【背景】牛奶中钠(sodium,Na)、钾(potassium,K)和镁(magnesium,Mg)含量的准确检测有助于奶牛的健康养殖,同时也是稳定乳制品质量的前提。但目前检测牛奶中矿物质含量的常规方法昂贵且耗时,因此需要一种低成本且快速检测牛奶Na、K和Mg...【背景】牛奶中钠(sodium,Na)、钾(potassium,K)和镁(magnesium,Mg)含量的准确检测有助于奶牛的健康养殖,同时也是稳定乳制品质量的前提。但目前检测牛奶中矿物质含量的常规方法昂贵且耗时,因此需要一种低成本且快速检测牛奶Na、K和Mg含量的方法。【目的】利用中红外光谱(mid-infrared spectroscopy,MIRS)预测中国荷斯坦牛牛奶中Na、K和Mg含量的潜力,为测定牛奶中Na、K和Mg含量提供快速检测技术,为牛群饲养管理和奶牛遗传育种提供大量表型数据支撑。此外,比较不同特征波段选择算法改进预测牛奶中Na、K和Mg含量的MIRS定量预测模型的能力。【方法】以来自华北地区的255份健康中国荷斯坦牛牛奶样本为研究对象。首先,使用MilkoScanTMFT+收集牛奶样本的MIRS数据,并使用电子耦合等离子体发射光谱法测定牛奶样本中Na、K和Mg含量的真实值。随后,以MIRS数据为预测变量,Na、K和Mg含量的真实值为因变量,利用4种光谱预处理算法(一阶导数、二阶导数、SG平滑和标准正态变换)、4种特征选择算法(无信息变量消除(uninformative variable elimination,UVE)、竞争性自适应重加权算法(Competitive adaptive reweighted sampling,CARS)、遗传算法(Genetic Algorithm,GA)及最小角回归算法(Least Angle Regression,LAR))和9种建模算法(偏最小二乘回归、支持向量机、随机森林和弹性网络等),分别建立预测牛奶中Na、K和Mg含量的MIRS定量预测模型,并选出最优模型组合(特征选择算法+光谱预处理算法+建模算法)。【结果】CARS特征波段选择算法对Na、K和Mg含量预测模型的改进效果优于UVE、GA和LAR算法。基于CARS特征选择算法、一阶导数预处理和弹性网络建模算法开发的Na含量预测模型效果最好,该模型预测集决定系数(coefficient of determination of prediction set,R_(p)^(2))=0.72,预测集均方根误差(root mean squared error of prediction,RMSEp)=63.28 mg·kg^(-1),预测集平均绝对误差(mean absolute error of prediction set,MAEp)=49.03 mg·kg^(-1),性能偏差比(ratio of performance to deviation,RPD)=1.90;基于CARS特征选择算法、原始光谱和支持向量机建模算法开发的K含量预测模型效果最好,该模型R_(p)^(2)=0.57,RMSEp=141.49 mg·kg^(-1),MAEp=116.24 mg·kg^(-1),RPD=1.57;基于CARS特征选择算法、原始光谱和偏最小二乘回归建模算法开发的Mg含量预测模型效果最好,该模型R_(p)^(2)=0.51,RMSEp=12.08 mg·kg^(-1),MAEp=9.84 mg·kg^(-1),RPD=1.30。【结论】利用MIRS预测中国荷斯坦牛牛奶中Na和K含量的方法可行,可以较准确地预测Na含量,近似地定量预测K含量(用于区分低浓度K和高浓度K样品)。在建模之前利用CARS算法提取特征波段提高了MIRS预测模型的准确性,并大大减少了运算时间,可提高MIRS模型预测表型数据的效率。展开更多
文摘【背景】牛奶中钠(sodium,Na)、钾(potassium,K)和镁(magnesium,Mg)含量的准确检测有助于奶牛的健康养殖,同时也是稳定乳制品质量的前提。但目前检测牛奶中矿物质含量的常规方法昂贵且耗时,因此需要一种低成本且快速检测牛奶Na、K和Mg含量的方法。【目的】利用中红外光谱(mid-infrared spectroscopy,MIRS)预测中国荷斯坦牛牛奶中Na、K和Mg含量的潜力,为测定牛奶中Na、K和Mg含量提供快速检测技术,为牛群饲养管理和奶牛遗传育种提供大量表型数据支撑。此外,比较不同特征波段选择算法改进预测牛奶中Na、K和Mg含量的MIRS定量预测模型的能力。【方法】以来自华北地区的255份健康中国荷斯坦牛牛奶样本为研究对象。首先,使用MilkoScanTMFT+收集牛奶样本的MIRS数据,并使用电子耦合等离子体发射光谱法测定牛奶样本中Na、K和Mg含量的真实值。随后,以MIRS数据为预测变量,Na、K和Mg含量的真实值为因变量,利用4种光谱预处理算法(一阶导数、二阶导数、SG平滑和标准正态变换)、4种特征选择算法(无信息变量消除(uninformative variable elimination,UVE)、竞争性自适应重加权算法(Competitive adaptive reweighted sampling,CARS)、遗传算法(Genetic Algorithm,GA)及最小角回归算法(Least Angle Regression,LAR))和9种建模算法(偏最小二乘回归、支持向量机、随机森林和弹性网络等),分别建立预测牛奶中Na、K和Mg含量的MIRS定量预测模型,并选出最优模型组合(特征选择算法+光谱预处理算法+建模算法)。【结果】CARS特征波段选择算法对Na、K和Mg含量预测模型的改进效果优于UVE、GA和LAR算法。基于CARS特征选择算法、一阶导数预处理和弹性网络建模算法开发的Na含量预测模型效果最好,该模型预测集决定系数(coefficient of determination of prediction set,R_(p)^(2))=0.72,预测集均方根误差(root mean squared error of prediction,RMSEp)=63.28 mg·kg^(-1),预测集平均绝对误差(mean absolute error of prediction set,MAEp)=49.03 mg·kg^(-1),性能偏差比(ratio of performance to deviation,RPD)=1.90;基于CARS特征选择算法、原始光谱和支持向量机建模算法开发的K含量预测模型效果最好,该模型R_(p)^(2)=0.57,RMSEp=141.49 mg·kg^(-1),MAEp=116.24 mg·kg^(-1),RPD=1.57;基于CARS特征选择算法、原始光谱和偏最小二乘回归建模算法开发的Mg含量预测模型效果最好,该模型R_(p)^(2)=0.51,RMSEp=12.08 mg·kg^(-1),MAEp=9.84 mg·kg^(-1),RPD=1.30。【结论】利用MIRS预测中国荷斯坦牛牛奶中Na和K含量的方法可行,可以较准确地预测Na含量,近似地定量预测K含量(用于区分低浓度K和高浓度K样品)。在建模之前利用CARS算法提取特征波段提高了MIRS预测模型的准确性,并大大减少了运算时间,可提高MIRS模型预测表型数据的效率。
