基于中波近红外光谱构建生鲜鸡肉胆固醇定量分析模型

王　辉，田寒友，张顺亮，邹　昊，刘　飞，李文采，李家鹏，陈文华，乔晓玲

（中国肉类食品综合研究中心，肉类加工技术北京市重点实验室，北京食品科学研究院，北京 100068）

基于中波近红外光谱构建生鲜鸡肉胆固醇定量分析模型

王辉，田寒友，张顺亮，邹昊，刘飞，李文采，李家鹏，陈文华，乔晓玲*

（中国肉类食品综合研究中心，肉类加工技术北京市重点实验室，北京食品科学研究院，北京 100068）

通过采集市售生鲜鸡肉样品在中波近红外区的光谱信息，采用偏最小二乘法构建胆固醇定量分析模型，并评价模型的预测准确性。在建模过程中，讨论异常样品剔除与组合预处理方法等优化措施对模型的影响。参模样品经2 次异常样本剔除并以SG（Savitzky-Golay）一阶导数、SG平滑及去趋势校正进行预处理后，获得了最佳生鲜鸡肉胆固醇定量分析模型，其中：校正标准差（standard error of calibration，SEC）为4.534 8、校正集相关系数为0.919 7、预测标准差（standard error of prediction，SEP）为7.437 5、验证集相关系数为0.812 0、范围误差比为2.844 7、相对预测标准差为9.44%、主因子数为5、SEP/SEC为1.640 1。对检验集样品预测的结果表明，基于中波近红外光谱构建的胆固醇定量分析模型的预测性能较好（P＞0.05），特别是在60～100 mg/100 g含量区间，可应用于对市售生鲜鸡肉及产品胆固醇的检测。

近红外光谱；中波区；生鲜鸡肉；胆固醇；定量分析

胆固醇是一种广泛存在于动物组织中的固醇类物质，具有维持机体正常生理功能的重要作用，人体通过摄入动物源性食物而获取约30%的外源性胆固醇［1-2］。目前，鸡肉是我国使用量较大的禽类原料，广泛应用于各式菜肴、快餐及速食产品中。由于受到种类、性别、成熟度、日粮水平、饲养方式等因素的影响，其胆固醇含量也存在较大的差异［3-11］。通常根据胆固醇含量的不同，将含量低于100 mg/100 g、介于100～200 mg/100 g之间、高于200 mg/100 g的鸡肉及肉制品分为低、中、高3 个等级，过多摄入导致的胆固醇积累使心脑血管疾病成为我国居民的常见病［12-16］。

我国目前对胆固醇的分析与检测，主要采用高效液相色谱法和气相色谱法，其优点是准确性和重复性好，但在效费比、人员要求及物料损耗上已满足不了企业对原料选择、过程跟踪及品质控制等方面对效率和成本的要求。作为一种新兴的检测分析技术，近红外光谱技术已逐渐应用于农业、食品、制药、石化等诸多领域，其在费用、效率、操作、成本、精准度及损耗方面的优势使其在定性和定量分析中的应用满足了胆固醇测定的各方面需求［17-18］。

胆固醇是由甾醇和一段烷基链组成的，可通过中波近红外光谱（1 100～1 800 nm）提取其含H基团的光谱信息构建预测胆固醇含量的定量分析模型［19］。目前国内外关于近红外光谱检测分析肉与肉制品理化和感官指标的文献中，鲜见关于近红外光谱定量分析胆固醇含量的报道。

本研究采用生鲜鸡胸肉为实验原料，基于中波近红外光谱对其中胆固醇含量进行快速无损检测并建立定量分析模型，为其在禽类营养健康控制、原料肉分级、生产过程监控、产品品质控制等方面的应用提供理论依据和可行性分析。

1　材料与方法

1.1材料与试剂

本实验所用原料为排酸12 h的市售鸡胸肉样品294 份，购自北京地区的集贸市场、超市。样品采购当日，沿肌肉纤维垂直方向将鸡胸肉较厚端切除1～1.5 cm，使肌肉纤维暴露出来，经修饰后的样品尺寸为3 cm×3 cm×5 cm，置于4 ℃条件下备检。

1.2仪器与设备

SupNIR-1520型便携式近红外光谱分析仪 聚光科技（杭州）股份有限公司；TRACE 1310型气相色谱仪美国Thermo Scientifi c公司。

1.3方法

1.3.1胆固醇含量测定

根据GB/T 9695.24—2008《肉与肉制品：胆固醇含量测定》的要求进行检测。

1.3.2光谱信息采集及样品集划分

待测样品在信息采集过程中保持在（4±0.5）℃，环境温度为（25±0.5）℃，湿度为50%～60%。采集光谱信息时，吸去样品横截面上的水并紧贴于检测探头上。仪器参数：检测光源为钨灯；探头模式为平面漫反射；光谱采集窗口直径为32 mm；光斑直径为20 mm；扫描波段为1 100～1 799 nm；分辨率为10 nm；波长准确性为0.2 nm；波长重复性为±0.05 nm；吸光噪声小于50 μA；间隔为5 s；扫描次数为10 次；同一样品采集2 次光谱信息，取均值作为原始光谱。将采集的信息与待测样品的参比值（reference value，RV）一一对应构成参试样品集（sample set，SS），并按照KS（Kennard-Stone）法［20］以3∶1∶1，划分为校正集（calibration set，CS）、验证集（validation set，VS）和检验集（test set，TS）。

1.3.3模型性能评价原则

根据一般模型评价的规则，校正标准差（standard error of calibration，SEC）、预测标准差（standard error of prediction，SEP）越小且相互间越接近越好，校正集相关系数（Rc）和验证集相关系数（Rp）越接近1越好，主因子数（principal factor，PF）较少，SEP/SEC小于1.2，范围误差比（ratio of performance to standard deviate，RPD）大于2.5，相对预测标准差（relative standard error of prediction，RSEP）不大于10%，以上述模型参数作为模型性能的评价指标［19-21］，筛选并确定最佳光谱预处理方法和最优定量分析模型。以上指标按公式（1）～（4）计算：

式中：yi为样品i的标准理化分析方法RV；ŷi为样品i的近红外光谱法预测值（prediction value，PV）；ym为标准理化分析方法RV的均值；nc为校正集样品数；np为验证集样品数；k为回归因子数；Bias为系统偏差。

1.3.4最优定量分析模型建立

1.3.4.1模型的预建

采用RIMP软件中的均值中心化（mean centering，MC）、标准化（autoscaling，AS）、SG求导（Savitzky-Golay derivative，SGD）、差分求导（difference derivation，DD）、SG平滑（Savitzky-Golay Smoothing，SGS）、标准正态变量交换（standard normalized variate，SNV）、多元散射校正（multiplicative scatter correction，MSC）、净分析信号（net signal analysis，NSA）、正交信号校正（orthogonal signal correction，OSC）、去趋势校正（de-trending，DT）及基线校正（baseline correction，BC）共11 种预处理方法处理光谱，并利用RIMP软件建立偏最小二乘（partial least squares，PLS）法定量分析模型。

1.3.4.2模型的优化

对模型进一步优化，采用学生残差（studentized residual，SR）、马氏距离（mahalanobis distance，MD）及二审剔除判别法对参试样品集中的疑似异常样品进行分析和剔除［22-24］，即对经SR和MD对光谱的甄别和分析后判定的疑似异常样品，并不立即将其从CS中剔除，而是每次将其中一个放回CS中，进行一次PLS法运算，如果该样品仍被判为异常，则将其从CS中永久剔除，反之则保留。剔除异常样品后再用组合预处理方法对样品光谱进行处理。

1.3.5检验集样品的预测

应用最优定量分析模型预测检验集样品，以T检验来判断未知样品的RV与PV之间是否存在差异，并用预测误差率（error rate of prediction，ERP）来判断预测精准度，按公式（5）计算ERP：

2　结果与分析

2.1光谱分析及样品集划分

由图1A可以看出，鸡肉参试样品在近红外光谱中波区有良好的光谱响应，不同胆固醇含量的样品在此区间内有大量而且相对集中的谱线，其峰高的吸光度在0.45～0.71之间［19］。各样品的谱线波形相近但不完全重合，由此也可看出批量样品的光谱在近红外光谱中波区内差异性与连续性并存。

由图1B可知，鸡肉的胆固醇含量在50～130 mg/100 g之间，但样品大量集中在60～100 mg/100 g范围内，其他含量区间的样品量较少，这是由于品种、日粮水平、饲养方式等因素不同而导致的［10-11］，由此也可看出参试样品分布范围较广、代表性较强。

图1　鸡肉样本近红外光谱图（A）和胆固醇参比值分布图（B）Fig.1　NIR spectra of chicken samples （A） and distribution of cholesterol reference values （B）

SS的胆固醇含量分布区间为52.7～121.1 mg/100 g，含量差异为68.4 mg/100 g，根据KS法划分的CS、VS和TS的胆固醇含量参比值均在SS的参比值范围内，结果见表1。

表1　胆固醇参比值统计表Table1　List of cholesterol reference values

2.2最优定量分析模型建立

通过预处理方法来恢复或校正待测样品光谱背景造成的失真，复原其表观光谱至接近真实光谱，在此基础上建立PLS模型，如模型性能未达到预期效果，再通过对建模过程中异常样本的分析和剔除及利用不同的预处理组合方法处理样品光谱等模型优化和筛选手段，来改善模型的可靠性和稳定性以获取最佳定量分析模型。

2.2.1模型的预建

采用数据增强算法、导数算法、平滑算法及信号校正算法4 类预处理方法对由系统或随机误差造成的样品光谱失真进行校正，以降低噪声并提高有效信息率。由表2可看出，经过不同预处理方法处理后，各模型的适配范围和预测能力有明显差别，其中DD、NSA、DT及BC方法预处理后构建模型的Rc和SEC均优于对照组（Rc=0.816 6、SEC=7.644 8），但其Rp和SEP均不及对照组。而采用SGS、OSC处理后所构建的模型Rp和SEP均优于对照组（Rp=0.771 8、SEP=8.155 4），而Rc和SEC则均不及对照组。只有SG一阶导数（SG 1stD）所构建的模型Rc、Rp及SEC、SEP均优于对照组，但其SEP/SEC小于对照组。而MC除SEP/ SEC和PF外，Rc、Rp及SEC、SEP均不及对照组。从表2可看出，所建模型的RPD均小于2.5，而从RSEP来看，所有模型均未满足小于10%的要求。由此可见，单一预处理方法所构建鸡肉胆固醇模型的预测性能整体上改善不明显，尤其是模型的分辨能力和预测准确性均未达到实际应用的要求，且在部分参数上还低于对照组。此外由于在样品集中可能存在疑似异常样本而未进行剔除，导致模型的预测准确率和容变能力较差，模型整体性能较差，因此需对定量模型进一步优化以改善其整体性能。

表2　不同预处理方法对模型的影响Table2　Effect of different preprocessing methods on the model

2.2.2模型的优化

通过表2可看出，单一预处理方法所构建的模型在可靠性和稳健性上没有达到预期的效果，需通过优化手段来改善其预测效果，本研究中模型优化方法主要采取剔除异常样品和组合预处理方法。将预建模型所使用的11 种预处理方法进行组合并处理样品光谱信息，如表3所示。

表3　不同组合预处理方法对模型的影响Table3　Effect of different combinations of preprocessing methods on the model

对比表2、3可看出，经组合预处理方法对样品光谱处理后所构建的模型对CS和VS的综合校正效果均优于单一预处理方法所建模型，此外在模型的分辨能力、预测准确率及稳健性上都有所改善。从表3可看出，经过不同组合预处理方法处理后，其中1～5、8号模型的SEC、Rc、SEP及Rp均优于对照组，说明以上这些预处理方法对光谱中的随机和系统背景进行了相应的校正，模型的适配范围、预测能力及预测准确性得到了提升，但RPD仍小于2.5，模型分辨能力较弱，而RSEP均小于10%，预测准确率达到预期标准。除2、6、8号外其他模型的SEP/ SEC均小于1.2，模型稳健性良好。6号模型预测效果相对较差，PF明显大于其他模型，可能是因为在组合预处理方法处理样品光谱过程中造成有效信息丢失。7号模型经组合方法处理后，其适配范围较小和预测效果较差，可能是由于样品集中存在影响模型预测性能的异常样品。运用组合预处理方法后，绝大部分模型在可靠性和稳健性上有所提升，但仍未达到最佳预测模型的效果，需进一步进行优化。

从表2、3可以看出，仅通过改变预处理方法无法满足优化模型和改善模型性能的要求，需对建模样品中的疑似异常样本进行分析。采用SR和MD分别对CS样品的光谱和PV进行分析，用二审剔除法确定并剔除异常样品，再利用组合预处理方法处理样品光谱信息。对CS异常样品进行一次和两次剔除后，再用表3中的组合预处理方法建立优化模型以判断利用剔除异常样本和组合预处理方法对模型的优化效果。

图2　第1、2次剔除校正集中异常样本在SRR（AA1、AA2）和MMDD（BB1、BB2）检验中的分布Fig.2　CS outliers scatter in SR （A1, A2） and MD （B1, B2） during the first and second elimination

通过图2A可看出，在对校正集样品进行第1次和第2次异常样品分析过程中，对PV进行的SR分析显示在校正集样品中分别存在4 个和3 个异常样品，均超过了SR的阈值，说明这7 个样品的PV误差较大。而在图2B中，这些样品光谱的MD均在阈值范围之内，说明这7 个样品的光谱未出现异常。此外，这7 个样品的PV并不是极值，其误差属于可靠性误差［19］，可先判断其为疑似异常样品。为避免误判，采用二次剔除判别法再分别对其进行一次PLS运算，最终这7 个样品仍被判定为异常样品，因此在第1次和第2次异常样品分析过程中将其分别剔除。

表4　剔除异常样本对模型的影响Table4　Effect of outlier elimination on the model

对经异常样品剔除后所构建的优化模型进行筛选，得到5 组效果较好模型，如表4所示。经过第1次异常样品剔除后，除2号外的其他模型Rc和Rp均有所提升，说明异常样本的剔除提高了建模数据的有效信息率及模型的可靠性，进而改善了模型的预测性能，而2号模型在Rc提升的条件下，预测能力下降，可能是因为所剔除异常样品的光谱信息没有异常，但是经剔除后导致该模型对样品光谱背景变化的容变性变差，使得预测能力和准确性下降。第2次剔除异常样品后，2、4、5号模型的Rc和Rp均有所提升，模型性能进一步得到改善，而1、3号模型则出现了与第1次剔除异常样品后所建2号模型的情况。通过与对照组的比较可以发现，采用优化措施处理后的模型在相应参数上得到了改善，但是由于异常样品的第1次和第2次剔除导致模型整体适配范围的降低，因此也导致了模型的稳健性下降。

2.3最优模型的筛选

表5　优化模型列表Table5　List of selected optimum models

通过对表2、3、4中的模型参数进行综合比较和分析，筛选出4 个性能较优的优化模型，见表5。根据1.3.3节所述模型评价原则对其评估，可看出表5中4号模型优于其他模型，其相关参数如下：对参试数据进行2 次异常样品剔除，预处理方法为SG 1stD、SGS及DT的组合方法，SEC=4.534 8、Rc=0.919 7、SEP=7.437 5、Rp=0.812 0、RPD=2.844 7、RSEP=9.44%、PF=5、SEP/SEC=1.640 1，数据表明该模型与表5中其他优化模型相比，校正集Rc和验证集Rp线性相关性显著且自身校正检验和外部预测检验误差最小，如图3A、B所示，只需5 个主因子即可包容超过背景的性质信息，如图3C所示，分辨能力和分析准确度最高，但由于剔除异常样本导致稳健性较差，可通过后期对模型进行修正时，向校正集中添加有代表性的样品对模型进行修正以扩充其适配范围［19］。

图3　最优鸡肉胆固醇定量分析模型中CS（A）和VS（B）的PV与RV的散点图及主因子数图（CC）Fig.3　Scatter diagram of predicted and reference values of CS （A） and VS （B） and PF number （C） of the optimum model

2.4样品的预测

上述最优鸡肉胆固醇定量分析模型对TS样品进行分析和预测。根据待检鸡肉样品胆固醇含量的范围，将其划分成6 个含量区间，以分析模型在各含量子区间内对样品胆固醇含量预测的准确性，如表6所示。

表6　不同含量区间内样品的预测Table6　Samples prediction in different concentration ranges

图1B中SS分为8 个含量区间，而表6中待测样品只有6 个含量区间，这是因为市售生鲜鸡肉的胆固醇含量范围为60～120 mg/100 g［10-11］，建模样品中出现50～60 mg/100 g和120～130 mg/100 g的样品并不常见，但为了增大模型的适配范围，增强模型对待测样品背景变化的容变能力，而将其作为代表性较强的样品保留在参模样品中。但在预测过程中，TS样品中没有含量极低和极高区间的样品，因此没有出现较为明显的“均值化”现象［20］。但在余下的6 个含量区间中，100～110 mg/100 g和110～120 mg/100 g区间的建模样品量少于其他4 个区间，模型对这2 个区间中待测样品的ERP均高于其他4 个区间，且110～120 mg/100 g区间的待测样品ERP也高于100～110 mg/100 g区间，这说明模型对于建模样品相对比较集中的含量区间内的待测样品具有较好的预测准确性。同理，从70～80 mg/100 g区间的3 个样品ERP对比也可看出，即使在相同的含量区间内，模型也会对建模样品较为集中的含量区段内的待测样品有较低的ERP。总体来看，对于待测样品ERP小于模型RSEP，其中在60～100 mg/100 g区间模型预测性能最好，而100～110 mg/100 g和110～120 mg/100 g区间样品的ERP接近RSEP上限，可通过向这2 个区间中添加代表性样品来扩展适配范围以提升预测准确率。

3　结 论

本研究采集294 份涵盖市售生鲜鸡肉胆固醇含量的样品，在中波近红外区提取其光谱信息，经过2 次异常样品的剔除，并以SG 1stD、SGS及DT的组合预处理方法处理样品光谱信息，可构建最佳鸡肉胆固醇定量分析模型。模型参数显示该模型的分辨能力、预测能力和准确性较好。对TS样品的预测表明，模型对于不同含量区间样品的预测效果不同，其中60～100 mg/100 g区间效果最好，即模型对CS样品越集中的含量区间的待测样品预测越准确，因此在进一步改善模型性能的工作中，需向其他含量区间加入有代表性的样品来达到扩展模型适配范围及增强预测能力的目的。本研究表明，基于中波近红外光谱的鸡肉胆固醇定量分析适用于对市售生鲜鸡肉胆固醇含量的分析检测和原料的筛选分级。

［1］ 高允生, 齐永秀, 姜隆梅, 等. 反相高效液相色谱法快速测定鹌鹑蛋黄胆固醇含量［J］. 营养学报, 2005, 27（1）： 72-74. DOI：10.3321/ j.issn：0512-7955.2005.01.019.

［2］ 孟亚娟, 贺稚非, 李洪军. 动物源胆固醇的生理功效及其开发应用的研究进展［J］. 食品工业科技, 2015, 36（5）： 388-391. DOI：10.13386/ j.issn1002-0306.2015.05.074.

［3］ 唐继高, 朱丽莉, 吴松成, 等. 不同日龄性别瑶山鸡肉营养成分分析［J］. 中国畜禽种业, 2014, 10（6）： 129-130. DOI：10.3969/ j.issn.1673-4556.2014.06.102.

［4］ 齐珂珂, 赵桂苹, 陈继兰, 等. 日粮ω6/ω3对爱拔益加肉仔鸡肉品质、血液脂质指标及脂肪酸组成的影响［J］. 动物营养学报, 2009, 21（4）： 525-533. DOI：10.3969/j.issn.1006-267x.2009.04.017.

［5］ 安文俊, 张丽, 庄苏, 等. 饲喂不同配比油脂饲料对肉鸡肉品质及肌肉中脂肪酸组成的影响［J］. 食品科学, 2011, 32（15）： 245-250.

［6］ SURIANI N W, PURNOMO H, ESTIASIH T, et al. Physicochemical properties, fatty acids profile and cholesterol content of indigenous manado chicken, broiler and spent hen meat［J］. International Journal of Chemtech Research, 2014, 6（7）： 3896-3902.

［7］ MUSA H H, CHEN G H, CHENG J H, et al. Comparative study of lipoprotein metabolism in chicken, Turkey and Quail［J］. Journal of Food Technology, 2006, 4（2）： 122-127.

［8］ SINGH S K, NIRANJAN P S, SINGH U B, et al. Effects of dietary supplementation of probiotics on broiler chicken［J］. Animal Nutrition and Feed Technology, 2009, 9（1）： 85-90.

［9］ COOPER R G, KLEWIEC J, MALECKI I, et al. Cholesterol content and fatty acid composition of fat from culled breeding ostriches（Struthio camelus）［J］. Animal Science Papers and Reports, 2003, 21（4）： 271-275.

［10］ 周贞兵, 陈冷椘, 黄涛, 等. 绞股蓝添加剂对肉鸡胆固醇和甘油三酯含量的影响［J］. 湖北农业科学, 2013, 52（4）： 883-885. DOI：10.3969/ j.issn.0439-8114.2013.04.037.

［11］ 王晓明, 徐汉文, 王在贵, 等. 日粮中复合添加剂水平对鸡肉中胆固醇含量的影响［J］. 安徽农业科学, 2005, 33（10）： 1870-1871. DOI：10.3969/j.issn.0517-6611.2005.10.052.

［12］ 冯翔. 食物的胆固醇, 孰高孰低［J］. 家庭医生, 2012（4）： 26-27.

［13］ 王庄林. 胆固醇与心血管疾病［J］. 中国保健食品, 2012（7）： 47-47.

［14］ 刘洋, 郭阳. 非高密度脂蛋白胆固醇与心脑血管疾病关系研究进展［J］. 中国卒中杂志, 2015, 10（9）： 799-803. DOI：10.3969/ j.issn.1673-5765.2015.09.016.

［15］ 王宇辉, 刘国庆. 胆固醇和甘油三酯代谢紊乱与代谢性心血管病的研究进展［J］. 中国医学前沿杂志（电子版）, 2012, 4（8）： 19-22. DOI：10.3969/j.issn.1674-7372.2012.08.005.

［16］ 王薇, 赵冬, 刘静, 等. 中国35～64 岁人群胆固醇水平与10 年心血管病发病危险的前瞻性研究［J］. 中华心血管病杂志, 2006, 34（2）：169-173. DOI：10.3760/j：issn：0253-3758.2006.02.018.

［17］ 袁天军, 王家俊, 者为, 等. 近红外光谱法的应用及相关标准综述［J］. 中国农学通报, 2013, 29（20）： 190-196. DOI：10.11924/ j.issn.1000-6850.2012-3657.

［18］ 刘发龙, 马新刚, 程福银, 等. 近红外光谱分析技术在快速分析上的应用［J］. 分析测试技术与仪器, 2008, 14（4）： 241-247. DOI：10.3969/ j.issn.1006-3757.2008.04.013.

［19］ 严衍禄. 近红外光谱分析的原理、技术与应用［M］. 北京： 中国轻工业出版社, 2013.

［20］ 刘伟, 赵众, 袁洪福, 等. 光谱多元分析校正集和验证集样本分布优选方法研究［J］. 光谱学与光谱分析, 2014, 34（4）： 947-951. DOI：10.3964/j.issn.1000-0593（2014）04-0947-05.

［21］ 金叶, 丁海樱, 吴永江, 等. 近红外光谱技术用于血必净注射液提取过程的在线检测研究［J］. 药物分析杂志, 2012, 32（7）： 1214-1221.

［22］ 闵顺耕, 李宁, 张明祥. 近红外光谱分析中异常值的判别与定量模型优化［J］. 光谱学与光谱分析, 2004, 24（10）： 1205-1209. DOI：10.3321/j.issn：1000-0593.2004.10.014.

［23］ 谢丽娟, 刘东红, 张宇环, 等. 近红外光谱技术定量测定杨梅汁可溶性固形物［J］. 光谱学与光谱分析, 2007, 27（7）： 1332-1335.

［24］ 史波林, 赵镭, 刘文, 等. 苹果内部品质近红外光谱检测的异常样本分析［J］. 农业机械学报, 2010, 41（2）： 132-137. DOI：10.3969/ j.issn.1000-1298.2010.02.027.

Establishment of Quantitative Analysis Model of Chicken Cholesterol Based on Medium-Wavelength Near-Infrared Spectroscopy

WANG Hui, TIAN Hanyou, ZHANG Shunliang, ZOU Hao, LIU Fei, LI Wencai, LI Jiapeng, CHEN Wenhua, QIAO Xiaoling*
（Beijing Key Laboratory of Meat Processing Technology, China Meat Research Center, Beijing Academy of Food Sciences, Beijing 100068, China）

In this research spectral information for commercially available chicken breast samples was extracted in the medium wavelength region of near-infrared （NIR） and used for establishing a quantitative analysis model of cholesterol concentration using partial least squares （PLS） regression, and the prediction accuracy of the model was analyzed. The modeling was investigated with respect to outlier elimination and optimized combined use of various spectral preprocessing methods. The optimum quantitative analysis model was achieved with two cycles of outlier elimination and the combined use of SG first derivative, SG smoothing and De-trending for spectral preprocessing. The model parameters standard error of calibration （SEC）, correlation coeffi cient of calibration set （Rc）, standard error of prediction （SEP）, correlation coeffi cient of validation set （Rp）, ratio of performance to standard deviate （RPD）, relative standard error of prediction （RSEP）, the number of principal factors （PF）and SEP/SEC were 4.534 8, 0.919 7, 7.437 5, 0.812 0, 2.844 7, 9.44%, 5, and 1.640 1, respectively. The experimental results showed that the model had better prediction accuracy in test set （P ＞ 0.05）, especially in the range of 60-100 mg/100 g, and could be applied to analyze the cholesterol concentration of commercially available fresh chicken and chicken products.

near-infrared spectroscopy； medium wavelength region； fresh chicken； cholesterol concentration； quantitative analysis

10.7506/spkx1002-6630-201620022

O629.21；O433.4

A

1002-6630（2016）20-0134-07

王辉, 田寒友, 张顺亮, 等. 基于中波近红外光谱构建生鲜鸡肉胆固醇定量分析模型［J］. 食品科学, 2016, 37（20）：134-140. DOI：10.7506/spkx1002-6630-201620022. http：//www.spkx.net.cn

WANG Hui, TIAN Hanyou, ZHANG Shunliang, et al. Establishment of quantitative analysis model of chicken cholesterol based on medium-wavelength near-infrared spectroscopy［J］. Food Science, 2016, 37（20）： 134-140. （in Chinese with English abstract） DOI：10.7506/spkx1002-6630-201620022. http：//www.spkx.net.cn

2016-03-30

“十二五”国家科技支撑计划项目（2014BAD04B05）

王辉（1979—），男，工程师，硕士，研究方向为生鲜肉品无损检测技术。E-mail：sstrike@126.com

乔晓玲（1964—），女，教授级高级工程师，学士，研究方向为肉制品加工技术。E-mail：cmrcsen@126.com