可解释的多机器学习模型用于鸡肉木胸肉的分级：结合物理化学分析与SHAP驱动的特征重要性

《LWT》：Interpretable multi-machine learning model for grading chicken wooden breast: Integrating physicochemical analysis and SHAP-driven feature importance

　　鸡肉木质化多指标分析与机器学习模型优化研究。该研究通过pH、颜色、持水力、质构及电子鼻等多维度指标评估木质化程度，构建BP-ANN模型实现96.88%分类精度，并利用SHAP分析揭示硬度、咀嚼性等关键特征。分隔符：

　　木质化胸肌（Wooden Breast, WB）是现代家禽养殖中日益严重的问题，尤其是在快速生长的肉鸡品种中。随着集约化养殖模式的普及，肉鸡的生长速度加快，饲料转化率提高，但这也带来了肉质问题，如木质化胸肌。该病症主要表现为胸大肌硬化、表面出血、肌纤维变硬、水分保持能力下降以及颜色变化，严重影响了鸡肉的加工性能和市场接受度。为了应对这一挑战，本研究提出了一种结合多指标分析与机器学习模型的综合评估与分类策略，旨在实现对木质化胸肌的快速检测与分级，为相关领域的技术革新提供理论依据和实践支持。

研究采用了Kebao白羽肉鸡的胸肉样本，按照视觉和触觉标准将其分为四个等级：正常胸肉（NB）、轻度木质化胸肌（LWB）、中度木质化胸肌（MWB）和重度木质化胸肌（SWB）。通过测量pH值、颜色参数（L?、a?、b?、C?、h）、水分保持能力（滴水损失、烹饪损失）、质地特性（硬度、弹性、咀嚼性、胶着性、凝聚性、回弹力）以及电子鼻的气味数据，系统地评估了不同等级木质化胸肌对肉质的影响。研究发现，随着木质化胸肌的严重程度增加，pH值升高，水分保持能力下降，颜色变深且饱和度增加，质地变得更硬且缺乏弹性。这些变化不仅反映了肌肉代谢紊乱、氧化应激和细胞损伤，也揭示了肉质退化的多维机制。

电子鼻技术作为一种非破坏性手段，能够捕捉肉样中挥发性化合物的气味特征。通过传感器阵列（共14个金属氧化物传感器），对不同等级的木质化胸肌进行分析，发现重度木质化胸肌的挥发性物质含量显著低于其他等级。这可能与肌肉纤维的结构变化、水分流失以及脂质氧化有关。通过Savitzky-Golay平滑方法和K-means聚类分析，提取了电子鼻数据中的关键特征，进一步优化了模型输入参数。同时，主成分分析（PCA）展示了不同指标在区分木质化胸肌严重程度中的贡献，表明电子鼻数据与肉质指标的结合可以有效提升分类的准确性。

为了提高木质化胸肌的分类效率，研究引入了多种机器学习模型，包括偏最小二乘判别分析（PLS-DA）、支持向量机（SVM）和反向传播人工神经网络（BP-ANN）。其中，BP-ANN模型表现出最优的分类性能，其测试集准确率达到95.83%，远超PLS-DA（87.50%）和SVM（91.67%）。这得益于BP-ANN模型在处理非线性关系和自动特征选择方面的优势，从而减少了人工特征工程的依赖。此外，研究还通过SHAP（Shapley Additive Explanations）方法对模型进行了可解释性分析，揭示了不同等级木质化胸肌的关键影响因子。例如，在重度木质化胸肌（SWB）中，咀嚼性和胶着性是主要的决定性因素，这些特性与肌纤维致密化和结构重组密切相关，而滴水损失和烹饪损失则反映了肌肉组织水分保持能力的下降。

研究的另一个重点是探讨不同模型的预测性能。通过交叉验证和测试集分析，BP-ANN模型在精度、召回率和F1分数上均表现最佳，分别为96.43%、96.88%和96.41%。相比之下，PLS-DA和SVM模型虽然在某些指标上接近理想值，但其在分类的稳定性和泛化能力上略逊一筹。这一结果表明，BP-ANN模型不仅能够准确识别不同等级的木质化胸肌，还具备较强的适应性和可解释性，从而为工业化应用提供了可靠的技术基础。

SHAP分析进一步揭示了模型的内部机制，帮助研究人员理解哪些指标对分类结果影响最大。在不同等级的木质化胸肌中，弹性（Resilience）和烹饪损失（Cooking Loss）在多个模型中均显示出显著的贡献。弹性下降通常与肌肉纤维的硬化和结构破坏有关，而烹饪损失的增加则表明肌肉组织在加工过程中更容易流失水分。此外，pH值、咀嚼性和胶着性等指标也被证明是重要的预测因子，它们与肌肉纤维的物理结构变化和代谢状态密切相关。

研究还强调了多维数据整合在提升分类精度中的作用。传统的单一指标分析往往难以全面反映木质化胸肌的复杂特性，而多指标联合分析则能更准确地识别其特征。通过结合电子鼻数据、质地分析、颜色参数和水分保持能力，研究构建了一个更加全面的分类体系，不仅提高了模型的预测能力，也增强了对木质化胸肌病理机制的理解。

本研究的成果为鸡肉品质评估和木质化胸肌的快速检测提供了新的思路。在实际应用中，木质化胸肌的出现会显著降低鸡肉的加工性能，增加经济损失。因此，开发一种高效、可靠的检测技术具有重要的经济和社会意义。BP-ANN模型的高准确率表明，基于机器学习的分类方法在实际应用中具备良好的可行性。同时，SHAP分析为模型的可解释性提供了支持，使研究人员能够明确了解哪些指标对分类结果最为关键，从而为后续优化和改进提供了方向。

综上所述，本研究通过多指标分析与机器学习模型的结合，成功构建了一个能够有效区分不同等级木质化胸肌的分类系统。研究结果不仅为鸡肉品质评估提供了科学依据，也为行业内的快速检测和质量控制技术开发奠定了基础。未来，随着人工智能和大数据技术的进一步发展，此类多维分析方法有望在更多食品质量评估领域得到应用，推动食品工业向更加智能化、精准化方向发展。