU Hao， et al. Rapid nondestructive detection of cholesterol level of fresh chicken by shortwave near infrared spectroscopy[J]. Meat Research， 2016， 30（3）： 29-32. （in Chinese with English abstract） DOI：10.15922/j.cnki.rlyj.2016.03.007. http：//rlyj.cbpt.cnki.net

現代臨床和流行病學證明，過多攝入高脂肪含量和高膽固醇含量的食品是導致“三高”等心腦血管疾病[1-2]、人體主要臟器的病變及激素代謝異常和紊亂等[3-6]的主要誘因。雞肉是我國最主要的禽類食品之一，其膽固醇平均含量達到約114.4 mg/100 g[7]。隨著人們生活水平的提高，社會大眾對于高膽固醇食品的認識也逐漸深入，低膽固醇的功能性食品成為人們的首選。

根據國家標準的要求，目前檢測肉及肉制品中膽固醇含量的主要方法是高效液相色譜法，由于其存在耗時、低效、繁瑣、昂貴、樣品損失、培訓時間長等諸多問題，已無法滿足現代企業生產過程對產品進行批量檢測的需求。而近紅外光譜技術（near infrared spectrometer，NIR）是近年來發展起來的一種高效快捷的檢測分析手段，它所具有分析簡便快捷、操作平臺穩定、性價比高、人員無需培訓及樣品無損檢測等優勢，是傳統方法無法比擬的，該項技術在諸多領域得到廣泛應用[8-11]。到目前為止，國內研究已發表了諸多關于利用近紅外技術對肉及肉制品的理化和感官指標進行檢測分析的文章和專著[12-19]，但目前關于對膽固醇進行的近紅外光譜分析的報道較少。

本研究采用便攜式近紅外光譜儀對生鮮雞肉中的膽固醇含量進行檢測并建立預測模型，為肉及肉制品企業在品質控制和加工工藝上提供快速無損檢測的理論依據和指導作用。

1 材料與方法

1.1 材料與試劑

雞胸肉購于北京地區集貿市場、超市。樣品購置后，沿肌肉纖維垂直方向將雞胸肉較厚的一端切除1～1.5 cm，將內部肌肉纖維暴露出來，置于4 ℃條件下備檢。

1.2 儀器與設備

SupNIR-1100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 Scientific公司。

1.3 方法

1.3.1 雞肉近紅外吸收光譜信息采集

在光譜采集過程中保持待測樣品溫度在4 ℃左右，環境溫度和濕度基本一致。采集光譜信息前，除去樣品檢測面上的水。信息采集過程中，將雞胸肉樣品的橫截面緊貼在檢測探頭上并避開含有筋膜的區域。光譜采集條件：掃描范圍為600～1 099 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，吸光度噪聲小于50 μA，光譜采集間隔為5 s，光譜循環掃描次數為10 次，每個樣品連續采集2 次光譜信息，取其平均值作為該樣品的原始光譜。

1.3.2 膽固醇含量的測定

按照國家標準GB/T 9695.24—2008《肉與肉制品膽固醇含量測定》的規定進行檢測。

1.3.3 近紅外光譜的波長選擇

根據近紅外光譜區的波長范圍可將其劃分為短波（700～1 100 nm）、中波（1 100～1 800 nm）和長波（1 800～2 500 nm）3 個區段，不同譜區承載了C—H、N—H、O—H等基團的倍頻和合頻。膽固醇所含C—H、N—H、O—H等基團的4 倍頻分別位于900、800、740 nm左右，主要集中于短波近紅外光譜區[20]。

1.3.4 建立和驗證近紅外光譜模型

將各樣品膽固醇含量數據與光譜數據一一對應并進行關聯，并按照3∶1的比例將其分為校正集和驗證集。本實驗使用便攜式近紅外光譜分析儀自帶的RIMP化學計量學分析軟件中標準化、求導、平滑、信號校正等11 種預處理方法處理光譜，采用偏最小二乘法（partial least squares method，PLS）建立模型，并在對模型進行優化時，根據軟件中的學生殘差驗證剔除異常值。根據一般模型評價的規則，校正標準差（sEC）、交互驗證標準差（sECV）、預測標準差（sEP）越小且相互間越接近越好，校正集相關系數（Rc）和驗證集相關系數（Rp）越接近1越好，主因子數（MF）較少，sEP/sEC<1.2[20]，以上述模型參數作為模型性能的評價指標，并依據相應參評指標的優劣篩選出最優光譜預處理方法和最優膽固醇預測模型。

2 結果與分析

2.1 雞肉膽固醇參比值分析

雞肉膽固醇含量的參比值分布區見圖1，其膽固醇參比值分布范圍為52.7～121.1 mg/100 g，含量區間差異為68.4 mg/100 g，分布范圍比較寬，各樣品具有較好的代表性。

圖2為對同一雞肉樣品進行2次掃描后所獲取的光譜曲線，可看出兩次掃描所獲取的光譜基本重合，并以其平均光譜作為該樣品光譜曲線。

由圖3可知，近紅外光譜圖中不同膽固醇含量樣品的光譜波形相近且不完全重合，這說明出樣品光譜曲線在短波近紅外譜區有著良好的重復性及差異性。

2.3 膽固醇預測模型的建立與優化

雞肉屬于不均一和背景復雜的多組分天然復雜物樣品，其膽固醇有效信息基本都存在于近紅外光譜的縱向差異上。在建模之前需對樣品表觀光譜中光譜背景造成的失真進行恢復，本研究通過選擇可以校正基線漂移、減少系統和隨機背景噪聲、分辨信息疊加等干擾因素的一種或幾種預處理方法的組合，對在短波區提取的雞肉膽固醇光譜進行處理，使其復原以更加接近真實光譜，提高樣品的光譜有效信息率并確定樣品的真實光譜特征，以便表現出光譜之間和樣品之間的差異，并采用偏最小二乘法建立膽固醇預測模型。

通過對11 種預處理方法進行排列組合對雞肉的光譜信息進行校正，進行預建模以獲得較好的預測模型。用標準化、SG一階導數、差分求導、SG平滑、標準正態變量交換、去趨勢校正及基線校正等預處理方法并剔除兩次異常值后對模型的影響。通過綜合評判各參評指標，篩選出雞肉膽固醇優化模型見表2。

20個定標模型的Rc和Rp均發生明顯提升，sEC、sEP、sECV和MF均明顯降低，各相關參數均優于無處理組構建的定標模型，由此可看出，模型對于校正集中樣品的預測值與雞肉膽固醇的參比值具有高度線性相關關系，樣品光譜與樣品待測量在一定范圍內的關聯性較好，模型對于待測樣品的預測性能也較好，內部和外部檢驗的誤差也較小，sEC小于sECV且相互接近，sEP與sECV相互接近，這說明樣品的代表性較好。但是經過兩次異常值的剔除，模型適配范圍縮小，容變性變弱，由此導致模型的穩健性降低，而2號模型的sEP/sEC=1.12<1.2，說明經過預處理并2次剔除異常值后，模型的適配范圍仍然基本涵蓋待測樣品的光譜變動范圍，其他模型的穩健性均大于1.2，但是可以通過向校正集中加入具有代表性的樣本以提高模型的容變性，改善模型的預測效果。雖然除2號外的其他模型的Rc均高于2號模型，定標模型自身預測準確性較高，但是Rp均低于2號模型，由此可知即使自我預測準確性高，校正集的有效信息率也未必能滿足對待測樣品的預測。所有模型的MF都在3或4左右，說明建模時只需少數主因子即可包含建模所需的充分待測量信息。綜上所述，通過對比表中各預處理方法對模型的影響及各模型參評參數之間的對比，可以看出2號模型的預處理方法——標準化和基線校正，為最佳預處理方法。處理后的光譜數據經剔除兩次異常值后，采用偏最小二乘法建立的模型，Rc=0.801 1，sEC=6.699 8，Rp=0.803 4，sEP=7.529 6，sECV=6.774 0，MF為4，模型具有較好的預測準確性和穩健性。作為數學模型兩大基本性能的可靠性和穩健性，是兩種相對獨立的性質，預測模型的建立和光譜背景的校正之間存在一定的平衡性，需通過調節二者之間的關系，來獲得具有良好預測準確性和背景包容性的數學模型。

2.4 定標模型的內部交互驗證和外部預測驗證

Fig.4 Scatter plots of prediction values versus reference values of cholesterol content in calibration （a） set and validation set （b）

圖4a、b為剔除兩次異常值后，剔除完畢后顯示沒有異常樣本。校正集中的樣品點分布于回歸線的兩側，校正集相關系數（Rc）=0.801 1，校正標準差（sEC）=6.699 8，驗證集中的樣品點分布于回歸線的兩側，驗證集相關系數（Rp）=0.803 4，預測標準差

（sEP）=7.529 6，說明模型校正集和驗證集的參比值與待測樣品的預測值呈現強相關性。

3 結 論

本研究對雞肉的膽固醇含量進行短波近紅外檢測，共采集樣品236 份，其中校正集177 份和驗證集59 份，用來建立定標模型，并對其模型性能進行分析和評估。雞肉膽固醇最大含量為121.1 mg/100 g，最小含量為52.7 mg/100 g，含量差異為68.4 mg/100 g，分布范圍比較寬，各樣品具有較好的代表性。

在600～1 099 nm的短波近紅外區，提取各樣品光譜信息，采用標準化、SG一階導數、差分求導、SG平滑、標準正態變量交換、去趨勢校正及基線校正等預處理方法進行光譜背景的校正并進行模型優化，使用偏最小二乘法建立模型，通過效果比較，獲得最佳預處理方法為標準化和基線校正并剔除兩次異常值，所獲模型參數為Rc=0.801 1，sEC=6.699 8，Rp=0.803 4，sEP=7.529 6，MF為4，sEP/sEC=1.12，證明該模型穩健性較好，預測準確性較高。

參考文獻：

[1] 付明德. 膽固醇與心血管病問答[J]. 心血管病學進展， 1994， 2（2）： 113-116.

[2] 苑聰， 吳潔. 高密度脂蛋白膽固醇與心血管剩余風險[J]. 中國動脈硬化雜志， 2012， 20（11）： 1045-1050.

[3] 王浩， 張澤生， 張穎， 等. 高膽固醇膳食對大鼠和倉鼠肝臟HMG-CoA-R、LDL-R蛋白和基因表達的影響[J]. 食品研究與開發， 2011， 31（10）： 192-195.

[4] 魏香蘭， 方如塘， 冀愛云， 等. 高脂飼料中膽固醇含量對大鼠非酒精性脂肪肝動物模型建立的影響[J]. 西北藥學雜志， 2012， 27（3）： 233-236. DOI：10.3969/j.issn.1004-2407.2012.03.019.

[5] 王陵， 董蕾， 段煒， 等. 高膽固醇飲食對胃腸移行性復合運動及胃腸激素影響的實驗研究[J]. 中華消化雜志， 2007， 27（5）： 336-337. DOI：10.3760/j.issn：0254-1432.2007.05.016.

[6] 范平， 丁佑銘， 汪斌， 等. 高膽固醇飲食對妊娠豚鼠膽囊AQPsmRNA及雌性激素受體的影響[J]. 臨床外科雜志， 2011， 19（12）： 826-829.

[7] 祝加紅， 孫克年. 雞肉蛋產品中膽固醇含量的中草藥調控[J]. 中國飼料添加劑， 2015， 156（4）： 8-10.

[8] 相秉仁， 李睿， 吳擁軍， 等. 近紅外光譜分析技術在藥學領域中的應用[J]. 計算機與應用化學， 1999， 16（5）： 118-120. DOI：10.3969/j.issn.1001-4160.1999.05.003.

[9] 劉愛秋， 鄧曉建， 王平榮， 等. 近紅外光譜分析技術及其在農業領域的應用[J]. 西南農業學報， 2004， 16（2）： 98-102. DOI：10.3969/j.issn.1001-4829.2003.02.025.

[10] 王鳳霞， 張卓勇， 王亞敏， 等. 近紅外光譜技術在醫藥領域應用的新進展[J]. 首都師范大學學報（自然科學版）， 2005， 26（3）： 53-59. DOI：10.3969/j.issn.1004-9398.2005.03.012.

[11] 許俐， 陳斌. 近紅外光譜技術在食品和農產品領域中的應用[J]. 農業機械學報， 1997（增刊1）： 184-187.

[12] 張玉華， 孟一， 張應龍， 等. 近紅外光譜技術在食品安全領域應用研究進展[J]. 食品科技， 2012， 37（10）： 283-286.

[13] 李靜， 劉斌， 岳田利， 等. 近紅外光譜分析技術及其在食品中的應用[J].

農產品加工（學刊）， 2007， 3（3）： 44-47. DOI：10.3969/j.issn.1671-9646-B.2007.03.013.

[14] 董文賓， 王順民. 近紅外光譜技術在食品分析中的應用[J].

食品研究與開發， 2004， 25（1）： 113-115. DOI：10.3969/j.issn.1005-6521.2004.01.045.

[15] Prado N， Fernández-Ibá?ez V， González P， et al. On-site nir spectroscopy to control the shelf life of pork meat[J]. Food Analytical Methods， 2011， 4（4）： 582-589. DOI：10.1007/s12161-011-9208-2.

[16] Kamruzzaman M， Elmasry G， Sun D W， et al. Non-destructive assessment of instrumental and sensory tenderness of lamb meat using NIR hyperspectral imaging[J]. Food Chemistry， 2013， 141（1）： 389-396. DOI：10.1016/j.foodchem.2013.02.094.

[17] Uddin M， Okazaki E， Ahmad M U， et al. NIR spectroscopy： A non-destructive fast technique to verify heat treatment of fish-meat gel[J]. Food Control， 2006， 17（8）： 660-664. DOI：10.1016/j.foodcont.2005.04.009.

[18] Prieto N， Ross D R， Roehe R. Predicting meat quality： the application of NIR spectroscopy[J]. Food Engineering and Ingredients， 2009， 34（4）： 34-36.

[19] Elmasry G， Sun D W， Allen P. Non-destructive determination of water-holding capacity in fresh beef by using NIR hyperspectral imaging[J]. Food Research International， 2011， 44（9）： 2624-2633. DOI：10.1016/j.foodres.2011.05.001.

[20] 嚴衍祿. 近紅外光譜分析的原理、技術與應用[M]. 北京： 中國輕工業出版社， 2013： 23-25.