编辑推荐：
南美白对虾（Litopenaeus vannamei）易变质，传统检测 TVB-N 评估新鲜度的方法繁琐、耗时且有破坏性。研究人员融合近红外（NIR）和拉曼光谱及机器学习策略构建预测模型，结果表明融合策略可提升预测性能，为对虾质量控制提供技术支持。
在美食的世界里，南美白对虾凭借其鲜美的口感和丰富的营养，深受人们喜爱。但它就像个 “娇弱的小公主”，在收获、运输和储存过程中，极易因自身的生化反应和微生物 “捣乱” 而变质。这不仅让虾的美味大打折扣，还可能危害人们的健康，更给全球贸易经济带来不小的麻烦。
为了守护南美白对虾的 “新鲜秘密”，准确评估它的新鲜度就显得至关重要。总挥发性盐基氮（TVB-N）是衡量虾新鲜度的关键指标，然而传统检测方法操作繁琐、耗时久，还得把虾 “大卸八块”，属于破坏性检测，实在是 “不太友好”。
在这样的背景下，国内研究人员开启了一场探索之旅。他们的目标很明确，就是要找到一种快速、无损的方法来评估南美白对虾的 TVB-N 含量，从而实现对其新鲜度的精准判断。
研究人员从青岛的海洋养殖场请来了 600 只健康、完好无损的南美白对虾 “小嘉宾”。这些虾被迅速 “护送” 到实验室，经过处理后用于后续研究。在研究过程中，研究人员用到了几种关键技术方法。首先是近红外（NIR）光谱技术和拉曼光谱技术，它们就像两个 “小侦探”，能从不同角度发现虾的 “秘密”。NIR 光谱基于氢键功能基团的特定吸收光谱来获取信息，拉曼光谱则通过分子和光子的非弹性散射生成指纹光谱。此外，研究人员还运用了卷积神经网络（Convolutional Neural Network，CNN）、极限学习机（Extreme Learning Machine，ELM）和反向传播（Backpropagation，BP）这三种机器学习方法，结合不同的数据融合策略，构建 TVB-N 含量预测模型。
样本准备与 TVB-N 分析
研究用的南美白对虾来自青岛的海洋养殖场，收获后通过冷链物流迅速运至实验室，并在 0°C 冰 - 水混合物中快速安乐死。挑选出 600 只体长 16 - 18cm 的健康虾用于实验。TVB-N 是虾类蛋白质分解产生的胺、氨等含氮化合物的总称，是评估虾新鲜度的关键指标。虾类在自溶酶和细菌作用下，蛋白质分解产生 TVB-N，其含量变化可反映虾的新鲜程度。
模型构建与结果分析
研究人员基于不同光谱数据策略，构建了 CNN、ELM 和 BP 模型来预测 TVB-N 含量。在特征提取方面，NIR 模型结合 SPA 特征提取，预测决定系数 R2p达到 0.864；拉曼模型结合 GA 特征提取，R2p为 0.784，二者分别是各自光谱的最优特征级预测模型。
在数据融合策略的探索中，中级数据融合策略与 ELM 模型相结合时，展现出最佳预测性能，R2p达到 0.986，预测均方根误差 RMSEP 为 0.677mg/100g。经特征选择算法优化的特征级融合模型，R2值都超过 0.96。这表明数据融合策略有效整合了 NIR 和拉曼光谱的优势，大大提升了预测的准确性。
研究结论与意义
研究结果表明，NIR 光谱对 TVB-N 有较好的响应特性，R2p为 0.892，而双光谱融合（中级数据融合策略）通过互补效应显著提高了预测性能。这意味着，研究人员成功找到了一种高效的方法，基于拉曼和 NIR 光谱融合策略，能够快速、准确地估算南美白对虾的 TVB-N 值，实现对其新鲜度的无损、实时监测。
这项研究成果意义重大。它为虾类产品的质量控制提供了科学、可靠、高效的技术支持和理论基础，有望推动便携式光谱分析仪在虾类新鲜度在线监测中的应用。这不仅能帮助商家更好地把控虾类产品质量，减少因变质带来的经济损失，还能让消费者随时买到新鲜、安全的虾，为保障食品安全贡献力量。未来，随着技术的不断完善，或许在市场、超市里，人们可以轻松用便携式设备检测虾的新鲜度，让美食体验更安心、更便捷。
