基于高光谱成像与SHAP增强卷积神经网络的牛肉氧化指标快速检测研究

《Journal of Food Composition and Analysis》：Rapid detection of beef oxidation indicators using hyperspectral imaging and SHAP-enhanced CNN

　　

专业术语翻译的论文摘要 本研究开发了一种基于高光谱成像（hyperspectral imaging, HSI）与深度学习相结合的快速检测框架，用于评估牛肉氧化状态。研究人员以西门塔尔牛（Simmental cattle）牛肉样品为研究对象，在4°C条件下储存0至8天，并对关键氧化指标进行了定量测定。HSI数据采集覆盖400–1000 nm和900–1700 nm两个光谱范围，结合特征波长选择方法，建立了高精度的牛肉氧化预测模型。研究结果表明，基于卷积神经网络（convolutional neural network, CNN）的HSI模型在预测性能上优于传统回归模型，同时，通过SHAP（SHapley Additive exPlanations）分析识别出关键光谱特征，尤其是与氨基酸相关的吸收波段。该研究为牛肉品质评估提供了技术解决方案，也为高光谱成像技术在食品分析领域的应用提供了参考依据。

论文解读文章

一、研究背景与问题

牛肉作为全球消费量最大的肉类品类，其品质安全直接关系到消费者健康与食品产业链的可持续发展。在牛肉宰后储存或成熟过程中，脂质氧化是导致肉色劣变的主要原因。脂质氧化产物与氨基酸发生反应，引起蛋白质结构改变，进而影响肉品品质。因此，建立快速、准确、无损的检测技术来评估牛肉氧化指标，对于保障产品质量稳定性和延长货架期具有重要的科学价值与应用前景。

高光谱成像技术（hyperspectral imaging, HSI）因其能够同时获取目标物体的空间图像与光谱特征，近年来在食品品质评估领域展现出广阔的应用潜力。通过分析400–2500 nm范围内的反射光谱，HSI可同时表征化学成分与微观结构，为氧化指标的实时监测提供了创新途径。已有研究证实了HSI结合深度学习在肉品品质评价中的可行性，例如实现对冷藏牛肉中嗜冷菌生长的实时监测，以及通过特征波长选择改进牛肉品种识别等。

然而，现有研究仍存在若干局限性。大多数研究聚焦于单一储存条件或孤立的氧化指标，忽视了高压保鲜对肉品结构和光谱特征的影响。氧化指标往往被独立建模，缺乏统一的理化解释框架。此外，尽管深度学习模型取得了较高的预测精度，但其“黑箱”特性限制了机理理解与实际应用的可靠性。已有研究多在大气压条件下利用单一指标（如TVB-N或菌落总数）验证HSI用于牛肉新鲜度检测的可行性，但系统探索压力调控条件下氧化动态的研究仍然缺乏。

二、研究内容与结论

针对上述局限性，本研究提出了“光谱-压力-氧化”协同分析框架。研究人员有意引入超高压处理（high-pressure processing, HPP）这一新兴非热保鲜技术，以构建更具挑战性和工业相关性的研究场景。HPP已知会诱导肉品产生复杂的理化变化，表现为光谱数据中的非线性畸变，而传统线性预测模型往往难以应对此类挑战。为此，研究采用双压力储存系统（常压vs. 200 MPa HPP），以捕捉压力特异性光谱响应。研究构建了整合巯基、脂肪酸、氨基酸和TVB-N的多指标氧化模型，以捕捉不同胁迫条件下蛋白质与脂质的协同氧化作用。研究核心假设是：先进的CNN架构对于有效建模HPP诱导的复杂非线性光谱模式是必要的，尤其是与主成分回归（principal component regression, PCR）和多元线性回归（multiple linear regression, MLR）等更简单的线性方法相比。此外，研究将机制驱动的SHAP解释应用于最优模型，将决定性光谱波长与特定生化变化联系起来，从而将SHAP从通用特征选择工具转变为压力影响氧化途径的机制解码器。

三、关键技术方法

研究人员从宁夏牧泉畜牧有限公司提供的8头西门塔尔牛背最长肌获取牛肉样品，剔除可见脂肪和结缔组织后，每块原始肌肉样品分为3个子样品，共获得24个初始物理子样品。高压处理采用SHPP-10L系统，条件为500 MPa、持续5分钟。所有样品经低密度聚乙烯（LDPE）自封袋单独包装，于4°C储存。在储存第0、2、4、6、8天进行品质分析和高光谱成像，共获得120个样品-时间观测数据。关键指标测定包括：总巯基含量（Solarbio试剂盒，412 nm吸光度）、脂肪酸组成（气相色谱法）、TVB-N（GB 5009.228–2016标准，凯氏定氮仪）、氨基酸含量（氨基酸分析仪）。高光谱数据采集采用两套成像系统：可见-近红外系统（GaiaField-F-V10，400–1000 nm，176波段）和近红外系统（ImSpector N17E，900–1700 nm，256波段）。光谱预处理方法包括归一化、基线校正、标准正态变量变换（standard normal variate, SNV）和去趋势处理。特征波长提取采用竞争自适应重加权采样（competitive adaptive reweighted sampling, CARS）、遗传算法-偏最小二乘（genetic algorithm-partial least squares, GAPLS）、无信息变量消除（uninformative variable elimination, UVE）、连续投影算法（successive projections algorithm, SPA）和区间变量迭代空间收缩法（interval variable iterative space shrinkage approach, iVISSA）五种算法。建模方法包括PCR、MLR和一维卷积神经网络（1D-CNN）。数据集按3:1分为校正集和预测集，划分尽可能在动物水平进行以避免数据泄漏，校正集内采用五折交叉验证进行参数优化。

四、研究结果

预处理方法优化。 对于常压400–1000 nm光谱，归一化处理效果最优（R_p=0.8109，RMSEP=0.1315）；常压900–1700 nm光谱采用基线校正效果最佳（R_p=0.8620，RMSEP=0.1222）；高压400–1000 nm光谱以SNV为最优预处理方法（R_p=0.8272，RMSEP=0.2168）；高压900–1700 nm光谱同样以基线校正表现最佳（R_p=0.8937，RMSEP=0.1857）。研究针对每种光谱-压力组合优化预处理方法，而非对所有数据集采用固定流程，这一自适应策略对于工业应用至关重要。

特征波长提取。 常压400–1000 nm条件下，SPA算法表现最优（R_p=0.9587，RMSEP=0.0642），其逐步投影策略有效缓解了光谱变量间的多重共线性；常压900–1700 nm条件下，CARS算法表现最佳（R_p=0.8847，RMSEP=0.1128），通过自适应采样策略逐步消除无关波长；高压400–1000 nm条件下，CARS算法表现最优（R_p=0.9467，RMSEP=0.1199），有效滤除了压力诱导的噪声；高压900–1700 nm条件下，iVISSA算法表现最佳（R_p=0.9416，RMSEP=0.1405），通过迭代子集评估稳健捕捉微弱吸收峰。跨条件分析揭示了双光谱范围的协同效应：可见光区（400–1000 nm）互补蛋白质氧化特征，近红外区（900–1700 nm）互补脂质氧化特征，形成连贯的氧化评估框架。

模型比较。 常压400–1000 nm条件下，CNN模型预测精度最高（R_p=0.9729，RMSEP=0.0591，RPD=4.3248），表明可见光谱特征与氨基酸含量之间主要为非线性关系；常压900–1700 nm条件下，CNN模型校正性能优异（R_c=0.9556），预测精度与PCR相当；高压400–1000 nm条件下，CNN模型表现最优（R_p=0.9524，RMSEP=0.1140），有效补偿了压力诱导的光谱畸变；高压900–1700 nm条件下，CNN模型性能卓越（R_p=0.9639，RMSEP=0.0983，RPD=3.7557），在压力诱导光谱畸变与高化学复杂性并存的条件下，深度非线性特征提取优势尤为明显。

SHAP可解释性分析。 常压400–1000 nm条件下，818.75 nm、965.96 nm和902.69 nm波长具有最高SHAP值，分别对应蛋白质/脂质中C-H伸缩三级倍频、水的O-H伸缩二级倍频等吸收区域。常压900–1700 nm条件下，939.10 nm、952.10 nm和893.50 nm为关键波长，对应水的O-H伸缩倍频和脂质/蛋白质的C-H伸缩倍频，1500–1700 nm区域与氨基酸和酰胺基团的N-H一级倍频相关。高压400–1000 nm条件下，关键波长集中于540–570 nm，与蛋白质构象变化和血红素氧化相关。高压900–1700 nm条件下，978.20 nm、861.00 nm和981.50 nm波长SHAP值分布广泛，978–982 nm对应水的O-H伸缩二级倍频，861 nm附近与脂质中C-H伸缩三级倍频相关。SHAP分析揭示，模型预测主要依赖波长区域而非孤立波段，高压条件使关键波长发生系统性偏移，将光谱重要性变化与压力诱导的蛋白质变性、血红素氧化、水-脂质-蛋白质相互作用及光散射变化联系起来。

五、讨论与结论

讨论部分指出，尽管本研究取得了令人满意的预测性能，但仍存在若干局限性。首先，虽然建模数据集包含120个样品-时间观测，但生物来源多样性仍限于8头动物，可能限制模型的泛化能力。其次，高光谱数据维度极高且CNN包含大量可训练参数，尽管采用了五折交叉验证、dropout和早停策略，仍存在过拟合风险。第三，未来需要使用来自不同品种、屠宰批次和储存条件的独立外部数据集进行验证，该框架才能被认为可广泛应用于实际品质评估。

研究结论表明，本研究利用高光谱成像结合化学计量学建模、深度学习和SHAP解释，评估了常压和高压储存条件下牛肉的氧化指标。基于8头牛采集的120个样品-时间观测数据，结果表明1D-CNN模型在预测氧化相关品质属性方面总体上优于PCR和MLR，显示出更强的捕捉高光谱数据中非线性关系的能力。SHAP分析通过突出与氧化相关光谱变异相关的关键波长区域，进一步提高了模型的可解释性。总体而言，所提出的HSI-CNN-SHAP框架为在不同保鲜条件下监测牛肉氧化提供了一种有前景的无损且可解释的策略。然而，由于生物样品多样性仍有限，未来研究应纳入更大、更多样化的独立数据集，以进一步验证所提出方法的稳健性、可迁移性和实际适用性。