基于神经网络多参数融合的鱼肉新鲜度检测方法

赵泓洋，林 峰，孙 健，郝贵杰

（1.东北大学秦皇岛分校，河北 秦皇岛 066099；2.浙江省淡水水产研究所，浙江 湖州 313098；3.江苏农林职业技术学院，江苏 句容 212400）

0 引 言

鱼肉营养丰富，肉质细嫩，味道鲜美，是一种深受消费者喜爱的优质蛋白质来源。然而当鱼死亡后，在体内溶解酶和微生物的共同作用下，鱼肉品质迅速下降。腐败过程中产生的病原微生物和微生物毒素对消费者的健康构成严重威胁[1]。快速、便捷地检测鱼肉的新鲜程度对食品安全、检验检疫、食品工业等领域均具有重要的意义。

传统的新鲜度检测方法主要包括感官评价、理化检测和微生物检测。感官评价法便捷高效，然而即便对于训练有素的专业检验人员，也难以完全消除个人主观因素对检测结果的影响。理化和微生物检测方法具有较高的检测精度，但操作过程繁琐，对实验人员的专业技能有较高的要求，且检测周期较长，对样品具有破坏性。因此传统的检测方法主要局限于实验室应用，难以适应消费市场和基层检验检疫机构对检测实时性和设备便携性的要求，也不能满足肉类食品加工企业在线监控产品品质的需求[2]。针对这些问题，电子鼻、电子舌、近红外光谱、阻抗谱等仪器检测方法应运而生[3-6]。相对于其它检测技术，阻抗谱以一系列独特的优势，如低成本、无需样品预处理、可以探测动物内脏，植物根部等无法直接触及的组织和器官，逐渐成为生物检测领域新的研究热点。国内外学者已将其应用于早期乳腺癌筛查[7]，人体成分和营养状况评价[8]，无土栽培植物根系生长情况监控[9]，植物根系共生菌检测[10]，植物旱胁迫和霜冻胁迫研究[11]，食品加工过程中盐分和含水率的实时监控[12]，鱼肉的新鲜度检测[13-15]等诸多领域。由于受养殖环境、饲料成分、基因、捕捞季节、年龄等因素的影响，即便对于同一物种的研究对象，不同个体的生物组分也有较大的差异。以鱼为例，Grigorakis 研究表明，野生和养殖海鲷鱼的体脂肪率相差可达13 倍[16]。脂肪具有良好的电绝缘性，个体间体脂率的差异势必对阻抗谱测量结果产生一定影响。现有的实验研究，样品大多来自同一饲养环境，不同个体的基因存在密切的亲缘关联。样品间相似的生物组分为实现高精度阻抗谱检测提供了良好的条件，而实际应用中，由于不同来源个体的电学特性差异，很难获得和实验条件下相当的检测精度。个体差异对检测结果的影响是制约阻抗谱检测精度提高和生物阻抗谱技术进一步发展的最重要的瓶颈之一[17]。

阻抗谱形态特征是与阻抗谱绝对坐标没有直接关联的特征参数。研究表明[18]，在面向不同来源样品检测的应用领域，该参数可以有效减小个体基础电学差异对测量结果造成的影响，显著提高检测精度。进一步分析实验结果，发现形态特征参数的优势是对生物个体差异不敏感，在鱼肉腐败点附近，不同来源个体的特征参数均会出现较大的变化。但是在自溶期，该参数和TVB-N 的相关度较低。这一段时间内的取样点，也构成了形态特征参数误判集的主体。而绝对坐标参数虽然对生物个体差异较敏感，但对于同一个体，整个腐败周期均和TVB-N 有着相似的变化趋势。两种参数具有潜在的互补性，如能将二者的优势进行融合，对提高实际应用中的预测精度有着重要的价值。

本文提出神经网络多参数融合的鱼肉新鲜度检测方法，运用神经网络的自主学习能力，将传统检测鱼新鲜度的多个参数作为神经网络的输入，以鱼体中化学成分TVB-N 值作为网络输出，经过参数训练拟合，将多个鱼新鲜度预测参数值进行融合，构建全新的鱼肉新鲜度预测指标。为提高实际应用中面对复杂来源样品时的预测精度，提出新的解决思路和方法。

1 材料与方法

1.1 试验材料

为了模拟实际应用环境，从4 个不同的零售商处采购鲢鱼20 条，充氧运送至实验室。置于冰水中麻醉，随后用钝器将鱼击毙，去除鱼鳞和内脏。清洗后，用洁净的不锈钢刀将鱼腹肉切成大小约为6 cm×3 cm 的鱼片，无菌聚乙烯袋密封后，置于4 ℃冰箱中冷藏。每条鱼取一片进行电阻抗测量。其余用于TVB-N 检测。每日检测一次，连续测量8 d。最终结果为3 次重复测量的平均值。其中10 条鱼用于模型参数的确定，另外10 条用于模型效果的检验。

1.2 试验方法

1.2.1 理化指标检测

鱼肉腐败过程伴随着蛋白质的分解。通过对蛋白质分解产物挥发性盐基氮（TVB-N）含量的测定，可以实现对鱼肉新鲜程度的评估。鲢鱼TVB-N 值依照GB/T 5009.44-2003 中规定，采用半微量定氮法测定。

1.2.2 阻抗谱检测

肉类在腐败过程中，生物组织的电学特性会随着生物组分的分解和细胞结构的改变而发生变化。通过特定频段下电阻抗的测量，可以获得其新鲜度信息。本实验使用CHI660E 电化学工作站实现阻抗谱测量。该仪器发出特定频率和幅值的正弦电压作为激励信号，检测激励信号经过生物组织后的变化。利用傅里叶变换将时域结果转化为频域，并计算出复阻抗的模值和相位角。本实验采用双电极模式，直径为0.5 mm 的铂丝电极垂直插入鱼肉中，深度为10 mm。

测量仪器的最优参数组合取决于鱼种，电极配置，测量温度等诸多因子。正式测量前，针对相关参数的优化问题进行了一系列预实验。比较激励电压幅值取 5、10、20、30、35 mV 的阻抗谱，最佳的重复测量精度出现在30 mV 和35 mV 的条件下。考虑到激励电压越小，对系统稳态的干扰就越小，设定激励电压幅值为30 mV。并在对数坐标轴10 Hz～1MHz 的频率范围内平均选取的60 个点作为测量频率。

1.3 数据处理

使用极点差值法提取形态特征参数，以及利用灰色关联分析法在绝对坐标参数中筛选最优频率，然后运用GSI 理论将形态特征参数和绝对坐标参数融合成一个全局稳定性指数。将以上提取的鱼新鲜度模值、相位角、极点差值和GSI 等参数作为的输入，以鱼体中化学成分TVB-N 值作为网络输出，用神经网络训练，建立FFI 多参数融合机制。然后和传统阻抗谱参数对新鲜度判断的准确率做出比较。相关计算工作由Matlab 和Excel 实现。

2 结果与分析

2.1 挥发性盐基氮的变化规律

图1 为4 ℃下样品TVB-N 均值变化趋势，开始2 d 内，TVB-N 变化较为平缓。第3 d 开始上升速度逐渐加快，于第6 d 达到了0.2 mg/g 的淡水鱼腐败国家标准。自溶酶和细菌是腐败过程中蛋白质分解的两个主要诱因。在腐败过程的早期，自溶酶的影响起主导作用，此时TVB-N 的变化相对缓和。进入中后期，优势腐败菌大量繁殖，细菌逐渐取代自溶酶成为分解蛋白质的主因，TVB-N 也随贮藏时间延长而快速增加。

图1 挥发性盐基氮随储藏时间的变化情况

2.2 形态学特征参数的提取

图2 为伯德图，横坐标是测量频率，纵坐标分别是阻抗模值和相位角。由于细胞膜的电容特性，生物材料的阻抗值随测量频率的改变而改变。

图2 伯德图

在之前的研究中[18]，本课题组提出将伯德图中提取的特征参数分为两类，一类是和伯德图上绝对坐标值紧密关联的参数，如阻抗模值、相位角。另一类是和伯德图中绝对坐标值没有直接关联的形态特征参数，如斜率、弧度、极点差值等。前者是由坐标轴所指示的坐标值；而后者只与曲线自身的形状有关，与曲线和坐标轴的相对位置无关。

相对于阻抗模值曲线由高频到低频的单调上升，相位角曲线具有更丰富的形态变化，也包含了更丰富的形态特征信息。通过对相位角曲线各形态特征参数的分析与筛选，发现在特定频率区间内，相位角曲线可以近似为直线段，该直线段的斜率和新鲜程度变化呈高度相关性。对比该形态特征参数和传统绝对坐标参数对于不同来源鲤鱼肉新鲜程度的检测结果，证实了其能够有效消除生物个体差异引起的阻抗谱测量误差。

本文使用“极点差值”作为形态特征参数，如图3 所示。相对于斜率，极点差值的提取算法更简洁，其参数本身也具有更明确的物理意义。

极点差值为图3 中相位角曲线的“S”形态部分中最高点和最低点在Y 轴上的投影距离d。对于纯阻性元件而言，其相位角曲线是一条位于X 轴上的线段，其极点高度差d 等于0。而对于由容性和阻性元件构成复合元件而言，d 始终大于0。在腐败中后期，具有电容特性的细胞膜被破坏，细胞内液电解质溢出并和细胞外液融合，鱼肉的宏观电学特性由阻容混合趋向于纯阻性，对应的形态特征参数d 也趋近于0。经验证，“极点差值”和“斜率”这两种形态特征参数所构建的模型预测效果并没有明显差异。

图4 是鲢鱼肉极点差值参数随时间变化的规律。在鱼死亡后不久的僵直解僵期，该参数有一个短暂的上升过程(阶段1)。随着自溶期的到来，极点差值随存储时间的增加而缓慢降低(阶段2)。达到腐败临界点后，由于细胞膜的破裂，细胞内液溢出。极点差值迅速下降(阶段3)。

图4 极点差值随时间变化的情况

2.3 全局稳定性指数参数提取

2.3.1 应用全局稳定性指数构建多参数融合的预测模型

GSI (Global Stability Index) 是由Mohsen Achour于2006 年提出的用于评价贮存过程中食品品质变化的多参数融合判定法[19]。该方法突破了传统单一指标评价的局限性，综合不同评价指标的优势，以更全面地反映食品品质变化过程。

2.3.2 计算变异指数

变异指数Vij为指标i 在j 时刻相对于初始状态的变异值，公式（1）如下:

式中:Cij为指标i 在j 时刻的检测值，Ci0为指标i 的初始值，本试验取所有参与计算数据的最小值。Li为指标i 的终点值，本试验取所有参与计算数据的最大值。

2.3.3 计算GSI 全局稳定性指数

j 时刻的全局稳定性指数GSIj由公式（2）计算。

式中：n 为参与计算的品质指标的个数。di为第i个指标的权重系数，∑αi=1。之前的文献中，其具体取值多根据经验确定。

本文参与GSI 计算的参数分别是极点差值，模值和相位角，故n 取3。权重系数以0.1 为最小分辨率，由Matlab 编程列举所有可能的组合后，再次应用灰色关联分析方法，筛选出和TVB-N 相关度最高的组合。最终结果极点差值,模值和相位角的权重系数分别为 0.4、0.4、0.2。

综上所述，预测鱼新鲜度的参数有模值、相位角、极点差值和GSI 等，表1 为贮存第2～8 d 的TVB-N、模值、相位角、极点差值和GSI 的均值。

表1 贮存期间的TVB-N,模值，相位角，极点差值和GSI 值

3 基于神经网络的参数融合方法

虽然模值、相位角、极点差值和GSI 值等都可以预测鱼新鲜度，但是采用单一的参数无法准确预测。神经网络是一种较为智能高级的算法，若将获取的以上值预测参数与神经网络结合，建立神经网络多参数信息融合的鱼肉新鲜度预测模型，则可以较为客观地评估鱼新鲜度。

3.1 神经网络

神经网络[20-22]是较为智能的算法之一，具有较强的非线性预测能力，其广泛应用在模式识别、自动控制、信号处理、辅助决策、人工智能等众多研究领域。图5 为神经网络结构图，且有输入层、中间层和输出层组成。其学习过程就是不断给网络输入样本数据和样本输出，使之中间层获得记忆能力，不断调节连接权值，使得输入输出达到预期期望。

图5 神经网络连接结构示意图

神经网络具体算法步骤如下：

第一步：接受输入层输入数据：

式中，Ij是要对其进行非线性转化，为下一单元的值，Oi是输入的值，wij为每个单元到下一个单元连线之间的权重，θj为偏向调整因子，对Ij进行非线性转化，得到下一个单元的值：

第二步：根据误差(error)反向传送为：

根据公式（5），对于对于输出层误差反向传送为：

式（6）中，Errj用于更新偏向，Oj为输出的值，Tj为标签的值。

通过权重更新，为：

式（7）中，(l)为 Ij的学习率。

偏向调整因子更新，为：

第三步，当权重的更新低于某个阈值，或者预测的错误率低于某个阈值，以及达到预设一定的循环次数，终止条件，并且输出。

3.2 参数融合的新鲜指数（FFI）

将预测鱼新鲜度模值、相位角、极点差值和GSI等参数作为神经网络的输入，以鱼体中化学成分TVB-N 值作为网络输出，则网络输入节点数对应网络输入因子数为4，网络输出节点数对应网络输出因子数为1。

通过获得20 条鲢鱼作为样本，可以得到鱼第一天到第七天的预测鱼新鲜度参数，和对应批次时间下的TBV-N 值，经过训练便可得到FFI 模型预测。图6 分别模值、相位角、极点差值和GSI 等参数和TVB-N 值的拟合训练图。经过4 层训练便可得到很高的吻合度，且将得到4 个预测训练模型融合归一化，便可得到FFI 模型预测训练拟合图。

图6 FFI 模型预测训练拟合图

为建立FFI 模型校验和训练曲线图，不同隐含层节点数测试结果如表7 所示.可以看出当隐含层节点数为8 时误差最小精度已经很高。对于建立的FFI 预测鱼新鲜度预测完全满足了。

图7 为建立FFI 模型校验和训练曲线

不同品质指标的新鲜度判定的样品数量均为10。如表2 所示，基于多参数融合的FFI 指标新鲜度判定准确率为94.3%，显著高于GSI 方法的85.7%、形态特征参数的82.9%，和绝对坐标参数的78.6%（模值）与81.9%（相位角）。可见FFI 可以有效整合绝对坐标参数和形态特征参数的优势，提高了实际应用环境下的腐败状态判定的准确率。

表2 不同品质指标的新鲜度判定准确率

4 结 语

本文利用神经网络和预测鱼新鲜度鲜度模值、相位角、极点差值和GSI 等参数，建立起参数融合的新鲜指数（FFI）多参数融合鱼肉新鲜度预测模型。利用测试集样品对模型效果进行评估，相对于单独使用形态特征参数和绝对坐标参数，FFI 的腐败状态判定准确率由78.6%、81.9%、82.9%、85.7%上升到94.3%。相对于传统预测方法，本文提出的FFI 预测精度有明显的提高。

研究结果表明，多参数融合的新鲜度判定方法可以有效地整合绝对坐标参数和形态特征参数的优势，提高生物阻抗谱技术的检测精度。作为从全新视角对阻抗谱数据处理方法的探索和对阻抗谱形态特征参数的深入挖掘，本研究除了应用在鱼肉新鲜度检测领域外，对于面向其他对象的阻抗谱生物检测技术的研究亦有一定的参考价值。