電子鼻技術對豬肉揮發性鹽基氮的預測研究

蒙萬隆,鄭麗敏,2,*,楊 璐,程國棟,許姍姍

(1.中國農業大學信息與電氣工程學院,北京 100083;2.中國農業大學食品質量與安全北京實驗室,北京 100083)

豬肉新鮮度可由pH、顏色、嫩度、風味物質、肌肉持水力、肌內脂肪含量等指標判別[1-2],傳統的豬肉新鮮度的檢測方法主要包括感官檢測,理化檢測和微生物檢測[3-4],感觀檢測即通過觀察外觀和氣味識別,理化檢測和微生物法主要包括揮發性鹽基氮的測定、結構組織鏡檢法[5],其中,測定揮發性鹽基氮(total volatile basic nitrogen,TVB-N)含量是評價豬肉新鮮度的重要理化方法[6],但是,揮發性鹽基氮的測定需要對樣本進行預處理,檢測過程繁瑣,需要耗費大量的人力、物力和財力,同時該方法也會對樣本造成不可恢復性的破壞[7-8]。

近年來,電子鼻技術在國內外不斷進步和發展,從只用于識別簡單或復雜氣味[9]到作為一種靈敏、快速、可重現性的無損檢測儀器,電子鼻已經成功運用于不同種類食物揮發性成分的區分與檢測[10-16]。電子鼻在豬肉新鮮度方面也做了大量的相關研究[17-18],柴春祥等[19]利用電子鼻檢測豬肉在不同存儲溫度條件下揮發性成分的變化,結果表明電子鼻技術可用于評價不同實驗條件下豬肉新鮮度的變化。Park等[20]對不同部位的豬肉在不同存儲方式下揮發性物質進行研究,結果表明里脊肉的揮發性化合物如烷烴、醛、酮、醇等高于五花肉。Li等[21]用電子鼻與TVB-N、TVC結合的方法對不同包裝方式的豬肉新鮮度進行分析,電子鼻能夠預測TVB-N和TVC的含量并評價豬肉的新鮮度。

上述研究對單一的豬肉樣本在不同存儲時間、不同溫度或不同存儲方式下進行豬肉新鮮度研究,然而,現實中豬肉本身成分復雜,不同部位豬肉的成分不同,在儲藏過程中揮發的氣味在質和量上都有所差異,這會導致新鮮度的變化不同,電子鼻檢測的數據也有差異,雖然也有對不同部位豬肉的研究,但是豬肉部位不同而導致研究結果不同的本質原因是營養成分的差異,因此,對不同肥瘦比例的豬肉利用電子鼻技術建立豬肉TVB-N含量變化的模型,對其新鮮度做出評價具有客觀性和實際意義。

實驗以不同肥瘦比例的豬肉為研究對象,利用電子鼻提取4 ℃恒溫下豬肉氣味的特征數據,將其作為輸入建立營養成分的回歸預測模型,再建立TVB-N值的定量預測模型。本研究旨在通過電子鼻技術,近紅外檢測技術與表征豬肉新鮮度指標的TVB-N值的相關研究,為不同營養成分豬肉的TVB-N檢測提供一種快速有效的方法,進而為不同成分豬肉的新鮮度評價提供一種新方法。

1 材料和方法

1.1 材料與儀器

豬肉 北京資源集團,瘦肉豬生豬屠宰后取其里脊肉并將其分成純肥肉和純瘦肉兩部分,分別絞成肉糜,獲得的2種肉糜均為10 kg，分開包裝并1 h內冷凍運輸送至實驗室,然后貯藏在4 ℃冰箱內；鹽酸、硼酸、氧化鎂、甲基紅-乙醇指示劑、次甲基藍指示劑(均為分析純) 北京化學試劑公司。

QSJ-A03A1切碎機 佛山環納電器有限公司;KDY-9820凱氏定氮儀 北京瑞邦興業科技有限公司;E-Nose 10001型電子鼻 中國農業大學計算機實驗室自主研發;XDS RLA近紅外光譜儀 由農業部農產品質量安全監督檢驗測試中心提供。

1.2 實驗方法

1.2.1 樣本預處理 凍的豬肉糜在4 ℃條件解凍后,將純肥和純瘦的肉糜混合成7種不同肥瘦配比的樣本,7種配比為100%瘦、90%瘦、80%瘦、70%瘦、60%瘦、50%瘦和100%肥。每種配比的樣本總質量為2 kg,以90%瘦配比方法為例,從純瘦肉糜中取1.8 kg,然后從純肥肉糜中取0.2 kg,二者在攪肉機中混勻就可獲得90%瘦配比的樣本。按照相同方法操作可獲得剩下6種不同配比的樣本。然后按照GB/T 9695-2008《肉與肉制品取樣方法》取樣,每份樣本的質量均為20 g,稱好后裝入密封袋中,每種配比的樣本分成三份放入4 ℃的冰箱中冷藏,分別用于營養成分測定、電子鼻檢測和TVB-N檢測。用于電子鼻檢測和TVB-N檢測的樣本,每種配比的樣本每天各測5組和2組數據并連續測定7 d,則共計245組用于電子鼻實驗,98組用于TVB-N含量的測定;另外每種配比的樣本各取5組,共計35組用于營養成分的測定,實驗樣本共計343組。

1.2.2 TVB-N檢測 分別對不同肥瘦配比的樣本進行檢測,對每種肥瘦配比的樣本,首先從2 kg的樣本中取1 kg樣本作為TVBN檢測的總質量,每次實驗從中稱取10 g,將樣本置于錐形瓶中,然后加入100 mL水,不時搖勻振蕩,在浸漬30 min后過濾,濾液置冰箱備用。然后將盛有10 mL硼酸吸收液以及5～6滴混合指示液的錐形瓶置于冷凝管下端并使其下端插入吸收液的液面下,準確吸取5.0 mL的上述試樣濾液于蒸餾器反應室內,加入5 mL氧化鎂混懸液。迅速蓋塞,并加水以防漏氣。通入蒸汽,進行蒸餾,蒸餾5 min后停止,吸收液用鹽酸溶液進行滴定,直到吸收液呈藍紫色。

樣本的TVB-N含量的計算公式如式(1)所示。

式(1)

其中：X-試樣中揮發性鹽基氮的含量(mg/100 g)；V1-測定用樣液消耗鹽酸標準溶液體積(mL)；V2-試劑空白消耗鹽酸標準溶液體積(mL)；c-鹽酸標準溶液的實際濃度，單位為摩爾每升(mol/L)；14-與1.00 mL鹽酸標準滴定溶液[c(HCl)=1.00 mol/L]相當的氮的質量(mg)；m-試樣質量(g)。

1.2.3 近紅外檢測 豬肉的蛋白質、水分和脂肪成分測定采用近紅外光譜儀測得,檢測時對不同肥瘦配比的樣本分別進行。首先開機檢查儀器的溫濕度,溫濕度合適后打開操作軟件,設置軟件為自動采集樣品,然后取200 g預處理的肉餡放入樣品倉,采集結束后對譜圖進行數據處理得到蛋白質、水分和脂肪的含量(%)結果。

1.2.4 電子鼻檢測方法 電子鼻系統傳感器陣列有16個傳感器,型號均為Figaro系列具體型號如下:TGS824、TGS822、TGS825、TGS880、TGS812、TGS831、TGS813、TGS830、TGS822TF、TGS2600、TGS2620、TGS2611、TGS2602、TGS2620、TGS2610、TGS2201。

電子鼻系統開啟后,首先用經過過濾的氣瓶空氣對傳感器進行清洗,清洗結束后開始進行電子鼻檢測。將豬肉樣本置于電子鼻氣室內的盛物槽中,采用靜態頂空采樣方式對樣本進行數據采集,采集時間設定為300 s,采集結束重復傳感器的清洗過程以進行下一次實驗。采集時氣室密閉,此時氣室無氣流并處于40 ℃恒溫狀態,清洗時空氣流量為3 L/min,分別對245組實驗樣本進行檢測并分析傳感器的響應曲線。

氣敏傳感器陣列特征值的提取:將采集到的傳感器陣列原始數據進行數據處理,本研究通過對原始曲線擬合選取相對平均值、相對積分值、微分值、半寬值、二次項系數、一次項系數、對數擬合一次項系數和對數擬合常數項系數共9個特征[22],再對初始的16個傳感器進行篩選,最終選擇除S5、S9、S16外的13個傳感器的特征組成117(13×9)個特征值的向量。

1.2.5 回歸模型的建立 多元線性回歸(multiple linear regression MLR)是分析一個隨機變量與多個變量之間線性關系的統計方法[23]。本研究以近紅外技術檢測的豬肉蛋白質和脂肪數據為因變量Y,電子鼻檢測的氣味特征數據所構成的矩陣為自變量X,建立蛋白質和脂肪回歸預測模型。從所有的35個樣本中,每種成分隨機選擇4個,即共28個樣本組成訓練組,其余7個樣本組成預測組。

1.2.6 建立BP神經網絡預測模型 BP神經網絡(back propagation neural network BPNN)是一種按誤差逆傳播算法訓練的多層前饋網絡,它在模式識別和分類、非線性映射、特征提取等領域獲得了成功應用[24-26]。本研究分兩種方法建立TVB-N的BP神經網絡預測模型,首先根據營養成分預測模型獲得脂肪、蛋白質的含量,一種方法以脂肪、蛋白質的含量和所有樣本的電子鼻特征數據作為自變量建立預測模型(方法一);另一種方法則在獲得脂肪、蛋白質的含量后,先將樣本分成2類,再建立僅以電子鼻特征數據為自變量的預測模型(方法二),并對比分析2個模型的優劣。

1.3 數據統計分析

利用IBM SPSS Statistics V19軟件,利用數據歸一化、多元線性回歸建立營養成分和電子鼻特征的逐步回歸模型,利用Excel 2016軟件對逐步回歸模型的預測組誤差進行統計計算。利用Matlab 2013a軟件建立電子鼻特征數據和TVB-N數據的BP神經網絡預測模型,利用Excel 2016軟件統計BP神經網絡模型訓練組和預測組的絕對誤差分布,然后繪制絕對誤差區間分布折線圖。

2 結果與分析

2.1 不同樣本的成分回歸分析

樣品的營養成分測定結果如表1所示。

表1 營養成分測定結果Table 1 Results of nutritional components

首先建立營養成分的預測方程,以表1中脂肪和蛋白質比例的百分數為因變量,電子鼻特征數據為自變量,采用多元線性回歸分別建立模型,回歸方程如下所示:

y1=-3.875+0.547×x11+2.086×x12+5.024×x13

式(1)

y2=9.862-1.163×x21+0.014×x22-0.077×x23+3.771×x24-0.069×x25

式(2)

式(1)、(2)中自變量x為電子鼻傳感器特征值,y1、y2分別代表脂肪和蛋白質。

建立的模型的統計結果如表2所示。

表2 模型統計結果Table 2 Model statistical results

表2模型結果顯示,p值均低于0.01，說明自變量與因變量之間線性關系明顯,可以建立線性模型;模型1決定系數R2為0.919,說明回歸方程能體現自變量與因變量之間很強的相關性,相比之下,蛋白質與電子鼻建立的模型決定系數R2達0.941,表3結果顯示,模型2的7個預測組相對誤差均在3%以內,而模型1預測組的相對誤差波動大,最大達28.1%,最小為0.14%,方差較大,模型2預測組均方誤差也遠小于模型1,模型更加精確。

表3 預測組誤差統計結果Table 3 Statistical results of prediction group error

2.2 TVB-N檢測結果分析

不同肥瘦配比、不同儲藏時間豬肉樣本的TVB-N含量檢測結果如表4所示。

表4 4 ℃儲藏下不同營養成分豬肉TVB-N含量變化Table 4 Changes of TVB-N content in pork with different nutrients under 4 ℃ storage conditions

根據GB2707-2005鮮(凍)畜肉揮發性鹽基氮的標準,TVB-N含量<15 mg·(100 g)-1為鮮豬肉,TVB-N含量>15 mg·(100 g)-1為腐敗肉,由表4知,隨著儲藏時間的延長,對于各肥瘦配比的豬肉,TVB-N含量都呈上升趨勢,第1類從第1 d的2.59 mg·(100 g)-1,隨天數增加依次增為5.25、6.65、8.89、13.92、18.69、20.72 mg·(100 g)-1,第2～7類的TVB-N數值仍有相同變化趨勢,只是在數值上大小有差異,這表明豬肉的新鮮度在逐漸的下降。結合表1,對儲藏天數相同的豬肉,隨著蛋白質比例的增大,TVB-N的質量分數也呈上升的趨勢。蛋白質比例高的第1類、2類樣本在第6 d時已經腐敗,蛋白質比例較低第3類、4類、5類、6類樣本到第7 d才腐敗,而蛋白質比例最低的第7類樣本到第7 d仍然沒有腐敗。

2.3 BP神經網絡模型

2.3.1 神經網絡分析結果 首先以營養成分預測模型獲得的脂肪、蛋白質含量以及電子鼻檢測獲得的特征數據做自變量,以TVB-N檢測數據為因變量建立預測模型。在神經網絡建模時,電子鼻樣本總數為245個,其中選取70%(171個)的樣本作為訓練組,15%(37個)的樣本為驗證組、15%(37個)的樣本為預測組。

如圖1所示,模型的訓練組相關系數rC為0.988,訓練組交互驗證均方根誤差(Root Mean Square Error of Cross Validation,RMSECV)為1.07;預測組的相關系數rp為0.941,預測組均方根誤差(Root Mean Square Error of Prediction,RMSEP)為2.07。

圖1 TVB-N含量BP神經網絡模型預測值與實測值的相關關系Fig.1 The correlation between the predicted value and themeasured value of TVB-N content BP neural network mode

表5所示為絕對誤差個數區間分布表,可以看出訓練組的絕對誤差集中在0～0.5之間,說明訓練模型擬合度高;然而預測組的誤差集中區間擴大為0～1.0,誤差區間在1～2.5和誤差大于3的樣本各占25%的樣本總量,說明預測組與模型之間存在較大偏差。

表5 模型絕對誤差個數分布Table 5 Number distribution of absolute error of model

2.3.2 樣本分類神經網絡分析結果 首先根據脂肪、蛋白質回歸模型將7種肥瘦配比分成兩大類,由脂肪、蛋白質回歸模型可知,蛋白質回歸模型更加穩定,根據表1和表3知,第3類樣本誤差為±0.11,第4類樣本誤差為±0.461,即對應的蛋白質比例為17.20±0.18、15.97±0.501,兩者相差最小為0.530;又均方誤差為0.094,即第3類與第4類樣本不會被誤分,因此,選擇前3種肉餡肥瘦比為一類,后4種肉餡肥瘦比為一類。然后對這兩類樣本分別建立TVB-N含量的預測模型,兩類樣本都各選取70%樣本總量作為訓練組,剩余30%作為驗證組和預測組。

如圖2所示,前3種肉餡肥瘦比樣本所得到的回歸模型2-1訓練組的相關系數rc和RMSECV分別為0.994和0.88,預測組rp和RMSEP分別為0.984和1.31;后4種肉餡肥瘦比樣本獲得的模型2-2訓練組的相關系數rc和RMSECV分別為0.985和0.91,預測組rp和RMSEP分別為0.979和1.30。表6為2個模型的絕對誤差區間分布匯總表,由表6可知訓練組與預測組的誤差分布區間較為一致,誤差集中在0～1.0之間樣本各有149個和23個,各占樣本總數的86%和62%;另外，訓練組沒有絕對誤差大于2.5的樣品，預測組中絕對誤差大于2.5的樣本占預測樣本的8.5%。說明所建立的模型不僅擬合度高且預測組與模型偏差小、準確性高。

圖2 TVB-N含量BP神經網絡模型預測值與實測值的相關關系Fig.2 The correlation between the predicted value and the measured value of TVB-N content BP neural network mode

表6 模型絕對誤差個數分布Table 6 Number distribution of absolute error of model

2.3.3 模型對比分析結果 對2個模型進行比較,模型的優劣可以通過訓練組的相關系數rc和交互驗證均方根誤差RMSECV、預測組的相關系數rp和預測組均方根誤差RMSEP以及模型的誤差分布來綜合評價,相關系數越高,均方根誤差越小,誤差分布越趨近于0,模型的性能就越好,2種方法建立預測模型統計結果如表7所示。圖3所示為2種模型訓練組和預測組的絕對誤差個數的區間分布折線圖。

表7 模型對比統計結果Table 7 Statistical results of model comparison

圖3 訓練組與預測組絕對誤差個數的區間分布Fig.3 Interval distribution of absolute error number of training group and prediction group注:模型1對應模型編號1-1,模型2對應模型2-1和2-2的結合。

從表7可知,相比于方法一以成分為自變量建立的神經網絡模型,方法二所建立神經網絡模型的RMSECV和RMSEP分別下降0.2和0.7左右,訓練組rc相接近。圖3(a)訓練組誤差個數分布圖知,模型1誤差曲線的下降速度快,即誤差分布較為集中,分布在0～0.5和0.5～1之間的樣本個數分別為153和15個,總共占樣本總數的97%。模型2誤差曲線下降較慢,誤差分布在0～0.5和0.5～1之間的樣本個數分別為98和53個,總共占樣本總數的86%。這說明模型1訓練組優于模型2的訓練組。由圖3(b)預測組誤差個數分布圖可以看出,模型2的誤差在區間0～0.5和0.5～1的樣本分別為11和12個,占預測組樣本總數的62.6%,模型1的誤差在區間0～0.5和0.5～1的樣本分別為9和10個,占預測組樣本總數的51.3%,而且模型1的誤差在大于3的區間有9個但模型2僅有3個,這說明模型2預測組與訓練模型之間擬合度高,模型1可能存在過擬合現象,模型2優于模型1。又由成分預測模型知,脂肪預測模型相關系數相對較小,相對誤差也相對較大,方法一以其做自變量建立模型就可能帶來雙重誤差,因此,在獲得營養成分的基礎上直接建立TVB-N的神經網絡預測模型更為優越,鑒于電子鼻傳感器陣列與TVB-N之間存在良好的相關性,表明電子鼻能很好的反映出豬肉貯藏過程中新鮮度變化導致的TVB-N值的變化,電子鼻技術能作為一種快速無損檢測不同成分豬肉新鮮度的方法。

3 結論

TVB-N的含量是判斷豬肉新鮮度的重要指標,本研究首先建立成分回歸模型,然后分兩種方法分別建立神經網絡模型,首先得到營養成分數據,一種方法以營養成分和電子鼻特征一起作為自變量建模,另一種則根據營養成分先將樣本分類,再僅用電子鼻特征做自變量建模,比較兩種方法建立的模型發現,對成分分類建模能更好的映射出電子鼻傳感器陣列和TVB-N數值之間的關系,而且不會出現雙重誤差,同時模型的精度得到了提高,RMSECV和RMSEP值分別從1.07和2.07下降為0.91和1.30,分別下降0.2和0.7左右,訓練組rc相接近,但預測組的相關系數rp從0.941提高至0.979,比方法一的神經網絡模型提高0.04,而且預測組的誤差分布集中在0～1之間,誤差大的樣本個數遠遠少于方法一的神經網絡模型。本研究表明,電子鼻傳感器陣列與豬肉新鮮度評價指標TVB-N之間存在較高的相關性,運用電子鼻技術可快速無損檢測不同成分豬肉的新鮮度。

[1]Huang L,Zhao J,Chen Q,et al. Nondestructive measurement of total volatile basic nitrogen(TVB-N)in pork meat by integrating near infrared spectroscopy,computer vision and electronic nose techniques[J]. Food Chemistry,2014,145(2):228-236.

[2]陳艷珍.豬肉品質的評定及影響因素[J].中國畜牧獸醫,2012,39(7):155-158.

[3]王小占.基于電子鼻的豬肉新鮮度檢測體系的研究[D].天津:天津商業大學,2012:2-8.

[4]樊玉霞.豬肉肉糜品質與安全可見/近紅外光譜快速檢測方法的實驗研究[D].杭州：浙江大學,2011:4-10.

[5]王智凝.電子鼻在豬肉新鮮度檢測中的應用研究[D].北京:中國農業大學,2015:4-11.

[6]林亞青,房子舒.豬肉新鮮度檢測方法綜述[J].肉類研究,2011,25(5):62-65.

[7]Siadat M,Losson E. Application of electronic nose to beer recognition using supervised artificial neural networks[C]. International Conference on Control,Decision and Information Technologies IEEE,2014:640 - 645.

[8]黃星奕,蔣飛燕,穆麗君,等.基于嗅覺可視化的鯧魚TVB-N預測模型[J].江蘇大學學報：自然科學版,2013,34(1):38-43.

[9]Gardner J W,Bartlett P N. A brief history of electronic noses[J]. Sensors and Actuators B,1994,18-19(1):211-220.

[10]Hong X Z,Wang J,Zheng H. Discrimination and prediction of multiple beef freshness indexes based on electronic nose[J]. Sensors and Actuators B,2012,1(161):381-389.

[11]王炳蔚,楊璐,鄭麗敏,等.基于統計空間映射和電子鼻的豬肉風味物質檢測[J].食品科學,2016,37(8):102-107.

[12]劉輝,牛智有.基于電子鼻的魚粉中揮發性鹽基氮檢測模型比較[J].農業工程學報,2010,26(4):322-327.

[13] Ye X,Jin J J,Hui G H. Determination of the freshness of beef strip loins(M. longissimus lumborum)Using Electronic Nose[J]. Food Analytical Methods,2014,7(8):1612-1618.

[14]Hong X Z,Wang J. Parameters optimization of electronic nose in detection of beef freshness[J].Transactions of the Chinese Society for Agricultural Machinery,2013,44(9):125-131,137.

[15]Tian X J,Wang J,Cui S Q. Analysis of pork adulteration in minced mutton using electronic nose of metal oxide sensors[J]. Journal of Food Engineering,2013,119(4):744-749.

[16]賈洪峰,盧一,何江紅,等.電子鼻在牦牛肉和牛肉豬肉識別中的應用[J].農業工程學報,2011,27(5):358-363.

[17]Hong X Z,Wang J. Discrimination and prediction of pork freshness by e-nose[C]. 5th International Conference on Computer and Computing Technologies in Agriculure,Beijing,October 29-31,2011,370:1-14.

[18]Hong X Z,Wang J.Discrimination of different storage time of pork by electronic nose[J].Chinese Journal of Sensors & Actuators,2010,23(10):1376-1380.

[19]柴春祥,杜利農.電子鼻檢測豬肉新鮮度的研究[J].食品科學,2008,29(4):444-447.

[20]Park S Y,Kim Y J,Lee H C. Effects of pork meat cut and packaging type on lipid oxidation and oxidative products during refrigerated storage(8 ℃)[J]. Journal of Food Science,2008,73(3):C127-34.

[21]Li M,Wang H,Sun L. Application of electronic nose for measuring total volatile basic nitrogen and total viable counts in packaged pork during refrigerated storage[J]. Journal of Food Science,2016,81(4):906-912.

[22]王智凝,鄭麗敏,方雄武,等.電子鼻傳感器陣列優化對豬肉新鮮度法的檢測[J].肉類研究,2015,29(4):27-30.

[23]梁馮珍,史道濟,關靜,等.統計學[M]. 北京:機械工業出版社,2009:350-385.

[24]韓劍眾,黃麗娟,顧振宇,等.基于電子舌的魚肉品質及新鮮度評價[J].農業工程學報,2008,24(12):141-144.

[25]Zhou B,Wang Y W,Wang J. Electronic nose technique potential monitoring for storage time and quality attribute of egg[J].Journal of Zhejiang University,2010,44(5):863-869.

[26]Panigrahi S,Balasubramanian S,Gua H,et al. Neural-network-integrated electronic nose system for identification of spoiled beef[J].Food Science and Technology,2006,2(39):135-145.