撒苗苗 李亞蕾 羅瑞明 趙珺怡

摘 要：基于近紅外光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)方法建立灘羊肉中油酸和亞油酸含量的預(yù)測模型。選取灘羊肉外脊、里脊、羊霖、羊腩共138 份樣本，在900～2 500 nm波長范圍內(nèi)，采集灘羊肉糜樣品的近紅外反射光譜，利用氣相色譜法作為參考，測定樣品中油酸和亞油酸含量，并建立灘羊肉中油酸和亞油酸含量的偏最小二乘回歸（partial least squares regression，PLSR）模型。為優(yōu)化模型性能，使用間隔隨機(jī)蛙跳（interval random frog，IRF）算法進(jìn)行數(shù)據(jù)降維處理。結(jié)果表明：對于油酸模型，經(jīng)過標(biāo)準(zhǔn)正態(tài)變量變換結(jié)合一階導(dǎo)數(shù)處理后的全波長模型相關(guān)性較高，校正相關(guān)系數(shù)（Rc）和交叉驗(yàn)證均方根誤差（root mean square error of cross-validation，RMSECV）分別為0.889 5和10.251 5，預(yù)測相關(guān)系數(shù)（Rp）和預(yù)測集均方根誤差（root mean square error of prediction set，RMSEP）分別為0.735 7和10.249 2，然而，經(jīng)IRF算法提取92 個(gè)特征波長后，Rc和Rp均低于全波長模型;對于亞油酸模型，使用多元散射校正處理后的全波長模型Rc最大，為0.874 7，RMSECV為1.051 2，但其Rp和RMSEP較小，利用IRF算法提取102 個(gè)特征波長后，建立的亞油酸模型相關(guān)性得到極大改善，其中Rc最大達(dá)到0.991 2，相應(yīng)的RMSECV為0.011 8，Rp為0.987 9，RMSEP為0.012 2。因此，近紅外光譜技術(shù)結(jié)合IRF算法不能較好預(yù)測灘羊肉中油酸含量，但對亞油酸含量具有較好的預(yù)測能力。

關(guān)鍵詞：近紅外光譜技術(shù);灘羊肉;油酸;亞油酸;間隔隨機(jī)蛙跳算法;偏最小二乘回歸模型

Abstract： Predictive modelling was performed to determine oleic acid and linoleic acid contents in Tan sheep meat using near infrared spectroscopy combined with chemometrics. In this study， 138 samples of striploin， tenderloin， thick flank and belly from Tan sheep were collected. Near infrared reflectance spectra of minced meat samples were collected within the wavelength range of 900–2 500 nm. The contents of oleic acid and linoleic acid in the samples were determined by gas chromatography （GC） and the analytical data obtained were used as a reference to establish a partial least squares regression （PLSR） model. The performance of the model was optimized by reducing the dimension of the data using the interval random frog （IRF） algorithm. The results showed that the full-wavelength model for oleic acid developed through spectral preprocessing using standard normal variate （SNV） transformation combined with first derivative exhibited a higher correction coefficient of calibration （Rc） of 0.889 5 compared with any other spectral preprocessing method， with root mean square error of cross-validation （RMSECV） of 10.251 5， correlation coefficient of prediction （Rp） of 0.735 7， and root mean square error of prediction set （RMSEP） of 10.249 2. The Rc and Rp were both higher than those based on 92 characteristic wavelengths extracted using IRF. For linoleic acid， the full-wavelength model established with multiplicative scatter correction （MSC） presented the highest Rc of 0.874 7 with RMSECV of 1.051 2 but the Rp and RMSEP were lower. The model based on 102 characteristic wavelengths extracted by IRF showed greatly improved correlation， with the highest Rc of 0.991 2， as well as RMSECV of 0.011 8， Rp of 0.987 9， and RMSEP of 0.012 2. Therefore， near-infrared spectroscopy combined with IRF algorithm cannot well predict the oleic acid content of Tan sheep meat， but it has high predictive ability for the linoleic acid content.

Keywords： near infrared spectroscopy; Tan sheep meat; oleic acid; linoleic acid; interval random leapfrog algorithm; partial least squares regression model

DOI：10.7506/rlyj1001-8123-20200520-128

中圖分類號：O657.33 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)志碼：A 文章編號：1001-8123（2020）09-0039-07

引文格式：

撒苗苗， 李亞蕾， 羅瑞明， 等. 灘羊肉中油酸和亞油酸含量預(yù)測的近紅外模型建立[J]. 肉類研究， 2020， 34（9）： 39-45. DOI：10.7506/rlyj1001-8123-20200520-128. ? ?http：//www.rlyj.net.cn

SA Miaomiao， LI Yalei， LUO Ruiming， et al. Establishment of predictive models for determination of oleic acid and linoleic acid contents in Tan sheep meat by near infrared spectroscopy[J]. Meat Research， 2020， 34（9）： 39-45. DOI：10.7506/rlyj1001-8123-20200520-128. ? ?http：//www.rlyj.net.cn

在我國，灘羊作為肉裘兩用的綿羊品種，因其獨(dú)特的風(fēng)味和豐富的營養(yǎng)，深受消費(fèi)者喜愛。其中寧夏鹽池地區(qū)的灘羊肉質(zhì)細(xì)嫩、無腥膻味、含脂率較低、脂肪分布均勻，是寧夏特色畜種[1-3]。灘羊肉脂肪的主要成分之一是脂肪酸，其中，單不飽和脂肪酸（monounsaturated fatty acid，MUFA）和多不飽和脂肪酸（polyunsaturated fatty acid，PUFA）（如棕櫚油酸、油酸、亞油酸等）的組成及含量直接影響肉及肉制品的風(fēng)味和加工品質(zhì)[4]。與其他綿羊相比，灘羊具有一定的品種優(yōu)勢，特別是功能性脂肪酸中的油酸（C18：1）和亞油酸（C18：2）含量相對較高，有研究表明，灘羊肉不飽和脂肪酸中的油酸和亞油酸含量明顯高于小尾寒羊和灘寒雜交羊[5]，油酸含量顯著高于蘇尼特羊和烏珠穆沁羊[6-7]。因此，測定灘羊肉中的油酸和亞油酸含量可以為辨別灘羊肉及調(diào)控灘羊肉中油酸和亞油酸含量提供一定的理論依據(jù)。

目前，脂肪酸檢測最常使用的方法是毛細(xì)管氣相色譜法，但是，該方法在處理樣品時(shí)需使用大量有毒試劑，檢測過程耗時(shí)且成本很高，因此無法用于市場中肉類質(zhì)量的快速評估。相比之下，基于透射率、反射率或吸收率等光學(xué)測量的近紅外光譜（near infrared spectrum，NIR）技術(shù)是一種快速、無損、廉價(jià)且安全的肉品質(zhì)量評估方法[8-9]。已有研究報(bào)道NIR技術(shù)已成功用于肉類和肉類衍生產(chǎn)品中主要成分（水分、脂肪和蛋白質(zhì)）和品質(zhì)指標(biāo)的測定[10-13]。Balage等[14]利用可見光/近紅外反射光譜（visible and near-infrared reflectance spectroscopy，Vis/NIRS）技術(shù)預(yù)測豬肉的剪切力、肌內(nèi)脂肪含量和新鮮度等指標(biāo)，結(jié)果表明，建立的近紅外模型可以用于預(yù)測完整豬肉樣品的品質(zhì)性狀。除此之外，NIR技術(shù)也已用于冷凍肉和鮮肉的區(qū)分以及肉類的摻假檢測[15-19]。近幾年的一些研究表明，NIRS可以用于預(yù)測肉類脂肪酸組成。Pullanagari等[20]探討Vis/NIRS在商業(yè)屠宰場條件下定量測定羊肉脂肪酸組成的潛力;Cascant等[21]采用NIR技術(shù)快速測定三文魚油中的MUFA、PUFA、飽和脂肪酸、甘油三酯、游離脂肪酸和麥角甾醇含量，結(jié)果表明，偏最小二乘（partial least squares，PLS）-NIR為三文魚油中油酸、棕櫚酸、亞油酸、亞麻酸、n-3脂肪酸、n-6脂肪酸含量測定提供了一種快速分析方法，并對MUFA、PUFA、飽和脂肪酸、甘油三酯、游離脂肪酸和麥角甾醇含量的預(yù)測具有可行性，但模型的預(yù)測性能還需要繼續(xù)改進(jìn)。牛曉穎等[22]選取驢肉、牛肉、羊肉和豬肉鮮肉樣品共63 個(gè)，在4 000～12 500 cm-1波段分別采集肉塊和粉碎口徑3 mm的肉糜樣品在5、10、15、20、25、30、35 ℃條件下的NIRS，并使用氣相色譜法作為參考檢測樣品中不飽和脂肪酸含量，結(jié)果顯示，NIRS可以用于鮮肉中不飽和脂肪酸含量的測定。目前，針對油酸和亞油酸含量測定的NIRS研究方法大多數(shù)用于煙草和食用油，使用NIRS技術(shù)對灘羊肉中的油酸和亞油酸含量進(jìn)行檢測分析的研究很少。

間隔隨機(jī)蛙跳（interval random frog，IRF）算法是一種基于PLS法框架的波長區(qū)間選擇方法，該方法比移動(dòng)窗口PLS法、區(qū)間PLS法、反向區(qū)間PLS法和聯(lián)合區(qū)間PLS法等其他方法選擇了更多的信息區(qū)間，并且運(yùn)行更好。IRF算法考慮了所有可能的譜間距，并基于PLS模型的絕對回歸系數(shù)對所有的譜間距進(jìn)行排序。基于此，本研究通過采集不同部位（外脊、里脊、羊霖、羊腩）的新鮮灘羊肉構(gòu)成分析樣品集，利用NIRS技術(shù)，結(jié)合IRF算法，并采用不同的光譜預(yù)處理方法，構(gòu)建灘羊肉中油酸和亞油酸含量的偏最小二乘回歸（partial least squares regression，PLSR）模型，期望能為灘羊肉中特征脂肪酸含量的測定提供可靠且穩(wěn)定的參考方法，為后續(xù)便攜式近紅外脂肪酸含量快速測定儀光源發(fā)射波長和檢測器探測范圍的選擇提供理論依據(jù)。

1 材料與方法

1.1 材料與試劑

使用不同部位的肌肉有助于提供更大范圍的脂肪酸組成，可以為NIRS預(yù)測灘羊肉脂肪酸含量提供更好的統(tǒng)計(jì)基礎(chǔ)。選取138 份灘羊肉樣品，包括35 份外脊、35 份里脊、34 份羊霖及34 份羊腩，均采自寧夏鹽池縣鑫海食品有限公司，其中每只灘羊上選取4 個(gè)不同部位，共35 只灘羊。每份樣品稱取約（25.500±0.025） g，使用小型絞肉杯將樣品絞成均勻肉糜狀（絞拌時(shí)間15 s），裝入25 mL黑色環(huán)形杯壓實(shí)。

脂肪酸甲酯標(biāo)準(zhǔn)品：油酸甲酯、亞油酸甲酯、37 種脂肪酸甲酯混合標(biāo)準(zhǔn)品 上海安譜實(shí)驗(yàn)科技股份有限公司;甲醇、異辛烷（均為色譜純） 天津大茂化學(xué)試劑廠;KOH、NaHSO4（均為分析純） 國藥集團(tuán)化學(xué)試劑有限公司。

1.2 儀器與設(shè)備

GC-2010 Plus氣相色譜儀 日本島津公司;NIRQuest-512近紅外光譜儀 海洋光學(xué)儀器有限公司。

1.3 方法

1.3.1 樣品處理及脂肪酸含量測定

根據(jù)GB/T 5009.168—2016《食品安全國家標(biāo)準(zhǔn) 食品中脂肪酸的測定》及改良過的Floch法[23-24]，對灘羊肉樣品進(jìn)行脂質(zhì)提取和甲酯化。取約1 mL甲酯化后的脂肪酸樣品，利用氣相色譜儀檢測其脂肪酸組成及含量。利用單個(gè)脂肪酸甲酯標(biāo)準(zhǔn)品及37 種脂肪酸甲酯混合標(biāo)準(zhǔn)品中各組分峰的保留時(shí)間對樣品中的脂肪酸進(jìn)行定性分析，采用外標(biāo)法對灘羊肉中的油酸和亞油酸進(jìn)行定量分析。

氣相色譜條件：DB-WAX色譜柱（30 m×0.25 mm，0.25 μm）;檢測器：火焰離子化檢測器;載氣：氮?dú)猓?9.99%）;進(jìn)樣口溫度250 ℃;分流比10∶1;檢測器溫度240 ℃;柱溫箱：初始溫度50 ℃，保持1 min，以25 ℃/min升溫至200 ℃，繼續(xù)以3 ℃/min升溫至240 ℃，保持25 min;進(jìn)樣量1.0 μL。

1.3.2 光譜采集

采用近紅外光譜儀進(jìn)行樣品光譜數(shù)據(jù)采集，采集時(shí)保證灘羊肉糜密度一致，波長900～2 500 nm，積分時(shí)間100 ms，平均次數(shù)5 次，每個(gè)樣品總采樣點(diǎn)數(shù)為512 個(gè)。樣品的相對漫反射比（R）分別測定5 次，取平均值。測得的R與樣品中的油酸和亞油酸含量均不呈線性關(guān)系，因此在近紅外建模過程中選擇反射吸光度（A），A=lg（1/R），使光譜的A與油酸和亞油酸含量之間呈現(xiàn)一種分段線性擬合關(guān)系[25]。

1.3.3 樣品集劃分

采用RS算法[26]將樣品集劃分為建模集和測試集，保證建模集樣品的濃度范圍涵蓋整個(gè)測試集樣品的濃度范圍，并且要求樣品均勻分布。為保證樣本模型的穩(wěn)健性，一般要求建模集樣品和測試集樣品數(shù)量比為3∶1。因此，將138 個(gè)樣品進(jìn)行劃分，其中105 個(gè)樣品用于模型的建立，其余33 個(gè)樣品用于模型的測試。

1.3.4 光譜數(shù)據(jù)的預(yù)處理方法

Norris-Williams（NW）導(dǎo)數(shù)算法主要用于消除光譜基線的漂移。NW導(dǎo)數(shù)算法主要包括2 個(gè)步驟：首先對采集到的光譜進(jìn)行平滑處理，然后根據(jù)給定的參數(shù)（窗寬和擬合次數(shù)）計(jì)算平滑后光譜的一階導(dǎo)數(shù)或二階導(dǎo)數(shù)[27]，或者先求導(dǎo)再進(jìn)行平滑處理。

標(biāo)準(zhǔn)正態(tài)變量（standard normal variate，SNV）變換的主要功能是消除表面散射和光路變化對近紅外光譜的影響[28]，光譜Ai，k的SNV變換公式如式（1）所示。

式中：Ai，SNV為經(jīng)SNV變換后的光譜A;Ai，k為原始光譜A;i為第i條光譜A的平均值（標(biāo)量）;i=1，2，…，n，n為校正集的樣本總數(shù);k=1，2，…，m，m為波長點(diǎn)數(shù)。

多元散射校正（multiplicative scatter correction，MSC）可以消除一些物理因素（如相對濕度、樣品均勻性、加載密度等）對散射的影響，有效提高光譜的信噪比[26]。具體算法為：首先計(jì)算校正集樣本的A平均值，然后進(jìn)行一元線性回歸，方程如式（2）所示。

根據(jù)式（2）求出ai（相對偏移系數(shù)）和bi（偏移量），最后按式（3）計(jì)算MSC預(yù)處理后的光譜Ai，MSC。

式中：Ai為第i條光譜A;Ai，MSC為經(jīng)過MSC預(yù)處理后的光譜A。

1.3.5 IRF算法提取特征波長

IRF是一種可逆的跳躍馬爾可夫鏈蒙特卡羅式算法，最初被應(yīng)用于基因選擇，它通過不同模型之間的固定維和跨維移動(dòng)在模型空間中進(jìn)行搜索，然后計(jì)算偽馬爾可夫鏈蒙特卡羅鏈，并將其用于計(jì)算每個(gè)變量的選擇概率，之后可以根據(jù)所有變量的選擇概率排名選擇變量[29]。IRF算法在運(yùn)行時(shí)會(huì)考慮所有可能的連續(xù)光譜間隔，以找到可能的信息間隔，即通過在整個(gè)光譜帶上移動(dòng)一個(gè)固定寬度的窗口，將光譜劃分為多個(gè)子區(qū)間，這些重疊的間隔區(qū)間運(yùn)用IRF和PLS進(jìn)行排序，然后根據(jù)交叉驗(yàn)證均方根誤差（root mean square error of cross-validation，RMSECV）選擇最佳的間隔區(qū)間。

1.3.6 模型的建立和評價(jià)

采用不同的光譜預(yù)處理方法，可以建立灘羊肉中油酸和亞油酸含量的PLSR定量分析模型[30]。以模型的校正相關(guān)系數(shù)（Rc）和RMSECV為評價(jià)指標(biāo)，對不同的光譜預(yù)處理方法進(jìn)行優(yōu)化，并用預(yù)測集的預(yù)測相關(guān)系數(shù)（Rp）和預(yù)測集均方根誤差（root mean square error of prediction set，RMSEP）對最終模型的精度進(jìn)行評價(jià)。用Matlab R2018a軟件劃分樣品集并對光譜數(shù)據(jù)進(jìn)行預(yù)處理，并用The Unscrambler X 10.4軟件建立PLSR模型[31]。其中Rc越大，RMSECV越小，模型的精度越高;Rp越大，RMSEP越小，模型的預(yù)測能力越好。

2 結(jié)果與分析

2.1 氣相色譜測定灘羊肉中的油酸和亞油酸含量

利用氣相色譜對灘羊肉脂肪酸進(jìn)行分析，樣品中油酸和亞油酸的出峰時(shí)間分別為12.422 min和13.060 min，與油酸甲酯和亞油酸甲酯標(biāo)準(zhǔn)品的出峰時(shí)間相對應(yīng)。油酸甲酯標(biāo)品的線性方程為y=34 887.0x-3 212.5（R2=0.999 5）;亞油酸甲酯標(biāo)品的線性方程為y=67 613.0x-6 686.1（R2=0.999 5），二者均具有良好的線性相關(guān)性。油酸和亞油酸含量測定結(jié)果如表1所示。

2.2 光譜預(yù)處理方法的選擇

由圖1可知，SNV、MSC、一階導(dǎo)數(shù)預(yù)處理都可以降低原始光譜沿Y軸的擴(kuò)散程度。其中，一階導(dǎo)數(shù)預(yù)處理顯示出更豐富的光譜帶和更顯著的方差。

采用蒙特卡羅法檢測樣本集中的異常值，分別為7、63、82、96、99、101號樣本。剔除異常值前，油酸模型的Rc為0.510 9，RMSECV為14.494 9，Rp為0.413 5，RMSEP為10.104 7;亞油酸模型的Rc為0.545 7，RMSECV為2.030 7，Rp為0.465 0，RMSEP為2.894 2。剔除異常值后，油酸模型的Rc提高至0.747 1，RMSECV降低至8.719 3;亞油酸模型的Rc為0.815 7，RMSECV為1.180 7;2 種脂肪酸模型的相關(guān)系數(shù)均有所提高，誤差均有所降低。

采用Savitzky-Golay（S-G）卷積平滑、一階導(dǎo)數(shù)、MSC、MSC結(jié)合一階導(dǎo)數(shù)、SNV、SNV結(jié)合一階導(dǎo)數(shù)6 種光譜預(yù)處理方法對原始光譜信息進(jìn)行變換和提取，并建立PLSR模型。

由表2～3可知，原始光譜經(jīng)過不同方法預(yù)處理后，灘羊肉樣品中油酸和亞油酸含量的PLSR模型結(jié)果相差較大。對于灘羊肉中油酸含量的PLSR模型，基于MSC結(jié)合一階導(dǎo)數(shù)和SNV結(jié)合一階導(dǎo)數(shù)2 種方法處理后的Rc分別為0.881 4和0.889 5，RMSECV分別為10.327 8和10.251 5，Rc和RMSECV較其他預(yù)處理方法均有所改善，所對應(yīng)的Rp分別為0.733 3和0.735 7，RMSEP為10.711 0和10.249 2，說明2 種方法處理后的PLSR模型對灘羊肉中的油酸含量具有預(yù)測能力。對于灘羊肉中亞油酸含量的PLSR模型，MSC預(yù)處理方法Rc最高，可以達(dá)到0.874 7，原始光譜和一階導(dǎo)數(shù)及SNV處理后的模型Rc均可達(dá)到0.8以上，但是Rp僅在0.6以上，結(jié)果表明，經(jīng)MSC預(yù)處理的PLSR模型對亞油酸含量的預(yù)測具有一定可行性。

2.3 IRF算法提取特征波長

利用MATLAB R2018a軟件運(yùn)行IRF算法時(shí)，參數(shù)設(shè)置如下：迭代次數(shù)1 000，固定窗口寬度15，子間隔初始值（Q）為50，最大主成分?jǐn)?shù)20[29，32]。IRF程序運(yùn)行完成后，分別得到油酸和亞油酸498 個(gè)波長間隔中排名前10的波長間隔，具體見表4～5，組合間隔的RMSECV如圖2～3所示。

根據(jù)表5油酸含量光譜數(shù)據(jù)排名前10的波長間隔區(qū)間選出的波點(diǎn)范圍為23～50、366～380、443～457、460～493，圖2顯示，RMSECV最低點(diǎn)對應(yīng)的組合間隔為5，因此，選取排名前10間隔的波長作為特征波長是適用的，這些波段為965.12～1 053.60、2 080.15～2 124.49、2 321.96～2 365.34、2 374.61～2 475.96 nm，共計(jì)92 個(gè)波長。

根據(jù)表6亞油酸含量光譜數(shù)據(jù)排名前10的波長間隔區(qū)間選出的波點(diǎn)范圍為92～120、137～151、175～189、198～212、465～492，圖3顯示，RMSECV最低點(diǎn)對應(yīng)的組合間隔為1，因此，最后選出作為特征波長的波段為1 191.37～1 283.21、1 338.93～1 384.79、1 463.33～1 509.08、1 538.46～1 584.11、2 390.04～2 472.90 nm，共計(jì)102 個(gè)波長。

2.4 PLSR模型的建立

采用PLSR方法建模是從自變量和因變量的矩陣中提取偏最小二乘成分，從而有效降低數(shù)據(jù)維數(shù)，消除自變量之間可能存在的復(fù)雜共線關(guān)系，從而顯著提高數(shù)據(jù)結(jié)果的可靠性和準(zhǔn)確性[33]。通過對多種光譜預(yù)處理方法和IRF變量優(yōu)選方法進(jìn)行對比分析可知，對于油酸和亞油酸2 種脂肪酸光譜，其PLSR分析模型的精度和復(fù)雜度的最優(yōu)處理方法有所不同。

由表6～7可知，建立的灘羊肉中油酸含量PLSR模型的校正集Rc最高為0.871 6，對應(yīng)的RMSECV為7.344 2，對應(yīng)的光譜預(yù)處理方法為MSC-IRF。對于亞油酸含量PLSR模型，采用不同的光譜預(yù)處理方法對IRF算法提取的特征波長進(jìn)行處理，其中原始光譜、一階導(dǎo)數(shù)和S-G平滑預(yù)處理后建立的PLSR模型Rc均在0.9以上。

分別對2 種脂肪酸含量的測試集樣本進(jìn)行預(yù)測分析，其中油酸含量PLSR模型的Rp普遍較低，MSC處理后的Rp最高，為0.516 2，RMSEP為8.058 0，因此該模型沒有實(shí)際應(yīng)用意義。亞油酸含量PLSR模型的Rp可達(dá)到0.9以上，其中Rp最高為0.987 9，對應(yīng)的RMSEP為0.012 2，標(biāo)準(zhǔn)誤差為0.112 3。

由圖4～5可知，亞油酸含量的參考值和預(yù)測值之間存在較好的線性相關(guān)性。將建立的亞油酸含量IRF-PLSR模型用于30 個(gè)灘羊肉樣本的亞油酸含量預(yù)測，并利用氣相色譜法測定亞油酸含量，模型預(yù)測結(jié)果與氣相色譜法分析結(jié)果相近，樣本實(shí)測值與預(yù)測值的均方差為0.016 2，各應(yīng)用樣本的相對誤差均小于2.5%，該模型可用于實(shí)際生產(chǎn)中。

3 結(jié) 論

基于NIRS技術(shù)，采用6 種光譜預(yù)處理方法并結(jié)合IRF算法對灘羊肉中油酸和亞油酸含量建立不同的PLSR預(yù)測模型，結(jié)果表明：1）油酸含量的PLSR預(yù)測模型Rc最高為0.889 5，最優(yōu)預(yù)處理方法為SNV結(jié)合一階導(dǎo)數(shù)，但其Rp較低，經(jīng)IRF算法運(yùn)行后，模型的Rc均有所下降，因此，建立的PLSR模型及IRF-PLSR模型不適用于灘羊肉中油酸含量的預(yù)測，后續(xù)需要尋找更為合適的光譜處理方法;2）經(jīng)比較，亞油酸含量的PLSR預(yù)測模型具有較好的預(yù)測能力，其中，基于IRF算法提取的特征波長建立的模型比使用全波長建立的模型相關(guān)性好，校正集Rc最高達(dá)到0.991 2，相應(yīng)的RMSECV為0.011 8、預(yù)測集Rp為0.987 9、RMSEP為0.012 2，并且應(yīng)用該模型進(jìn)行30 個(gè)樣品的預(yù)測，所得結(jié)果與氣相色譜測得的結(jié)果接近。因此，該方法有望成為灘羊肉中亞油酸含量的快速分析方法之一。

參考文獻(xiàn)：

[1] 趙曉勇， 牛文智. 寧夏灘羊發(fā)展現(xiàn)狀的分析與思考[J]. 中國草食動(dòng)物， 2008， 28（1）： 50-51. DOI：10.3969/j.issn.2095-3887.2008.01.023.

[2] 梁勇， 閔慶文. 寧夏重要農(nóng)業(yè)文化遺產(chǎn)的保護(hù)與利用研究[J]. 自然與文化遺產(chǎn)研究， 2019， 4（11）： 96-100. DOI：10.19490/j.cnki.issn2096-698X.2019.11.096-100.

[3] 崔磊， 楊芳， 李玉鳳. 寧夏鹽池灘羊產(chǎn)業(yè)發(fā)展現(xiàn)狀及策略分析[J].?安徽農(nóng)業(yè)科學(xué)， 2014， 42（16）： 5261-5263. DOI：10.13989/j.cnki.0517-6611.2014.16.114.

[4] LUCARINI M， SACCANI G， DEVOLI L， et al. Micronutrients in Italian ham： a survey of traditional products[J]. Food Chemistry， 2013， 140（40）： 837-842. DOI：10.1016/j.foodchem.2012.10.020.

[5] 李昊， 葛翠翠， 馮帆， 等. 脂肪酸在育肥灘羊、小尾寒羊及灘寒雜交羊肌肉組織中的含量特征[J]. 食品研究與開發(fā)， 2019， 40（3）：?165-169. DOI：10.3969/j.issn.1005-6521.2019.03.028.

[6] 羅玉龍， 趙麗華， 王柏輝， 等. 蘇尼特羊不同部位肌肉揮發(fā)性風(fēng)味成分和脂肪酸分析[J]. 食品科學(xué)， 2017， 38（4）： 171-175. DOI：10.7506/spkx1002-6630-201704026.

[7] 米璐， 謝遇春， 車天宇， 等. 烏珠穆沁羊不同部位肌肉脂肪酸含量比較研究[J]. 中國畜牧雜志， 2018， 54（12）： 62-66. DOI：10.19556/j.0258-7033.2018-12-062.

[8] 徐廣通， 袁洪福， 陸婉珍. 現(xiàn)代近紅外光譜技術(shù)及應(yīng)用進(jìn)展[J]. 光譜學(xué)與光譜分析， 2000， 20（2）： 134-142. DOI：10.3321/j.issn：1000-0593.2000.02.003.

[9] 孫通， 徐惠榮， 應(yīng)義斌. 近紅外光譜分析技術(shù)在農(nóng)產(chǎn)品/食品品質(zhì)在線無損檢測中的應(yīng)用研究進(jìn)展[J]. 光譜學(xué)與光譜分析， 2009， 29（1）： 122-126. DOI：10.3964/j.issn.1000-0593（2009）01-0122-05.

[10] LI Wenwen， LIN Min， ZHANG Yu. Application of wavelet transform and neural network in near infrared spectroscopy analysis in pork[C]//IEEE 2016 Sixth International Conference on Instrumentation and Measurement， Computer， Communication and Control （IMCCC）， Harbin， China， 2016： 826-829. DOI：10.1109/IMCCC.2016.117.

[11] 花錦， 趙悠悠， 高媛惠， 等. 基于近紅外技術(shù)快速測定不同鮮肉中脂肪含量[J]. 光譜學(xué)與光譜分析， 2017， 37（11）： 3424-3429. DOI：10.3964/j.issn.1000-0593（2017）11-3424-06.

[12] 黃偉， 楊秀娟， 曹志勇， 等. 應(yīng)用近紅外光譜檢測滇南小耳豬肉化學(xué)組分含量[J]. 云南農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)）， 2016， 31（2）： 303-309. DOI：10.16211/j.issn.1004-390X（n）.2016.02.017.

[13] YANG Yi， ZHUANG Hong， YOON S C， et al. Quality assessment of intact chicken breast fillets using factor analysis with Vis/NIR spectroscopy[J]. Food Analytical Methods， 2018， 11（5）： 1356-1366. DOI：10.1007/s12161-017-1102-0.

[14] BALAGE J M， DA LUZ E SILVA S， GOMIDE C A， et al. Predicting pork quality using Vis/NIR spectroscopy[J]. Meat Science， 2015， 108： 37-43. DOI：10.1016/j.meatsci.2015.04.018.

[15] 白京， 李家鵬， 鄒昊， 等. 近紅外光譜定性定量檢測牛肉漢堡餅中豬肉摻假[J]. 食品科學(xué)， 2019， 40（8）： 295-300. DOI：10.7506/spkx1002-6630-20180802-016.

[16] REIS M M， MART?NEZ E， SAITUA E， et al. Non-invasive differentiation between fresh and frozen/thawed tuna fillets using near infrared spectroscopy （Vis-NIRS）[J]. LWT-Food Science and Technology， 2017， 78： 129-137. DOI：10.1016/j.lwt.2016.12.014.

[17] KAMRUZZAMAN M， SUN D W， ElMASRY G， et al. Fast detection and visualization of minced lamb meat adulteration using NIR hyperspectral imaging and multivariate image analysis[J]. Talanta， 2013， 103（15）： 130-136. DOI：10.1016/j.talanta.2012.10.020.

[18] RADY A， ADEDEJIA A. Assessing different processed meats for adulterants using visible-nearinfrared spectroscopy[J]. Meat Science， 2018， 136： 59-67. DOI：10.1016/j.meatsci.2017.10.014.

[19] L?PEZ-MAESTRESALAS A， INSAUSTI K， JAR?N C， et al. Detection of minced lamb and beef fraud using NIR spectroscopy[J]. Food Control， 2019， 98： 465-473. DOI：10.1016/j.foodcont.2018.12.003.

[20] PUIIANAGARI R R， YULE I J， AGNEW M. On-line prediction of lamb fatty acid composition by visible near infrared spectroscopy[J]. Meat Science， 2015， 100： 156-163. DOI：10.1016/j.meatsci.2014.10.008.

[21] CASCANT M M， BREIL C， FABIANO-TIXIER A S， et al. Determination of fatty acids and lipid classes in salmon oil by near infrared spectroscopy[J]. Food Chemistry， 2018， 239： 865-871. DOI：10.1016/j.foodchem.2017.06.158.

[22] 牛曉穎， 邵利敏， 趙志磊， 等. 鮮肉中不飽和脂肪酸近紅外檢測方法優(yōu)化[J]. 光譜學(xué)與光譜分析， 2019， 39（2）： 443-447. DOI：10.3964/j.issn.1000-0593（2019）02-0443-05.

[23] 中華人民共和國國家衛(wèi)生和計(jì)劃生育委員會(huì)， 國家食品藥品監(jiān)督管理總局. 食品安全國家標(biāo)準(zhǔn) 食品中脂肪酸的測定：?GB 5009.168—2016[S]. 北京： 中國標(biāo)準(zhǔn)出版社， 2016.

[24] BOSELLI E， CABONI M F， RODRIGUEZ-ESTRADA M T， et al. Photoxidation of cholesterol and lipids of turkey meat during storage under commercial retail conditions[J]. Food Chemistry， 2005， 91（4）： 705-713. DOI：10.1016/j.foodchem.2004.06.043.

[25] 布魯克光譜儀器公司. 近紅外光譜分析的基本原理[EB/OL]. 上海： 布魯克光譜儀器公司上海代表處. （2017） [2020-01-19]. https：//www.docin.com/p-1999895574.html.

[26] 焦方金. RS算法原理及對比分析[J]. 科技信息（學(xué)術(shù)版）， 2008（9）： 35-37.

[27] 褚小立， 袁洪福， 陸婉珍. 近紅外分析中光譜預(yù)處理及波長選擇方法進(jìn)展與應(yīng)用[J]. 化學(xué)進(jìn)展， 2004， 16（4）： 528-542. DOI：10.3321/j.issn：1005-281X.2004.04.008.

[28] BARNES R J， DHANOA M S， LISTER S J. Standard normal variate transformation and de-trending of near-infrared diffuse reflectance spectra[J]. Applied Spectroscopy， 2016， 43（5）： 772-777. DOI：10.1366/0003702894202201.

[29] YUN Yonghuan， LI Hongdong， WOOD L R E， et al. An efficient method of wavelength interval selection based on random frog for multivariate spectral calibration[J]. Spectrochimica Acta Part A： Molecular and Biomolecular Spectroscopy， 2013， 111： 31-36. DOI：10.1016/j.saa.2013.03.083.

[30] 褚小立， 許育鵬， 陸婉珍. 偏最小二乘法方法在光譜定性分析中的應(yīng)用研究[J]. 現(xiàn)代儀器與醫(yī)療， 2007， 13（5）： 13-15. DOI：10.3969/ j.issn.1672-7916.2007.05.005.

[31] 陳素彬， 胡振， 張曉琪， 等. 軟件技術(shù)在近紅外光譜定量分析中的應(yīng)用[J]. 化學(xué)教育（中英文）， 2018， 39（16）： 62-67. DOI：10.13884/j.1003-3807hxjy.2017100073.

[32] 丁佳興. 基于高光譜和激光誘導(dǎo)熒光高光譜技術(shù)的貯藏期靈武長棗主要可溶性糖檢測研究[D]. 銀川： 寧夏大學(xué)， 2018.

[33] 梁逸增， 俞汝勤. 分析化學(xué)手冊（第十分冊）： 化學(xué)計(jì)量學(xué)[M]. 北京： 化學(xué)工業(yè)出版社， 2000.