用于冷藏期间非破坏性评估羔羊肉新鲜度的多参数生物阻抗预测模型

《Journal of Agriculture and Food Research》：Multi-parameter bioimpedance prediction models for non-destructive lamb freshness assessment during cold storage

　　基于生物阻抗技术开发羊肉多参数预测模型，通过对比线性回归、支持向量回归、随机森林和梯度提升回归四种算法，发现随机森林模型在预测颜色差、多汁度和剪切力时表现最优（R2均高于0.99），而梯度提升回归在pH和TVB-N预测中精度更高（R2达0.964-0.974）。研究证实低温（4℃）储存能有效延缓羊肉变质，生物阻抗参数与质量指标存在非线性关系，需采用针对性模型优化预测精度。

　　本研究聚焦于羊肉在储存与运输过程中新鲜度指标的评估问题，针对日益增长的羊肉产品需求，提出了一种基于生物阻抗技术的多参数预测模型，旨在为羊肉质量监测提供一种非破坏性的、实时的解决方案。传统检测方法通常依赖于感官评价、物理化学分析和微生物检测，虽然这些方法在某些场景下仍具有重要价值，但它们往往存在主观性强、检测效率低以及难以实现实时监控等局限性。因此，探索一种高效、可靠的非破坏性检测手段成为当前肉类行业关注的焦点。

生物阻抗技术作为一种新兴的检测方法，因其非侵入性、实时性和动态监测能力而备受青睐。该技术通过测量组织的电学特性，如阻抗、相位角、频率和时间响应，能够有效反映羊肉内部结构、成分及水分含量的变化。相位角作为辅助参数，能够增强对组织微小变化的敏感性。研究团队通过实验设计，采集了不同温度条件（4°C、15°C和25°C）下羊肉样本的多参数生物阻抗数据，并将其与传统肉质指标如颜色差异、pH值、总挥发性碱性氮（TVB-N）、嫩度和剪切力等进行相关性分析，以构建可靠的预测模型。

在实验设计方面，研究者从北京牛街的鲜羊肉市场采购了新鲜的羊肉样本，并选取了10只健康的小尾寒羊，每只羊的后腿肉被切割成18份，共获得180份样本。所有样本在屠宰后立即进行预冷处理，随后经过4小时的进一步冷却，进行去皮、去脂和去骨处理，以确保样本的一致性和可比性。这些样本被装入保温箱并配以冰袋，于1.5小时内送达实验室，以避免运输过程中温度波动对样本的影响。样本被随机分为三组，分别在不同温度条件下储存：4°C为标准冷链储存温度，15°C为常见温度滥用情况，25°C为常温储存条件。每日上午8点，从每组中取样进行测试，记录多参数生物阻抗数据、颜色差异、嫩度、剪切力、pH值和TVB-N含量。实验持续时间因储存温度的不同而有所差异，其中4°C组的实验持续16天，15°C组为7天，25°C组为3天，直到样本出现明显腐败（TVB-N>15mg/100g）。

生物阻抗数据的采集采用了上海辰华仪器有限公司生产的CHI760E电化学工作站，通过连接柔性凝胶电极到该设备的双电极接口，并利用连接线进行数据采集。在数据采集过程中，系统通过软件初始化，设置初始电压为0V，振幅为0.5V，并逐步将频率从1Hz增加至10000Hz，以获取不同频率下的阻抗模量和相位角数据。这些数据不仅能够反映羊肉的电学特性，还能揭示其内部结构变化，为后续的建模和分析提供丰富的输入特征。

在实验过程中，研究人员还采集了羊肉的物理化学指标，包括颜色差异（ΔE）、pH值、TVB-N含量、嫩度和剪切力。其中，颜色差异通过Konica Minolta CR-400色差计测量，该设备能够准确获取L*（亮度）、a*（红绿差）和b*（黄蓝差）三个参数，并据此计算ΔE值。pH值使用Testo 205 pH计测量，通过标准缓冲液进行校准，以确保测量的准确性和重复性。TVB-N含量则采用Kjeltec? 8000氮分析仪，依据中国国家标准GB 5009.228-2016进行检测，通过蒸馏和滴定等步骤确定样品中挥发性碱性氮的含量。

实验结果表明，不同温度条件下的羊肉新鲜度指标表现出显著差异。在4°C条件下，羊肉的颜色差异（ΔE）随时间逐渐上升，最终在第16天达到11.58，显示出明显的颜色变化。而在15°C和25°C条件下，颜色变化更为迅速，特别是在25°C条件下，ΔE值在第3天便达到30.49，远高于4°C组的值，表明高温显著加速了羊肉的颜色劣化。嫩度和剪切力的变化也呈现出类似的趋势，4°C条件下，嫩度在第1天至第3天之间先下降后上升，而剪切力则在第16天达到峰值，显示出肌肉结构的逐渐破坏。相比之下，在15°C和25°C条件下，嫩度和剪切力的变化更加剧烈，表明高温对羊肉的物理特性具有更大的影响。

pH值的变化则反映了羊肉在储存过程中微生物活动和蛋白质分解的动态过程。在4°C条件下，pH值在前两天略有下降，随后趋于稳定，但在第10天后出现反弹，表明腐败细菌的代谢活动开始增强。而在15°C和25°C条件下，pH值的变化更为剧烈，尤其在25°C条件下，pH值在第3天迅速上升至5.84，显示出高温环境下微生物代谢的加速。TVB-N含量的增加则进一步印证了蛋白质分解的进程，4°C组在第15天达到11.15 mgN/100g，而25°C组在第3天便达到30.49 mgN/100g，表明高温显著促进了腐败过程。

在构建预测模型时，研究团队采用了多种机器学习算法，包括线性回归（LR）、支持向量回归（SVR）、随机森林回归（RF）和梯度提升回归（GBR）。通过对这些模型的系统比较，研究者发现不同模型在预测不同质量指标时表现各异。例如，随机森林模型在预测颜色差异（ΔE）、嫩度和剪切力方面表现出色，其R2值分别为0.9965、0.9955和0.9977，均接近1，说明模型能够很好地拟合数据。同时，该模型的均方误差（MSE）和标准误差（Standard Error）均较低，表明其预测结果的稳定性较高。相比之下，梯度提升回归模型在预测pH值和TVB-N含量方面表现更优，其R2值分别为0.9640和0.9740，且MSE和标准误差均低于随机森林模型，显示出更高的精度和可靠性。

研究团队还对不同模型的性能进行了详细评估。通过10折交叉验证策略，所有模型均在训练集和测试集上进行了评估，以确保模型的泛化能力。数据标准化处理使用了StandardScaler函数，以消除不同特征之间的量纲差异，提高模型的训练效率和预测准确性。此外，模型的评估指标还包括预测范围、预测均值和标准差以及标准误差，这些指标共同反映了模型在实际应用中的表现。

实验结果进一步表明，不同温度条件下，羊肉的质量变化趋势存在显著差异。4°C条件下，羊肉的腐败过程较为缓慢，其颜色、嫩度和剪切力的变化也较为温和，而15°C和25°C条件下的羊肉则表现出更快的劣化速度。这些发现对于冷链运输和储存技术的优化具有重要意义，尤其是在如何平衡储存时间和质量控制方面。此外，研究还指出，生物阻抗技术在预测羊肉质量指标时具有独特优势，特别是在低温条件下，其与质量指标之间的非线性关系更明显，而传统线性回归模型难以充分捕捉这些复杂的关联。

从更广泛的角度来看，本研究不仅为羊肉质量监测提供了一种新的技术手段，也为肉类行业在质量控制和供应链管理方面带来了新的思路。通过构建基于生物阻抗的多参数预测模型，研究团队实现了对羊肉新鲜度的高效、准确评估，避免了传统方法对样品的破坏性，同时提高了检测的实时性和自动化水平。这种技术的推广和应用，有助于减少食品浪费，提高食品安全性，并为肉类产品的标准化管理提供支持。

此外，本研究还提出了一种分层架构的羊肉质量监测与管理系统，该系统由五个主要层次组成：感知层、网络层、数据层、应用层和管理层。感知层负责采集生物阻抗数据，网络层负责数据传输，数据层负责数据存储和处理，应用层提供数据分析和监测功能，管理层则为用户和系统管理者提供交互界面。该系统的设计不仅考虑了数据采集的准确性，还关注了数据传输的安全性和存储的稳定性，为未来羊肉质量监测系统的实现提供了理论指导和实际框架。

在实际应用方面，研究团队建议将基于生物阻抗的预测模型嵌入现有的冷链物流系统，以实现对羊肉质量的实时监控。例如，在屠宰和加工环节，检测设备可以对分割后的羊肉产品进行初步质量评估，并建立质量档案；在运输过程中，配送车辆可以配备检测终端，对样品进行快速测试，及时发现因温度波动或时间延迟导致的质量变化；在零售终端，检测数据可以与追溯系统对接，为消费者提供可视化的鲜度信息。这种分阶段的监测方式，不仅有助于提升羊肉供应链的透明度，还能够优化储存和运输策略，减少不必要的损耗。

尽管本研究在实验室环境下取得了良好的预测效果，但其应用仍面临一些挑战。例如，样本数量有限，实验条件较为理想化，缺乏外部验证。未来的研究应进一步扩大样本规模，涵盖不同品种和来源的羊肉，以提高模型的普适性和鲁棒性。此外，还需在实际商业环境中测试模型的性能，开发便携式检测设备，并建立标准化的检测流程，以推动该技术从实验室概念向商业应用的转化。对于海产品等其他肉类，该技术也具有广阔的拓展空间，但仍需解决高盐环境对测量精度的影响问题。

综上所述，本研究通过构建基于生物阻抗技术的多参数预测模型，成功实现了对羊肉新鲜度指标的高效、非破坏性评估。这一成果不仅为羊肉质量监测提供了新的技术手段，也为肉类行业的可持续发展和食品安全保障奠定了基础。随着技术的不断进步和应用场景的拓展，生物阻抗技术有望成为肉类检测领域的重要工具，为食品供应链的智能化管理提供支持。