基于神經網絡多參數融合的魚肉新鮮度檢測方法

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.浙江省淡水水產研究所，浙江 湖州 313098；3.江蘇農林職業技術學院，江蘇 句容 212400）

0 引 言

魚肉營養豐富，肉質細嫩，味道鮮美，是一種深受消費者喜愛的優質蛋白質來源。然而當魚死亡后，在體內溶解酶和微生物的共同作用下，魚肉品質迅速下降。腐敗過程中產生的病原微生物和微生物毒素對消費者的健康構成嚴重威脅[1]。快速、便捷地檢測魚肉的新鮮程度對食品安全、檢驗檢疫、食品工業等領域均具有重要的意義。

傳統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檢驗人員，也難以完全消除個人主觀因素對檢測結果的影響。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對檢測實時性和設備便攜性的要求，也不能滿足肉類食品加工企業在線監控產品品質的需求[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，阻抗譜以一系列獨特的優勢，如低成本、無需樣品預處理、可以探測動物內臟，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域新的研究熱點。國內外學者已將其應用于早期乳腺癌篩查[7]，人體成分和營養狀況評價[8]，無土栽培植物根系生長情況監控[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控[12]，魚肉的新鮮度檢測[13-15]等諸多領域。由于受養殖環境、飼料成分、基因、捕撈季節、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果產生一定影響。現有的實驗研究，樣品大多來自同一飼養環境，不同個體的基因存在密切的親緣關聯。樣品間相似的生物組分為實現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的檢測精度。個體差異對檢測結果的影響是制約阻抗譜檢測精度提高和生物阻抗譜技術進一步發展的最重要的瓶頸之一[17]。

阻抗譜形態特征是與阻抗譜絕對坐標沒有直接關聯的特征參數。研究表明[18]，在面向不同來源樣品檢測的應用領域，該參數可以有效減小個體基礎電學差異對測量結果造成的影響，顯著提高檢測精度。進一步分析實驗結果，發現形態特征參數的優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均會出現較大的變化。但是在自溶期，該參數和TVB-N 的相關度較低。這一段時間內的取樣點，也構成了形態特征參數誤判集的主體。而絕對坐標參數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。兩種參數具有潛在的互補性，如能將二者的優勢進行融合，對提高實際應用中的預測精度有著重要的價值。

本文提出神經網絡多參數融合的魚肉新鮮度檢測方法，運用神經網絡的自主學習能力，將傳統檢測魚新鮮度的多個參數作為神經網絡的輸入，以魚體中化學成分TVB-N 值作為網絡輸出，經過參數訓練擬合，將多個魚新鮮度預測參數值進行融合，構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，連續測量8 d。最終結果為3 次重復測量的平均值。其中10 條魚用于模型參數的確定，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的分解。通過對蛋白質分解產物揮發性鹽基氮（TVB-N）含量的測定，可以實現對魚肉新鮮程度的評估。鰱魚TVB-N 值依照GB/T 5009.44-2003 中規定，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構的改變而發生變化。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 電化學工作站實現阻抗譜測量。該儀器發出特定頻率和幅值的正弦電壓作為激勵信號，檢測激勵信號經過生物組織后的變化。利用傅里葉變換將時域結果轉化為頻域，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。

測量儀器的最優參數組合取決于魚種，電極配置，測量溫度等諸多因子。正式測量前，針對相關參數的優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在30 mV 和35 mV 的條件下。考慮到激勵電壓越小，對系統穩態的干擾就越小，設定激勵電壓幅值為30 mV。并在對數坐標軸10 Hz～1MHz 的頻率范圍內平均選取的60 個點作為測量頻率。

1.3 數據處理

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

2 結果與分析

2.1 揮發性鹽基氮的變化規律

圖1 為4 ℃下樣品TVB-N 均值變化趨勢，開始2 d 內，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，優勢腐敗菌大量繁殖，細菌逐漸取代自溶酶成為分解蛋白質的主因，TVB-N 也隨貯藏時間延長而快速增加。

圖1 揮發性鹽基氮隨儲藏時間的變化情況

2.2 形態學特征參數的提取

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分為兩類，一類是和伯德圖上絕對坐標值緊密關聯的參數，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聯的形態特征參數，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，與曲線和坐標軸的相對位置無關。

相對于阻抗模值曲線由高頻到低頻的單調上升，相位角曲線具有更豐富的形態變化，也包含了更豐富的形態特征信息。通過對相位角曲線各形態特征參數的分析與篩選，發現在特定頻率區間內，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性。對比該形態特征參數和傳統絕對坐標參數對于不同來源鯉魚肉新鮮程度的檢測結果，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”作為形態特征參數，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，細胞內液電解質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，對應的形態特征參數d 也趨近于0。經驗證，“極點差值”和“斜率”這兩種形態特征參數所構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隨時間變化的規律。在魚死亡后不久的僵直解僵期，該參數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 全局穩定性指數參數提取

2.3.1 應用全局穩定性指數構建多參數融合的預測模型

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變化的多參數融合判定法[19]。該方法突破了傳統單一指標評價的局限性，綜合不同評價指標的優勢，以更全面地反映食品品質變化過程。

2.3.2 計算變異指數

變異指數Vij為指標i 在j 時刻相對于初始狀態的變異值，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據的最小值。Li為指標i 的終點值，本試驗取所有參與計算數據的最大值。

2.3.3 計算GSI 全局穩定性指數

j 時刻的全局穩定性指數GSIj由公式（2）計算。

式中：n 為參與計算的品質指標的個數。di為第i個指標的權重系數，∑αi=1。之前的文獻中，其具體取值多根據經驗確定。

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

綜上所述，預測魚新鮮度的參數有模值、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 基于神經網絡的參數融合方法

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無法準確預測。神經網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與神經網絡結合，建立神經網絡多參數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 神經網絡

神經網絡[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域。圖5 為神經網絡結構圖，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絡輸入樣本數據和樣本輸出，使之中間層獲得記憶能力，不斷調節連接權值，使得輸入輸出達到預期期望。

圖5 神經網絡連接結構示意圖

神經網絡具體算法步驟如下：

第一步：接受輸入層輸入數據：

式中，Ij是要對其進行非線性轉化，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重，θj為偏向調整因子，對Ij進行非線性轉化，得到下一個單元的值：

第二步：根據誤差(error)反向傳送為：

根據公式（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。

通過權重更新，為：

式（7）中，(l)為 Ij的學習率。

偏向調整因子更新，為：

第三步，當權重的更新低于某個閾值，或者預測的錯誤率低于某個閾值，以及達到預設一定的循環次數，終止條件，并且輸出。

3.2 參數融合的新鮮指數（FFI）

將預測魚新鮮度模值、相位角、極點差值和GSI等參數作為神經網絡的輸入，以魚體中化學成分TVB-N 值作為網絡輸出，則網絡輸入節點數對應網絡輸入因子數為4，網絡輸出節點數對應網絡輸出因子數為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，和對應批次時間下的TBV-N 值，經過訓練便可得到FFI 模型預測。圖6 分別模值、相位角、極點差值和GSI 等參數和TVB-N 值的擬合訓練圖。經過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，不同隱含層節點數測試結果如表7 所示.可以看出當隱含層節點數為8 時誤差最小精度已經很高。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

不同品質指標的新鮮度判定的樣品數量均為10。如表2 所示，基于多參數融合的FFI 指標新鮮度判定準確率為94.3%，顯著高于GSI 方法的85.7%、形態特征參數的82.9%，和絕對坐標參數的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和形態特征參數的優勢，提高了實際應用環境下的腐敗狀態判定的準確率。

表2 不同品質指標的新鮮度判定準確率

4 結 語

本文利用神經網絡和預測魚新鮮度鮮度模值、相位角、極點差值和GSI 等參數，建立起參數融合的新鮮指數（FFI）多參數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特征參數和絕對坐標參數，FFI 的腐敗狀態判定準確率由78.6%、81.9%、82.9%、85.7%上升到94.3%。相對于傳統預測方法，本文提出的FFI 預測精度有明顯的提高。

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