水產品貨架期模型的研究進展

,,*,

(1.上海理工大學醫療器械與食品學院,上海 200093; 2.中國水產科學研究院東海水產所,上海 200090)

水產品貨架期模型的研究進展

朱彥祺1,李保國1,*,郭全友2

(1.上海理工大學醫療器械與食品學院,上海 200093; 2.中國水產科學研究院東海水產所,上海 200090)

本文對水產品的貨架期模型研究進行了全面的綜述,總結了水產品基于數學方程的預測模型和基于計算機人工神經網絡模型的研究,包括:化學反應動力學模型、基于溫度變化的貨架期模型、微生物生長非生長預測模型以及人工神經網絡模型在水產品中的應用。通過比較分析各種預測模型的優勢,為水產品的品質保鮮與安全保障技術提供支持。

水產品,貨架期,微生物生長預測模型,人工神經網絡模型

水產品是海洋和淡水漁業生產的動植物及加工產品的統稱,包括魚、蝦、蟹、貝四大類。水產品因其含有豐富的蛋白質和多種不飽和脂肪酸,且營養豐富、味道鮮美而成為人類食物的重要來源。近年來,隨著人們飲食結構和習慣的改變,水產品的需求逐年升高[1],但是由于各種微生物、寄生蟲及化學污染水產品對人體造成危害時有發生[2-4],水產品的質量安全越來越受到人們的關注,因此,水產品的質量安全評價也成為了當今的研究熱點。

據FAO(The Food and Agricultural Organization of the United Nations)調查,大約30%～50%捕獲的魚類,在食品供應鏈的不同環節會發生質量問題[5]。目前采用的低溫保藏技術還不完善,水產品易腐敗變質,造成經濟損失[6]。因此控制水產品中微生物的生長,監控水產品鮮度變化,延長水產品貨架期顯得尤為重要。計算機建模技術通過預測工具預測特定產品在不同環境條件下產品的變化及微生物安全的信息[7-9],得到相關水產品的貨架期,同時通過調整水產品運輸、貯藏中的環境因子以達到延長貨架期的目的。

本文對水產品貨架期預測模型進行綜述,為完善水產品質量保鮮技術提供理論依據以及為構建水產品的質量安全評價體系提供參考。

1 貨架期預測模型的分類

食品的貨架期是指在推薦的貯藏條件下,能夠保持安全,確保理想的感官、理化和微生物特性;保留標簽聲明營養值的一段時間[10]。對于水產品,目前主要有兩類貨架期預測模型,一類是基于水產品在儲藏過程中化學指標、微生物指標的變化,通過數學建模,對水產品中鮮度指標及微生物的生長進行預測,建立剩余貨架期的預測模型;另一類是,可預測產品貨架期和品質變化的人工神經網絡模型(Artificial Neural Network Model,ANN)。

2 基于數學模型的研究

2.1化學反應動力學模型

水產品的品質變化大多由生化反應引起,通過研究水產品在儲藏、流通過程中酸價、過氧化值、品鮮度(K值)、色澤、感官值等品質變化,可建立起相應的貨架期預測模型。化學反應動力學主要研究水產品在儲運過程中品質損失、轉變的過程,多與二級阿倫尼烏斯方程結合構建質量變化模型,計算產品的貨架期。水產品的化學反應符合零級、一級和二級反應動力學方程。Mahmoudreza等[11]發現藍貽貝(Mytilusedulis)的蒸煮損失,面積收縮和質地分別遵循一級、二級和零級反應。Hong等[12]發現鳙魚在-3、0、3、9和15 ℃的貯藏過程中，感官評定、揮發性鹽基總氮(TVB-N)、菌落總數和K值的變化符合零級反應動力學方程,可基于零級方程預測鳙魚的貨架期。Yao等[13]發現鯽魚在不同溫度下的電導率、TVB-N、菌落總數和K值遵循一級化學反應模型,基于一級方程與阿倫尼烏斯方程結合構建質量變化模型,預測了鯽魚的貨架期。

表1 基于溫度變化的貨架期模型Table 1 Shelf life models based on temperature changes

化學反應動力學模型僅考慮在理想狀態下的變化規律,忽略了水產品環境因素的變化,其應用范圍有一定的局限性,但可在生產儲藏過程中提供產品品質的變化規律,為產品質量安全提供參考。

2.2基于溫度變化的貨架期模型

溫度是影響水產品貨架期的主要因素,基于溫度變化的貨架期模型如表1所示,其中描述溫度對水產品品質變化影響的預測模型有Arrhenius模型、Q10模型和Z值模型等[14-16],這類模型能夠預測不同溫度對品質和貨架期影響;利用School-field模型、Square-root模型、Exponential模型開發的相對腐敗速率模型(relative rate of spoilage,RRS),可以計算產品的剩余貨架期[17]。

Zhang等[18]基于Arrhenius方程開發了不同溫度下草魚的感官評價,提出了總計有氧數(TAC)、品鮮度(K值)、揮發性鹽基總氮(TVBN)和硫代巴比妥酸值(TBA)關于儲存時間和溫度的動力學模型,預測草魚的新鮮度變化;Yao等[13]基于Arrhenius方程開發了動力學模型,以此來監控冷鏈循環的質量變化,通過電導率(EC)的數值和總計有氧數(TAC)建立的動力學模型可以準確預測鯽魚的早熟;佟懿等[19]利用帶魚在273～283 K溫度范圍內揮發性鹽基氮的變化規律,將Q10模型與Arrhenius方程相結合,建立了帶魚的貨架期預測模型。郭全友等[17]依據相對腐敗速率與溫度的相關性,構建了不同貯藏溫度下養殖大黃魚的貨架期預測模型,發現School-field和Exponential貨架期模型優于Square-root貨架期模型。

基于溫度變化的貨架期模型,能夠預測水產品不同溫度下的品質與貨架期變化,可為減少生產、儲運過程中環境溫度變化導致的腐敗變質提供參考。

2.3微生物預測模型

2.3.1 微生物生長預測模型 微生物是導致水產品腐敗的主要因素之一。水產品中,在微生物的生長和代謝作用下,魚體中的蛋白質、氨基酸及其它含氮物質被分解產生氨及胺類、硫化物、醇類、醛類、酮類、有機酸和其它小分子產物,從而使魚產生腐敗異味,導致魚體腐敗變質,所以在生產儲運過程中期望通過控制微生物的生長來減緩水產品的腐敗[20]。傳統微生物生長的研究方法主要為平板計數法,該方法復雜費時,同時在生產運輸過程中也無法實時測量微生物的生長情況,因此,可通過建立微生物動態生長預測模型來達到預測貨架期的目的。

目前,最常用的食品微生物生長預測模型有Gompertz模型,Baranyi模型和Logistic模型[21-22]等,如表2所示,一級模型包括Mond[23]模型、修正Gompertz模型、修正Logistic模型、Baranyi模型[24]、三階段線性模型等,僅考慮微生物的生長。其中修正Gompertz模型在水產品腐敗菌領域應用預測效果較好,可以繪制微生物生長的S型曲線[24];Baranyi模型在預測延滯期和指數生長期的基礎上,對實驗數據的吻合度優于Gompertz模型[25]。許鐘等[26]建立了冷藏羅非魚特定腐敗菌在0、5、10、15 ℃的生長動力學Gompertz模型,可實時預測0～15 ℃貯藏羅非魚的微生物量和剩余貨架期。焦維楨等[27]建立了真空包裝鱘魚在冷藏過程中優勢腐敗菌的Gompertz生長預測模型,為延長貨架期提供參考依據。

二級模型包括Belehradek方程、平方根模型[28]、Arrhenius模型[29]、響應面模型等,將環境因素納入考慮。丁婷等[30]以Arrhenius方程和Belehradek方程作為二級模型對三文魚片儲藏過程中的微生物生長情況進行了擬合,結果表明,基于Belehradek方程所建立的貨架期模型能更好地反映三文魚片中微生物的變化規律,預測其貨架期。

三級模型為包括一級、二級模型的專家系統,其中涉及水產品的模型有如下三種。

2.3.1.1 針對特定水產品的模型 FISH SHELF LIFE PREDICTIONS PROGRAM-FSLP與FSLP(fish shelf life predictor)系統[31]。FISH SHELF LIFE PREDICTIONS PROGRAM-FSLP[16](http://www.azti.es/es/en_la_red/software-prediccion-de-vida-util/)可對養殖多寶魚在恒定和波動溫度條件下的感官變化、腐敗菌生長以及時間溫度(TTI)積分器的響應進行預測,該預測模型是基于在養殖多寶魚在0～15 ℃溫度間隔內的實驗數據所得;以及中國水產科學研究院東海水產研究所開發的針對于羅非魚品質控制的FSLP(fish shelf life predictor)系統[31]。

2.3.1.2 能夠模擬腐敗菌在魚體、食品中的生長情況的模型 FISHMAP、Baseline和GroPIN。FISHMAP(http://www.azti.es/downloads/downloads/fishmap)包含了8種腐敗菌在魚體中的生長情況,同時可選擇不同的環境因子:溫度、氣調包裝及二氧化碳的濃度,主要適用于氣調包裝的水產品,還包含增長擬合功能[32],考慮的環境因素包括CO2、O2以及溫度等。Baseline(www.baselineapp.com)則能夠模擬5種不同的微生物在幾種食品中的生長。GroPIN(www.aua.gr/psomas/gropin)模擬了66種微生物的生長,提供了可以預測模型的數據庫。

2.3.1.3 能夠在動態波動溫度條件下進行預測的模型 Food Spoilage and Safety Predictor、Seafood Spoilage and Safety Predictor(SSSP)。Food Spoilage and Safety Predictor(http://fssp.food.dtu.dk)可預測3種病原細菌的生長,描述3種肉類和海鮮產品中通用的微生物,包含12種環境參數,18種語言,可在動態條件下仿真預測;Seafood Spoilage and Safety Predictor,SSSP[33](http://sssp.dtuaqua.dk)是丹麥水產研究學院開發的用來預測海洋食品在恒溫或溫度波動條件下海洋食品的貨架期和特定腐敗微生物生長的軟件。

依據產品品質指標、菌數生長變化規律符合某一數學方程,選擇只考慮微生物生長的一級模型,或者選擇考慮環境影響的二級模型,通過數學模型來預測微生物的生長,通過對方程參數進行修正,得到其品質變化、菌數生長的方程,進而對其貨架期進行預測。但一級、二級模型針對非穩定運輸、波動溫度儲藏條件下的預測難以達到理想的效果。此時可針對特定水產品、特定腐敗菌或者波動溫度條件選擇相應合適的三級模型,來解決實際問題。

2.3.2 微生物生長/非生長預測模型 微生物生長預測模型主要預測微生物的動態生長情況,不能夠反映非生長條件下的信息,生長/非生長模型為概率模型,主要研究在不同環境下微生物生長的可能性,通過微生物在不同環境因子下的生長/非生長信息,可以調節水產品的環境狀況,以達到抑制微生物生長的作用。Vermeulen等[34]利用生長/非生長模型確定了7 ℃條件下,pH、水分、醋酸對李斯特菌的生長抑制情況;Vermeulen使用生長/非生長模型描述了pH、乳酸和乙酸對乳酸菌的影響,以確定食品酸化醬汁的穩定性。Polese等[35]開發了微生物生長/非生長簡明模型[式(1)],經檢驗該模型適用于多種食品微生物。

式(1)

式中:Tmin、pHmin、awmin為最低允許的生長條件,TP、pHP、awP為最適生長理論值,P為生長概率。

Dang[36]建立了結合糖酵母的生長/非生長模型如式2所示,該模型能準確描述在22～30 ℃條件下結合酵母的生長抑制情況;陳琛[37]利用式(2)建立了環境因子交互作用下蠟樣芽孢桿菌的生長/非生長模型,確定其生長抑制條件。

式(2)

表2 基于數學模型的預測微生物學模型統計(1.2級模型)Table 2 The statistical of microbiology predictive model based on mathematical methods(Primary and secondary models)

除了上述多項式方程外,基于三級模型預測微生物生長/非生長模型軟件有FSSP與GROPIN[32],FSSP軟件包含在不同水分活度、鹽分、CO2、有機酸、pH、煙熏、溫度條件下,乳酸菌(LAB)、單增生李斯特菌(Listeriamonocytogenes)的生長/非生長情況;GROPIN軟件則包括在不同醋酸、aw、CO2、浸漬時間、乙醇、果糖、乳酸、水分含量、NaCl、硝酸鹽、O2、pH、酚類及溫度條件下,嗜水氣單胞菌、炭疽桿菌、蠟狀芽孢桿菌、葉綠假單胞菌、肉毒桿菌、大腸桿菌O157∶H7、果糖乳桿菌(Lactobaccilusfructivorans)、單增生李斯特菌、沙門氏菌、金黃色葡萄球菌、小腸結腸炎耶爾森氏菌、接合酵母等一系列食源性微生物的生長/非生長情況。

生長/非生長模型與同樣能夠納入環境因子的二級模型相比,其優勢在于能夠同時將水分活度、pH、鹽度、糖分、殼聚糖等多種環境因素納入考慮,并衡量多因子的交互作用,對于有潛在腐敗、污染的產品來說可加強產品的柵欄因子,優化工藝條件,起到抑菌作用,延長水產品的貨架期,但是目前針對波動條件下不同環境因子交互作用還有待進一步的研究。

2.4基于人工神經網絡(ANN)模型的研究

人工神經網絡(ANN)是一項針對不穩定情況與非公式化計算結果的信息分析技術,是基于生物神經元結構的非線性模型,能夠處理線性和非線性回歸問題,具有學習和適應能力,并且不需要研究系統或過程物理意義的顯性表述,屬于一種黑匣子模型[38]。人工神經網絡(ANN)能夠解決非線性預測問題,已被應用于食品加工過程分析,例如:感官評價、質量控制、微生物生長預測、干燥技術等。目前神經網絡算法包括:感知器神經網絡、線性神經網絡、BP神經網絡、反饋性神經網絡、徑向基函數神經網絡、自由競爭型神經網絡,其中BP神經網絡應用最廣[38]。

BP神經網絡是非線性不確定性的數學模型,是一種具有連續傳遞函數的多層前饋網絡。在運行過程中通過不斷修改網絡的權值和閾值,使得均方誤差達到最小化,最終實現對數據的高度擬合,該模型有輸入層、隱含層和輸出層3層結構組成,且整個網絡由一個個被稱為神經元的基本單元組成。層與層之間、神經元與神經元之間形成互連結構。每一層的信息通過傳遞系數由上一層向下一層輸出。每個神經元的權重值代表它所占傳遞信息的比重強度,根據輸入層和輸出層之間的誤差進行調整,最終達到誤差最小化的目的。常用的3個傳遞函數的方程為:

式(3)

式(4)

式(5)

BP神經網絡已應用于監控供應鏈環境、食品安全早期預警等方面[39]。毛貽政[40]等運用BP神經網絡建立了不同檸檬酸的濃度下沙門氏菌的動力學預測模型,并將粒子群算法(PSO)與之結合,建立了更加精確的模型。陳東清等[41]以電子鼻傳感器輸出值作為輸入,通過BP神經網絡方法分別對草魚片樣品貯藏天數、TVB-N值、菌落總數進行預測。神經網絡還可以對微生物的生長進行預測,Francisco等[42]利用進化q-高斯徑向基函數神經網絡確定了金黃色葡萄球菌的微生物生長/非生長界面;Hajmeer等[9]將混合貝葉斯神經網絡方法用于細菌生長/非生長界面的概率建模,減少了多因素復雜實驗帶來的誤差;Hajmeer等[9]通過反向誤差傳播方法訓練多層前饋人工神經網絡模型ANN(MFANN)來預測來自不同溫度、pH、水分活度,以及NaCl和NaNO2濃度條件下釀酒酵母、志賀氏菌屬和大腸桿菌O157∶H7的生長參數。

人工神經網絡包括感知器神經網絡、線性神經網絡、BP神經網絡、反饋性神經網絡、徑向基函數神經網絡、自由競爭型神經網絡等不同計算方法,每種算法有不同的優勢,例如基于概率神經網絡(PNN)方法,該方法結合了貝葉斯條件概率定理和密度函數Parzen估計法,主要優點為其作為統計分類器的能力不受隨機變量分布或每個類別中數據相等分散的偏離限制,能夠準確分類細菌生長和非生長狀態,效果優于基于線性回歸的數學模型。針對不同的環境條件及水產品特性可以選擇不同神經網絡算法,目前在神經網絡在解決腐敗菌生長/非生長問題上如何減少假陽性率的問題上仍有待進一步研究,以期通過將多種神經網絡算法相結合依次減少誤差,達到更高精度的預測。

基于神經網絡的食品貨架期預測優勢在于不需要事先確定品質指標變化規律,可以減少系統誤差,并且神經網絡的自學習功能可以在應用過程中不斷提高預測模型的準確性,這樣的結合將會在實際應用中取得更好的發展。

3 結論與展望

水產品預測模型構成水產品品質鮮度的保障。為了預測監控制水產品的質量,貨架期預測模型逐漸興起,從單一預測微生物生長一級模型,到結合生長環境進行預測的二級模型,綜合的三級模型專家系統也在逐步開放應用中,能夠在生產、流通環節對水產品的貨架期進行預測及監控,還有助于加強產品柵欄因子,優化工藝條件,相較于傳統研究方法使用數學模型預測更加快速、便于監控,但對于非穩定的運輸、波動溫度條件可能難以達到理想效果。新興的智能化的人工神經網絡模型不需要事先確定各項指標變化,可以減小誤差,在自學習中不斷提高預測模型的準確性,能夠預測水產品的鮮度和貨架期,已用于加工后的水產品[42],在不久將來將推廣用于生鮮及水產制品的貨架期預測。

目前對于水產品的貨架期預測監控具有較為完善的評價體系,將預測模型與快速檢測方法、智能技術結合,能更準確預測結果的準確性及模型的可行性是今后研究的方向,但對于水產品安全性方面目前還沒有綜合完備的評價系統,開發的水產食品安全指數模型將為水產品的評價體系提供新的思路。

[1]農業部漁業漁政管理局. 中國漁業統計年鑒[M]. 北京:中國農業出版社,2014.

[2]Chen S,Ai L,Zhang Y,et al. Molecular detection of diphyllobothrium nihonkaiense in Humans[J]. China Emerg Infect Disease,2014,20(2):315-318.

[3]田禮欽,滕臣剛. 2001-2013年蘇州市食源性疾病暴發事故流行病學分析[J]. 中國食品衛生雜志,2015,27(6):614-619.

[4]張維蔚,李迎月,余超,等. 2013-2014年廣州市市售鮮活水產品化學污染狀況分析[J]. 醫學動物防制,2015,7(31):718-721.

[5]Garcia M R,Vilas C,Herrera J R,et al. Quality and shelf-life prediction for retail fresh hake(Merlucciusmerluccius)[J]. International Journal of Food Microbiology,2015,208:65-74.

[6]Lloyd M A,Hess S J,Drake M A. Effect of nitrogen flushing and storage temperature on flavor and shelf-life of whole milk powder[J]. Journal of Dairy Science,2009,92(6):2409-2422.

[7]Ferrer J,Prats C,Lopez D,et al. Mathematical modelling methodologies in predictive food microbiology:A SWOT analysis[J]. International Journal of Food Microbiology,2009,134(1-2):2-8.

[8]Delhallel L,Daube G,Adolphe Y,et al. A review of growth models in predictive microbiology to ensure food safety[J]. Biotechnologie Agronomie Societe Et Environnement,2012,16(3):369-381.

[9]Hajmeer M N,Basheer I A. A hybrid Bayesian-neural network approach for probabilistic modeling of bacterial growth/no-growth interface[J]. International Journal of Food Microbiology,2003,82(3):233-243.

[10]吳雪麗,劉紅英,韓冬嬌. 扇貝貯藏貨架期預測模型的建立與評價[J]. 食品科學,2014,35(22):315-319.

[11]Ovissipour M,Rasco B,Tang J,et al. Kinetics of quality changes in whole blue mussel(Mytilusedulis)during pasteurization[J]. Food Research International,2013,53(1):141-148.

[12]Hong H,Luo Y K,Zhu S C,et al. Establishment of quality predictive models for bighead carp(Aristichthysnobilis)fillets during storage at different temperatures[J]. International Journal of Food Science and Technology,2012,47(3):488-494.

[13]Yao L,Luo Y K,Sun Y Y,et al. Establishment of kinetic models based on electrical conductivity and freshness indictors for the forecasting of crucian carp(Carassiuscarassius)freshness[J].Journal of Food Engineering,2011,107(2):147-151.

[14]曹悅,陸利霞,熊曉輝. 食品貨架期預測新技術進展[J].食品研究與開發,2009,30(5):165-168.

[15]史波林,趙鐳,支瑞聰. 基于品質衰變理論的食品貨架期預測模型及其應用研究進展[J]. 食品科學,2012,33(21):345-350.

[16]勵建榮,李婷婷,丁婷. 水產品新鮮度綜合評價與貨架期預測模型的構建研究進展[J]. 食品科學技術學報,2016,34(1):1-8.

[17]郭全友,王錫昌,楊憲時.不同貯藏溫度下養殖大黃魚貨架期預測模型的構建[J]. 農業工程學報,2012,28(10):267-273.

[18]Zhang L N,Li X,Lu W,et al. Quality predictive models of grass carp(Ctenopharyngodonidellus)at different temperatures during storage[J]. Food Control,2011,22(8):1197-1202.

[19]佟懿,謝晶. 鮮帶魚不同貯藏溫度的貨架期預測模型[J].農業工程學報,2009,25(6):301-305.

[20]羅慶華. 水產品特定腐敗菌研究進展[J]. 食品科學,2010,31(23):468-472.

[21]丁婷,李婷婷,勵建榮,等.冷藏三文魚片微生物生長動力學模型適用性分析及貨架期模型的建立[J].中國食品學報,2015,15(5):63-73.

[22]劉璐,邢少華,張健,等.基于Baranyi模型的波動溫度下鮐魚微生物生長動力學模型[J].食品科學，2015,36(5):89-92.

[23]閆軍,遇曉杰,湯巖,等.金黃色葡萄球菌在生乳中生長預測模型的建立[J].中國食品衛生雜志,2010,22(6):502-505.

[24]朱彥祺,郭全友,李保國,等.不同溫度下腐敗希瓦氏菌(Shewanelaputrefaciens)生長動力學模型的比較與評價[J].食品科學,2016,37(13):147-152.

[25]李琳,潘子強. 水產品特定腐敗菌的確定及生長模型建立研究進展[J]. 食品研究與開發,2011,32(6):152-156.

[26]許鐘,肖琳琳,楊憲時. 羅非魚特定腐敗菌生長動力學模型和貨架期預測[J]. 水產學報,2005(4):540-546.

[27]焦維楨,陳思璐,章志超. 真空包裝冷藏鱘魚中優勢腐敗菌的分離、鑒定及生長預測[J]. 肉類研究,2014,28(6):18-21.

[28]Chaix E,Couvert O,Guillaume C,et al. Predictive microbiology coupled with gas(O2/CO2)transfer in food/packaging systems:how to develop an efficient decision support tool for food packaging dimensioning[J]. Comprehensive Reviews in Food Science and Food Safety,2015,14(1):1-21.

[29]Fall P A,Leroi F,Chevalier F,et al. Protective Effect of a Non-Bacteriocinogenic Lactococcus piscium CNCM I-4031 Strain Against Listeria monocytogenes in Sterilized Tropical Cooked Peeled Shrimp[J]. Journal of Aquatic Food Product Technology,2010,19(2):84-92.

[30]丁婷. 三文魚新鮮度綜合評價和貨架期模型的建立[D].錦州:渤海大學,2015.

[31]郭全友,朱彥祺.水產品微生物預測與智能化評價研究進展[J].漁業信息與戰略,2016,31(1):32-37.

[32]Tenenhaus-Aziza F,Ellouze M. Software for predictive microbiology and risk assessment:A description and comparison of tools presented at the ICPMF8 Software Fair[J]. Food Microbiology,2015(45):290-299.

[33]Dalgaard P,Buch P,Silberg S. Seafood spoilage predictor-development and distribution of a product specific application software[J]. International Journal of Food Microbiology,2002(73):343-349.

[34]Vermeulen A,Gysemans K P M,Bernaerts K,et al. Influence of pH,water activity and acetic acid concentration on Listeria monocytogenes at 7 degrees C:Data collection for the development of a growth/no growth model[J]. International Journal of Food Microbiology,2007,114(3):332-341.

[35]Polese P,Del Torre M,Spaziani M,et al. A simplified approach for modelling the bacterial growth/no growth boundary[J]. Food Microbiology,2011,28(3):384-391.

[36]Dang T D T,Vermeulen A,Mertens L,et al. The importance of expressing antimicrobial agents on water basis in growth/no growth interface models:A case study forZygosaccharomycesbailii[J]. International Journal of Food Microbiology,2011,145(1):258-266.

[37]陳琛,李學英,楊憲時,等. 環境因子交互作用下蠟樣芽孢桿菌生長/非生長界面模型的建立與評價[J].現代食品科技,2015(12):205-213.

[38]Amina M,Panagou E Z,Kodogiannis V S,et al. Wavelet neural networks for modelling high pressure inactivation kinetics of Listeria monocytogenes in UHT whole milk[J]. Chemometrics and Intelligent Laboratory Systems,2010,103(2):170-183.

[39]Xiao J,Ma Z S,Zhang D J. The Research on the BP Neural Network in the Food Security Risk Early Warning Applied Under Supply Chain Environment[J]. Second International Symposium on Knowledge Acquisition and Modeling:Kam,2009(2)：281-284.

[40]毛貽政. 魚糜制品中沙門氏菌實時熒光PCR檢測方法及其預測模型的建立[D].上海:華東理工大學,2016.

[41]陳東清. 草魚片調理處理及其貯藏過程中的品質變化研究[D].武漢:華中農業大學,2015.

[42]Fernandez-Navarro F,Hervas-Martinez C,Cruz-Ramirez M,et al. Evolutionary q-Gaussian Radial Basis Function Neural Network to determine the microbial growth/no growth interface of Staphylococcus aureus[J]. Applied Soft Computing,2011,11(3):3012-3020.

Researchprogressontheshelflifepredictmodelofaquaticproducts

ZHUYan-Qi1,LIBao-Guo1,*,GUOQuan-you2

(1.University of Shanghai for Science and Technology School of Medical Instrument and Food Engineering,Shanghai 200093,China; 2.East China Sea Fisheries Research Institute,Shanghai 200090,China)

In this paper,a comprehensive review on the prediction model of shelf life and safety evaluation model for aquatic products was included. This paper summarized the research of shelf life prediction model and artificial neural network model of aquatic products,including chemical reaction kinetics models,shelf life models based on temperature change,microbial growth prediction models and artificial neural network model in aquatic products. It was compared that the advantages of the predictive models,which can provide the technical support to the quality preservation and security technology.

aquatic products;shelf life;microbial growth prediction model;artificial neural network model

2017-03-14

朱彥祺(1993-)，女，碩士研究生，研究方向：食品科學與工程，E-mail：shzhuyanqi@163.com。

*通訊作者:李保國(1961-)，男，博士，教授，研究方向：食品和農產品加工新技術(干燥、保鮮)，E-mail：lbaoguo@126.com。

TS254.1

:A

:1002-0306(2017)16-0341-07

10.13386/j.issn1002-0306.2017.16.064