沙普利可加性解释-支持向量机模型在卡拉胶鸡肉丸判别中的应用

鸡肉丸因其鲜嫩多汁的口感和丰富多样的风味,已成为全球消费市场广受欢迎的肉制品之一[1]。作为一种高蛋白、低脂肪的食品,鸡肉丸也被纳入健康饮食和运动营养食谱中,具有良好的市场接受度和发展潜力[2]。尽管鸡肉丸在消费端具有显著优势,但其工业化生产仍面临诸多技术问题。鸡肉原料本身肌纤维较短,存在产品质地粗糙、蒸煮损失率高的问题[3]。一方面,为改善上述缺陷,食品工业中常使用食品添加剂(如磷酸盐)以提高产品的持水性和凝胶强度。然而,此类添加剂的不合理使用引发了消费者对健康的担忧。另一方面,为控制成本,部分生产商往往提高淀粉使用比例,致使产品蛋白质含量下降,难以满足消费者对高品质肉制品的需求。此外,传统感官评价方法在判别添加剂微小差异时存在灵敏度不足的局限,难以准确区分其质构差异,亟需开发精准、稳定的检测与评价手段[4]。

卡拉胶作为一种从红藻中提取的天然亲水胶体,主要由半乳糖及脱水半乳糖组成的硫酸酯化多糖构成,具有良好的凝胶性、增稠性和持水性,被广泛应用于肉制品中[5]。在肉制品中添加卡拉胶,可有效改善产品的保水性、弹性和风味稳定性,并减少热处理过程中的汁液流失,提高出品率[6]。研究表明,卡拉胶的添加比例显著影响最终产品的质构特性,然而当人体感官感知灵敏度低于最小可觉差标准时,感官评价难以判别细微添加量差异[7]。此外,过量使用卡拉胶可能带来健康风险,如肠胃不适、干扰营养吸收等[8],因此实现其快速、准确分析对保障食品安全具有重要意义。

为克服感官评价的主观性和低灵敏度问题,近年来食品分析技术与数据建模方法被逐步引入食品品质检测领域[9-10]。近红外光谱、质构仪和电子鼻等可获取样本的多维物理化学特征,进而分析微小的品质差异,但所产生的数据通常具有非线性、高维度等特点,传统分析方法难以有效挖掘其潜在规律[11]。机器学习方法如支持向量机(support vector machine,SVM)、随机森林、神经网络等,因其较强的特征筛选、非线性建模和模式识别能力,为食品复杂体系的品质判别提供了新途径[12]。其中,SVM作为一种适用于小样本、高维度数据的监督学习方法,在食品分类、成分预测和品质评价方面已展现出优越性能[13],可实现复杂非线性关系的有效建模,尤其适用于品质指标、光谱、质构等多源食品数据的融合分析[14]。然而,SVM模型虽分类性能良好,但其决策过程往往缺乏透明性和可解释性,限制了在实际质量控制中的推广应用[15]。沙普利可加性解释(Shapley additive explanations,SHAP)作为一种基于博弈论的事后解释方法,能够量化每个特征变量对模型输出的贡献度,显著提升机器学习模型的可解释性。目前,SHAP已在肉类新鲜度评估、掺杂识别、木质化鸡胸分级等研究中初步应用,但仍缺乏与SVM模型的系统性结合,且多局限于单一数据源的分析[16]。因此,本研究提出一种SVM-SHAP融合建模策略,集成多维度品质数据(包括理化指标、质构特性、电子鼻气味信号等),构建兼具高分类精度与高可解释性的食品添加剂检测模型。通过SHAP分析,明确影响分类结果的关键特征,提升模型在实际应用中的透明度和可靠性,为食品品质安全控制提供快速、准确、可解释的智能检测新方法。

本研究以鸡肉丸为研究对象,提出一种融合多源信息技术与可解释性机器学习的新方法,通过采集不同卡拉胶添加比例下鸡肉丸终端检测中常规、易测且具有代表性的品质数据,构建基于SVM的分类模型,并利用SHAP框架对模型判别依据进行解释,从而建立高精度、可解释的卡拉胶添加量预测模型。本研究旨在为肉制品中亲水胶体的品质分析提供新方法,推动食品品质检测向智能化、透明化方向发展。

1 材料与方法

1.1 材料与试剂

鸡胸肉(去除表面脂肪和筋膜)、猪背膘、食盐、白砂糖、白胡椒粉、玉米淀粉、生抽、料酒、κ-卡拉胶(食品级),临沂金锣文瑞食品有限公司;实验中所用的其他试剂均为国产分析纯。

1.2 仪器与设备

BSA124S电子天平,湖南力辰仪器科技有限公司;MZ-ZGC32J50烤箱,美的集团股份有限公司;NR60CP色差计,广州三恩时科技有限公司;ZYLH-H01绞肉机,镇江洋诚机械有限公司;101(A)-2(S)型干燥箱,南京沃环科技实业有限公司;HD-3A型水分活度仪,无锡市华科仪器仪表有限公司;TA.TOUCH型质构仪,上海保圣实业发展有限公司。

1.3 实验方法

1.3.1 鸡肉丸的制作

参考Arora等[17]方法,将700 g鸡胸肉与100 g猪背膘分别洗净,去除表面筋膜后切成2 cm的小块,于绞肉机中进行1次粗绞处理;另取15 g食盐、10 g白砂糖、50 g玉米淀粉、10 g白胡椒粉、15 g生抽及10 g料酒,与90 g冰水混合,制成调味液后,加入上述粗绞肉糜中拌匀。以总肉质量(鸡胸肉+猪背膘)为基准,分别按0.2%、0.4%、0.6%和0.8%(质量分数,下同)的添加量添加食品级卡拉胶,以未添加卡拉胶组为对照(0.0%),添加后搅拌至馅料呈均匀黏稠状且无明显颗粒;随后将肉馅在(88±2) ℃的恒温水浴锅中挤制成直径约2.5 cm的肉丸,待全部浮起后继续保温1 min;将定型后的鸡肉丸于170 ℃下烤制25 min,完成熟制过程。

1.3.2 水分含量测定

按照GB 5009.3—2016《食品安全国家标准食品中水分的测定》直接干燥法进行测定。

1.3.3 水分活度测定

参考卢慧等[18]方法并稍作调整。先用饱和NaCl溶液进行水分活度测量仪校正,校正时间约为10 min,直至示数稳定。将各组样品均匀切碎后,分别称取约5 g样品置于仪器配套的专用样品皿中,置于水分活度测量仪中进行测定。

参考Zhang等[19]的方法测定样品的颜色。测定前,用滤纸擦去样品表面的水分,使用经过白板校正的色差计(配备D65光源,测定孔径5.0 mm)测定样品的亮度(L*值)、红度(a*值)和黄度(b*值)。观测者角度设为10°。

参考Lu等[20]方法并做适当修改。将冷却至室温的鸡肉丸切成1 cm厚的片状,保证接触面平整。测试参数如下:测试前速率1 mm/s,测试速率0.8 mm/s,测试后速率0.8 mm/s,压缩比40%,触发力5 gf,探头型号TA/L。

1.3.6 电子鼻测定

参照卢慧等[18]的方法并进行适当优化。每个处理组选取5个鸡肉丸进行测定,每个肉丸取5 g样品置于顶空瓶中,在15 min的平衡时间内释放挥发性气味成分以完成气味采集。检测条件设定如下:预采样时间5 s,采样间隔1 s,自清洗90 s,进样流量控制在300 mL/min,单次样品检测时长为90 s。

电子鼻获取的原始响应数据采用Savitzky-Golay平滑算法对传感器信号进行预处理,以降低噪声干扰及环境波动带来的影响;随后利用K-均值聚类算法提取传感器响应曲线的关键特征。本研究将各处理组在150 s内的检测数据划分为6个聚类簇,通过聚类分析获取每一类的聚类中心,并将其作为特征向量用于后续数据分析。最终,每个处理组共获得30个数据样本用于统计分析。

参考Xu等[21]感官特性评价的方法,稍作修改。选30名通过基本味觉和嗅觉识别测试的人员(15男、15女)组成感官评价小组,评价前小组成员已充分了解本次试验的评分标准和注意事项,然后对鸡肉丸的色泽、弹性、口感、风味和总体可接受性5个感官指标进行评分。评价过程中严格控制光线、温度、噪音和异味,保证评价员独立操作避免干扰;提供室温水清洁口腔,每轮评价不超过4个样品以防感官疲劳,且要求评价员在评价前1 h内不进食、吸烟或饮用刺激性饮料,保证评价结果的客观性与准确性。采用定量描述分析方法,使用9点结构化量表(1～9分)对以下属性进行评价(表1),满分为45分,对各评价指标进行统计分析。

1.3.8 SVM模型建立与预测

为进一步探究添加卡拉胶对鸡肉丸品质的影响,并准确区分不同添加量组(0.0%、0.2%、0.4%、0.6%和0.8%)的样品,参考Lu等[20]的方法,采用MATLAB 2023b软件建立SVM分类模型。模型采用径向基函数核,参数值为0.01,惩罚参数C为10.0,上述参数经网格搜索法优化确定,以平衡模型对训练样本的拟合度与对未知样本的泛化能力。为防止过拟合并确保分类结果的稳健性和可靠性,对SVM模型进行5折交叉验证,将训练集随机划分为5个互斥子集,依次以4个子集为训练集、1个子集为验证集进行5轮训练与验证。通过计算5轮验证准确率极差值和损失标准差,评估模型的分类性能与稳定性。

数据集按4∶1比例通过分层抽样划分为训练集(96个样本)与独立验证集(24个样本)。构建模型前,为消除不同品质特征指标间量纲差异,将每个特征指标标准化为均值0,标准差1的正态分布,如公式(1)所示:

式中:X_std[i, j],标准化后的数据;X[i,j],第i个样本的第j项特征原始数据;mean[j],样本第j个特征的均值;std[j],样本第j个特征的标准差。

模型在训练集和测试集上的预测精度采用R2、平均绝对误差(mean absolute error,MAE)、平均偏差误差(mean bias error,MBE)、精确度、召回率和F1分数进行评估。精确度反映模型预测为正类的样本中实际为正类的比例;召回率反映实际为正类的样本中被模型正确预测的比例;F1分数为精确度与召回率的调和平均值,可综合平衡两者性能。上述指标计算如公式(2)～公式(6)所示:

式中:

预测值;yi,真实值;n,样本数量;TP,真正例即模型正确预测为某一卡拉胶添加量组的样本数;FP,假正例即模型错误预测为某一添加量组、实际属于其他组别的样本数;FN,假负例即实际属于某一添加量组、但被模型错误预测为其他组别的样本数。

1.3.9 基于SHAP方法的SVM模型解释

由于SVM模型在预测过程中存在“黑箱”特性,难以直观理解其决策机制,本研究引入SHAP方法以识别并排序各输入指标的重要性,从而增强模型预测结果的可解释性[20]。通过调用SHAP工具包,计算各特征对应的SHAP数值,并借助瀑布图等可视化方式对特征贡献度进行排序和图形展示,可准确识别出对模型输出影响显著的关键指标,为后续分析和解释提供依据。

1.4 统计分析

采用Origin 2021软件进行数据处理和绘图,每组测定5个鸡肉丸,每个鸡肉丸平均切成2块,每块重复测定3次,实验结果以“平均值±标准差”表示。采用SAS 9.2软件对水分含量、水分活度、颜色、质构特性和电子鼻传感器信号进行单因素方差分析,应用Tukey多重比较法检验不同处理组之间的差异显著性(P<0.05)。对于感官评价,采用非参数Kruskal-Wallis方差分析检验不同卡拉胶添加量组的品质差异,Dunn检验用于多重比较(P<0.05)。对于所有测定指标,采用Origin 2021进行主成分分析。在建模环节,基于MATLAB 2023b平台构建基于品质指标的SVM分类模型,并借助Python 3.9的SHAP框架实现模型的可解释性分析。

2 结果与讨论

2.1 水分含量

由图1可知,各处理间水分含量存在显著差异(P<0.05)。其中,0.4%卡拉胶添加量组鸡肉丸水分含量最高,与其余所有处理均存在显著差异(P<0.05)。未添加卡拉胶组(0.0%)的水分含量最低,与所有其他处理组均存在显著差异(P<0.05)。可能由于卡拉胶能与鸡肉中的蛋白质相互作用,形成均匀且致密的网络结构[22]。0.4%添加量下,该结构既能充分包裹水分,又不会因浓度过高导致结构过密,从而实现水分保持的最优化。此外,若卡拉胶添加量过低,形成的网络结构不完整,持水能力不足;若过高,可能破坏鸡肉丸的弹性和整体感官品质[23]。因此,0.4%卡拉胶添加的比例可达到持水效果与产品品质的平衡,使水分含量在不影响其他质量指标的前提下达到最佳。

2.2 水分活度

由图2可知,0.8%卡拉胶添加量的鸡肉丸水分活度最高,显著高于0.6%、0.4%添加量组和0.0%处理组(P<0.05)。0.0%处理组的水分活度最低,显著低于0.8%、0.2%和0.4%卡拉胶添加量组(P<0.05),与0.6%卡拉胶添加量组差异不显著(P>0.05)。水分活度表示肉中水分的可利用性,与肉制品产品品质和贮藏稳定性密切相关[24]。卡拉胶具有亲水性,能与水分子结合。但卡拉胶添加量组添加比例较高时(如0.8%添加量组),卡拉胶自身形成聚集体,使体系中自由水比例增大,水分更易流出,故水分活度高,与水分含量测定结果一致。此外,卡拉胶与鸡肉中的蛋白质、脂肪等相互作用,与蛋白质形成稳定复合物,改变水分存在状态[25]。0.8%卡拉胶添加量组可能因卡拉胶过量,影响与鸡肉成分正常作用,水分活度偏高;0.4%卡拉胶添加量组,可使水分稳定存在,降低水分活度。

2.3 颜色

由表2可知,L*值方面,0.4%添加比例显著高于其他组(P<0.05);0.6%和0.8%组L*值相对较低且差异不显著(P>0.05)。卡拉胶因含有硫酸酯基而带有负电荷,可与肌原纤维蛋白通过静电作用、范德华力、氢键等发生相互作用[26]。在0.4%添加比例下,这种分子间结合作用可使鸡肉丸体系的微观结构更趋有序,减少光线在表面的散射程度;而在其他添加比例下,可能因卡拉胶与肌原纤维蛋白的结合作用过度或不足,破坏体系原有的有序结构,导致光线散射行为改变,最终降低产品明度。

红度值方面,卡拉胶添加量为0.2%的鸡肉丸其a*值显著高于其他组(P<0.05),但0.4%组a*值最低。黄度值方面,添加0.8%和0.2%组b*值较高,同时0.4%添加量组的b*值最低,与a*值变化趋势一致。鸡肉肌纤维中的肌红蛋白是决定肉类及其制品颜色的关键色素蛋白,其氧化还原状态与产品的红度与黄度特征密切相关[27]。当体系中添加卡拉胶时,形成的蛋白质-多糖复合物可通过空间位阻效应影响肌红蛋白的氧化还原平衡[28]。当卡拉胶添加量为0.4%时,该复合物对肌红蛋白的空间包裹与稳定作用最强,可有效抑制其向高铁肌红蛋白的氧化过程。

C*值越大,表示颜色的纯度越高,颜色越鲜艳。由表2可知,0.8%、0.2%和0.0%组C*值较高且差异不显著;0.4%组C*值最低(P<0.05)。其原因在于添加0.4%卡拉胶时,形成的凝胶网络可束缚较多的水分,稀释肌红蛋白等色素成分,从而降低颜色的鲜艳度。h值表示色相角,用来量化颜色的主观视觉属性或色调,角度从0°～90°表示红色至黄色之间的色调,h值越低,红色越明显[29]。添加0.4%卡拉胶的h值显著高于其他组(P<0.05),0.2%添加量组h值最低,该结果与a*值的变化趋势一致。

2.4 质构测定

由表3可知,卡拉胶添加量为0.4%时,其硬度、弹性和咀嚼性均显著高于其他添加量组(P<0.05)。黏着性方面,随卡拉胶添加量增大,鸡肉丸黏着性逐渐升高,其中0.2%与0.4%添加量间无显著差异(P>0.05)。分析原因在于,添加比例0.4%时,卡拉胶分子间相互作用形成的凝胶网络更致密且均匀,能有效束缚鸡肉丸中的水分和其他成分,从而改善产品的质构特性[30]。比例过低,形成的复合凝胶网络交联密度不足,对水分束缚能力较弱;过量的卡拉胶分子易发生过度聚集,形成多糖聚集体,可破坏肌原纤维蛋白凝胶网络的均匀性[31];同时,过度聚集的卡拉胶分子可增加样品表面与接触界面的黏附力,导致整体质构特性下降。

2.5 电子鼻分析

如表4所示,当卡拉胶添加比例为0.4%时,多个传感器(如SN4、SN5、SN6、SN9)的响应值达到最高,表明该组挥发性风味物质(如硫化物、氮氧化物及芳香类化合物)的释放最为显著。这一结果与感官评价中0.4%组在“风味”属性上得分较高的现象一致,说明电子鼻所捕捉到的挥发性成分与人的嗅觉感知具有较好的一致性。同时,该组在质构特性(如硬度、弹性、咀嚼性)上也表现最佳,这可能是因为卡拉胶在0.4%添加量下形成的凝胶网络更为均匀致密,不仅改善了质构,也可能通过促进风味前体物质的释放,从而增强整体风味强度。随着卡拉胶添加量进一步提高至0.6%和0.8%,多数传感器响应值下降,尤其是SN4、SN6等关键风味传感器的响应显著降低,说明过量卡拉胶可能因凝胶结构过于致密或分子间相互作用改变,抑制了部分挥发性物质的释放。这也与感官评定中0.8%组在风味和多汁性方面得分相对较低的趋势一致,表明过量添加对风味感知可造成负面影响。

此外,电子鼻传感器SN3、SN7、SN13等对氮氧化合物和甲烷类物质的响应受卡拉胶添加影响较小,说明这些风味成分可能主要来源于脂质氧化或蛋白质降解的基础途径,受鸡肉丸内部结构变化影响有限。因此,电子鼻数据不仅客观反映了不同卡拉胶添加组在挥发性风味轮廓上的差异,也与感官评价和质构等指标形成较好的关联与互补。

基于电子鼻传感器信号建立的偏最小二乘判别分析(partial least squares discriminant analysis,PLS-DA)模型有效区分了不同卡拉胶添加比例的鸡肉丸样品。得分图显示(图3-a),各添加组沿PC1(解释方差84.68%)分散分布,表明卡拉胶添加比例是影响样品挥发性风味轮廓的主要因素。模型验证结果显示,置换检验的R2与Q2值分别为0.877和0.874,且回归线在Y轴上的截距均为负值,表明模型具有较好的拟合优度与预测能力,未出现过拟合(图3-b)。

VIP分析进一步识别出SN3(氮氧化合物)、SN8(烷烃类)、SN13(甲烷)和SN9(乙醇与芳香族化合物)等传感器对区分样本贡献显著(VIP>1)(表4)。这些传感器所响应的挥发性物质可能来源于脂质氧化、蛋白质降解及美拉德反应等途径,表明卡拉胶可通过改变鸡肉丸基质结构进而影响其风味释放行为。

2.6 感官评定

由图4可知,0.4%卡拉胶添加量组在总体可接受性、风味、多汁性和弹性等方面具有较高的感官评分。在色泽方面,0.2%至0.6%卡拉胶添加量组间无显著差异(P>0.05),但均显著高于0.0%和0.8%添加量组(P<0.05)。综合来看,当卡拉胶添加量为0.4%时,鸡肉丸质地紧密、弹性适中且保水性能良好,其综合感官评价最优。此外,感官评价结果表明,卡拉胶的添加对鸡肉丸的色泽与风味影响相对较小,而对质构相关属性的影响更为显著,该结果与前述仪器分析所得结论存在一定差异。这种差异可能与人体感官系统对相邻添加量组间的细微差异区分能力有限有关,感官评价难以像客观评价那样实现高精度区分。为降低感官评价中的主观不确定性,本研究进一步结合多元统计分析及机器学习方法,从多维度数据中分析组间差异,为鸡肉丸的产品配方优化提供客观指导。

2.7 主成分分析

图5结果显示,前2个主成分(PC1与PC2)累计贡献率达66.6%,其中PC1为主要变异来源,贡献率为53.1%。在载荷图中,部分质构特性与电子鼻传感器响应值集中于PC1正方向,表明这些指标共同反映了鸡肉丸的质构结构与部分挥发性风味特征;而颜色参数则主要分布于PC1负方向,表明其与质构指标呈一定负相关关系。PC2(13.5%)则进一步分析了水分活度、L*值及部分传感器(如SN3)所代表的变异信息。该结果表明,不同品质指标在判别鸡肉丸整体特性时具有明显分组趋势,质构与风味指标在PC1上起主导作用,而颜色、水分及部分气味响应则在PC2方向上提供辅助判别信息,共同构建了鸡肉丸品质的分类特征。

然而,主成分分析虽能实现数据的可视化,但在准确区分不同卡拉胶添加量的鸡肉丸样品方面存在局限性,且对原始数据信息的提取程度有限[32]。为克服这一不足,本研究进一步采用基于SVM的机器学习分类模型,以鸡肉丸的卡拉胶添加量为响应变量,对不同样品进行分类判别。

2.8 SVM模型的建立与分类性能评估

SVM是监督学习领域中经典分类算法,核心思想是通过构建“最优超平面”实现对数据的分隔,兼具较强泛化能力与对小样本数据的适应性,广泛应用于模式识别和数据挖掘等领域[33]。为了减少过拟合,本研究利用5折交叉验证方法评估模型的性能和泛化能力[34]。前期建模结果表明,5折交叉验证的平均分类准确率为93.23%,折间标准差为1.56%,而模型在独立测试集上的准确率与交叉验证均值相差3.55%。上述结果表明,所构建的SVM模型具有良好的稳定性与泛化能力[35]。

模型在训练集中的预测效果与实际值的比较如图6-a和图6-b所示。真实值(红色)与预测值(蓝色)重合度较高,预测结果和真实结果之间的差异较小,其回归R2分别为0.975(训练集)和0.952(测试集),不存在过拟合,表明该模型具有良好的预测精度和泛化能力。图6-c和图6-d混淆矩阵展示了模型预测类别与真实类别的对应关系。在该矩阵中,每一行代表一个真实类别,每一列代表模型的预测类别。同一行的5个方格分别显示了所有真实属于该类的样本被模型判别到5个类别中的分布情况。训练集的混淆矩阵如图6-c所示,总样本数为105,正确分类数为101,因此训练准确率为96.19%。同理,预测集(图6-d)的准确率为91.11%,主要在于0.6%卡拉胶添加量错误分类为0.8%添加量组,表明这2组卡拉胶添加量的鸡肉丸的特征具有一定的相似性,在未知数据中更具挑战性,模型对这2类的区分需进一步优化。因此,可通过SVM模型预测不同卡拉胶添加比例的鸡肉丸样品。

表5为SVM模型在测试集和训练集中的分类性能的评估。结果显示,模型在训练集上表现出较高的分类性能,其精确度、召回率与F1分数分别为0.989、0.984和0.986,同时预测误差较低(MAE=0.116,MBE≈0)。这表明模型已学习训练数据中的特征,能够区分不同卡拉胶添加比例的样本。在测试集上,模型性能虽有所下降,但预测指标仍保持在较高水平(精确度0.938,召回率0.951,F1分数0.943),证实该模型具有较强的泛化能力[36]。预测误差方面,测试集的MAE为0.254,且MBE为较小的负值,表明模型对卡拉胶添加比例的预测具有可接受的精度,且存在一定的系统性低估倾向。

2.9 基于SHAP方法的SVM模型解释

为进一步分析SVM模型区分不同卡拉胶添加量鸡肉丸的决策依据,本研究采用了SHAP方法进行特征重要性分析。结果如图7所示,该图揭示了不同特征变量对于模型输出的平均影响幅度,并展示了各卡拉胶添加量类别下特征值的分布。分析显示,硬度、咀嚼性、胶着性等质构指标具有较高的平均SHAP值,表明模型的分类判断主要依赖于鸡肉丸的质地特性。其次,水分含量、SN6和黏(着/附)性是紧随其后的关键特征。上述特征重要性排序与卡拉胶的改善产品质构,增强保水性和改善气味特征的作用机制相互印证,解决了机器学习“黑箱模型”的决策模糊性,为模型的可信度提供了支撑。此外,感官评价各指标在模型中的重要性较低,表明该分类模型主要依据可测量的品质指标进行预测,体现出其客观性的优势。

通过观察不同颜色条形的长度和分布,可以进一步分析不同指标在不同类别中的表现。由图7可知,硬度在0.4%卡拉胶添加量类别中具有较大的影响;咀嚼性在0.2%和0.8%卡拉胶添加量组中贡献较大;而水分含量在0.6%和0.8%组中有显著贡献。因此,SHAP分析有效揭示了各指标对不同卡拉胶添加比例鸡肉丸预测的贡献程度。

本研究进一步通过SHAP方法对不同卡拉胶添加比例下鸡肉丸的SVM预测模型进行了深入解析(图8)。在各组SHAP图中,红色表示高特征值,蓝色表示低特征值;红色点分布于左侧代表该特征对模型预测结果呈负贡献,分布于右侧则表示正贡献。右侧的特征重要性环形图则直观展示了各指标在模型中的相对贡献比例。结果显示,随着卡拉胶添加量的增加,各特征对模型输出的影响程度及其重要性呈现显著变化。在硬度方面,当卡拉胶添加量为0%、0.6%和0.8%时,硬度为主要负贡献特征,其重要性分别为40.6%、31.3%和23.3%。然而,卡拉胶添加量为0.2%和0.4%时,硬度对模型的贡献转为正向贡献,表明卡拉胶的加入缓解了硬度对产品接受度的不利影响。与此同时,其他质构特性如咀嚼性、胶着性特征在0.6%和0.8%添加水平下成为主要负向贡献特征,进一步印证了卡拉胶在改善鸡肉丸质地方面的积极作用。特征SN6在0.4%添加组中重要性较高(13.8%),显示出一定的正向贡献;然而在0.2%添加组中其重要性下降,并转为负贡献。因此,适量添加卡拉胶(0.4%～0.6%)有助于平衡鸡肉丸各项特征在预测模型中的权重,优化其整体品质评价。

3 结论

本研究通过融合SVM与SHAP方法,系统评估了卡拉胶添加对鸡肉丸品质的影响并构建了高精度、可解释的分类模型。结果表明,0.4%为卡拉胶的最优添加比例,该比例下鸡肉丸的质构特性与保水性达到平衡,且感官评分最高。所构建SVM模型能有效区分不同添加组别,准确率为91.11%,显示出其在肉制品添加剂快速判别与品质分级中的良好应用潜力。SHAP进一步揭示模型的判别依据主要为硬度、咀嚼性等客观质构指标,且其特征贡献呈动态变化,硬度在0%、0.6%与0.8%组为负向主导,而在0.2%与0.4%组转为正向,同时咀嚼性、胶着性特征在0.6%和0.8%添加水平下转为主要负向贡献特征,表明适量添加卡拉胶可通过协调各指标权重以优化整体品质。

该SVM-SHAP框架不仅实现了高精度分类,同时提供了决策依据,增强了模型在质量控制与工艺优化中的可信度和可操作性,为食品生产中的添加剂分析与品质管理提供了可靠、透明的分析工具,同时为食品品质分析与添加剂合理使用提供了新方法。未来研究中,可考虑纳入更多指标以深入探索卡拉胶添加对鸡肉丸品质的影响机制。

[1] Geng Y, Lin S Y, Wang H L, et al.The modulatory effects of shiitake mushrooms on the quality and flavor profiles of steamed low-salt chicken meatballs[J].International Journal of Gastronomy and Food Science, 2025, 40:101190.

[2] 颜瑞池, 金娜, 苏玉虹, 等.鹰嘴豆分离蛋白对减盐辽宁庄河大骨鸡鸡肉丸凝胶品质的影响[J].食品工业科技, 2025, 46(1):138-143.Yan R C, Jin N, Su Y H, et al.Effect of chickpea protein isolate on gel quality of salt-reduced Liaoning Zhuanghe big bone chicken meatball[J].Science and Technology of Food Industry, 2025, 46(1):138-143.

[3] Cruz P L, Panno P H C, Di Giorgio Giannotti J, et al.Effect of proteases from ginger rhizome on the fragmentation of myofibrils and tenderness of chicken breast[J].LWT, 2020, 120:108921.

[4] Zhao J, Yu Y, Lu S H, et al.Convolutional neural networks in the realm of food quality and safety evaluation:Current achievements and future prospects[J].Trends in Food Science &Technology, 2025, 163:105162.

[5] Lin S W, Li X, Lv H, et al.Effects of ultrasound combined with κ-carrageenan on the rheological behaviours, textural properties and microstructures of meat batters before and after heating treatment[J].Food Hydrocolloids, 2025, 164:111234.

[6] Lin S W, Liu Y T, Wang J R, et al.Underlying mechanisms and effects of ultrasound treatment on the gelling properties, sensory attributes and in vitro digestibility of κ-carrageenan contained frankfurters[J].Meat Science, 2025, 225:109822.

[7] Hum Y C, Tee Y K, Yap W S, et al.A contrast enhancement framework under uncontrolled environments based on just noticeable difference[J].Signal Processing:Image Communication, 2022, 103:116657.

[8] Aboul Naser A F, Aziz W M, El-Feky A M, et al.Potential therapeutic effects of interleukin-1 receptor type 1 antagonist and the ethyl acetate fraction of Murraya exotica leaves against κ-carrageenan induced vein thrombosis in rats[J].Phytomedicine Plus, 2025, 5(2):100795.

[9] Jiang Q Y, Liu M, Wang Z S, et al.Low-field NMR-based deep learning for non-destructive quality assessment of frozen model foods[J].Food Chemistry, 2025, 489:145181.

[10] 任智磊, 赵霄霄, 冯景, 等.基于近红外光谱结合网格搜索-随机森林-自适应提升算法无损检测牛肉新鲜度[J].肉类研究, 2025, 39(11):1-8.Ren Z L, Zhao X X, Feng J, et al.Non-destructive detection of beef freshness using near infrared spectroscopy combined with grid search-random forest-adaptive boosting algorithm[J].Meat Research, 2025, 39(11):1-8.

[11] Wang M Y, Li X X.Application of artificial intelligence techniques in meat processing:A review[J].Journal Of Food Process Engineering, 2024, 47(3):e14590.

[12] 王霞, 祁兵, 王敏, 等.人工智能算法在食品质量与安全中的应用研究进展[J].食品安全质量检测学报, 2025, 16(13):180-188.Wang X, Qi B, Wang M, et al.Research progress on the application of artificial intelligence algorithms in food quality and safety[J].Journal of Food Safety &Quality, 2025, 16(13):180-188.

[13] Mustapha A, Ishak I, Zaki N N M, et al.Application of machine learning approach on halal meat authentication principle, challenges, and prospects:A review[J].Heliyon, 2024, 10(12):e32189.

[14] Cardenas E, Tabory E, Sanchez A, et al.An electronic equipment for marbling meat grade detection based on digital image processing and support vector machine[J].Journal of the Saudi Society of Agricultural Sciences, 2024, 23(7):459-473.

[15] Zou H T, Yu X L, Lan T M, et al.Classification and recognition of black tea with different degrees of rolling based on machine vision technology and machine learning algorithms[J].Heliyon, 2025, 11(14):e43862.

[16] Lu H, Song A Y, Li M, et al.Evaluation of the freshness (TVB-N) of pork patty during storage based on PLS-DA, SVM and BP-ANN models[J].Food Control, 2025, 171:111121.

[17] Arora R, Haleem R, Agarwal A, et al.Development and characterization of pea hull reinforced polyvinyl alcohol film for active packaging of chicken meatballs[J].Food Chemistry, 2025, 484:144322.

[18] 卢慧, 宋艾颖, 凌峰, 等.基于反向传播神经网络分析的田菁胶添加对萨拉米发酵香肠品质的影响[J].食品科学, 2025, 46(13):54-62.Lu H, Song A Y, Ling F, et al.Impact of sesbania gum addition on the quality of salami based on backpropagation-artificial neural network analysis[J].Food Science, 2025, 46(13):54-62.

[19] Zhang Y Z, Zhao W J, Lu H, et al.Characteristics of microbial community in Linyi fermented pork sausage and their correlation with quality:Effects of the single Lactobacillus starter[J].LWT, 2023, 185:115169.

[20] Lu H, Yao C, Aa L, et al.Classification and identification of chicken-derived adulteration in pork patties:A multi-dimensional quality profile and machine learning-based approach[J].Food Control, 2025, 176:111381.

[21] Xu X Y, Liu H M, Sun P Z, et al.Effect of lysine-assisted ultrasonic and vacuum tumbling treatment on the quality of chicken breast meat in canned foods[J].Ultrasonics Sonochemistry, 2025, 116:107310.

[22] 翁伙英. 复配卡拉胶改善午餐肉质量的效果研究[J].中国食品工业, 2022(23):95-97.Weng H Y.Research on the effect of compound carrageenan on improving the quality of luncheon meat[J].China Food Industry, 2022(23):95-97.

[23] Yasin H, Babji A S, Ismail H.Optimization and rheological properties of chicken ball as affected by κ-carrageenan, fish gelatin and chicken meat[J].LWT-Food Science and Technology, 2016, 66:79-85.

[24] Ferreira N B M, Rodrigues M I, Cristianini M.Effect of high pressure processing and water activity on pressure resistant spoilage lactic acid bacteria (Latilactobacillus sakei) in a ready-to-eat meat emulsion model[J].International Journal Of Food Microbiology, 2023, 401:110293.

[25] Zhao X, Zhou C, Xu X L, et al.Ultrasound combined with carrageenan and curdlan addition improved the gelation properties of low-salt chicken meat paste[J].LWT, 2022, 172:114230.

[26] Chen Y F, Yuan W T, Zhang Y X, et al.Na+ ions-induced coil-single helix transition of κ-carrageenan:Direct evidence from single-molecule studies[J].Polymer, 2025, 338:129026.

[27] Yu H Y, Wu Y Y, Ma J W, et al.Effects of NaCl and cumin essential oil on camel meat myoglobin under malondialdehyde oxidation system[J].Food Chemistry, 2025, 493:146037.

[28] 汪少芸, 冯雅梅, 伍久林, 等.蛋白质-多糖多尺度复合物结构的形成机制及其应用前景[J].食品科学, 2021, 42(17):1-9.Wang S Y, Feng Y M, Wu J L, et al.Formation mechanism of protein-polysaccharide multi-scale complexes and their future applications[J].Food Science, 2021, 42(17):1-9.

[29] Zhu Y L, Guo L P, Yang Q L.Partial replacement of nitrite with a novel probiotic Lactobacillus plantarum on nitrate, color, biogenic amines and gel properties of Chinese fermented sausages[J].Food Research International, 2020, 137:109351.

[30] Ben David M, Shani Levi C, Lesmes U.Carrageenan impact on digestive proteolysis of meat proteins in meatballs or soluble hydrolyzed collagen[J].Food Research International, 2023, 174:113560.

[31] Luo C, Wang R Q, Gu Y Y, et al.Synergistic effects of κ/ι-Carrageenan and partial substitution of NaCl with MgCl2 or CaCl2 on the gel properties of myofibrillar protein[J].Food Hydrocolloids, 2025, 166:111279.

[32] Probola G, Zander L.Application of PCA method for characterisation of textural properties of selected ready-to-eat meat products[J].Journal of Food Engineering, 2007, 83(1):93-98.

[33] Cervantes J, Garcia-Lamont F, Rodríguez-Mazahua L, et al.A comprehensive survey on support vector machine classification:Applications, challenges and trends[J].Neurocomputing, 2020, 408:189-215.

[34] Arsalane A, El Barbri N, Tabyaoui A, et al.An embedded system based on DSP platform and PCA-SVM algorithms for rapid beef meat freshness prediction and identification[J].Computers and Electronics in Agriculture, 2018, 152:385-392.

[35] García-Infante M, Castro-Valdecantos P, Delgado-Pertí width=8,height=8,dpi=110

ez M, et al.Effectiveness of machine learning algorithms as a tool to meat traceability system.A case study to classify Spanish Mediterranean lamb carcasses[J].Food Control, 2024, 164:110604.

[36] Wang H L, Zheng Y, Shi W Z, et al.Comparison of Arrhenius model and artificial neuronal network for predicting quality changes of frozen tilapia (Oreochromis niloticus)[J].Food Chemistry, 2022, 372:131268.