材料与方法
1.1 材料与试剂
生猪品种包括杜长大和杜洛克，体质量为（100±5） kg，年龄约6 个月。
5 mL促凝剂分离胶采血管 湖南三立实业有限公司；皮质醇检测试剂盒 德国罗氏诊断有限公司；葡萄糖测定试剂盒（GLU葡萄糖氧化酶终点法） 北京利德曼生化股份有限公司。
1.2 仪器与设备
SupNIR-1520型便携式近红外仪及比色皿配件
聚光科技（杭州）股份有限公司；05P-22离心机、7080全自动生化仪器 日本日立公司；Cobas E601全自动免疫分析仪 德国罗氏公司；SevenGo™手持肉用pH计
瑞士梅特勒-托利多有限公司；肉色等级标准比色板 日本食用肉类规范协会。
1.3 方法
1.3.1 血液样品的采集与制备
使用5 mL促凝剂分离胶采血管在屠宰车间内给生猪放血时对每头生猪的血液进行收集，静置2 h后以3 000 r/m
离心15 min，吸取血清并置于0～4 ℃冰箱保存。
1.3.2 血清中皮质醇浓度的测定
采用电化学发光法，使用皮质醇检测试剂盒在Cobas E601全自动免疫分析仪上进行检测。
1.3.3 血清中葡萄糖浓度的测定
采用GLU葡萄糖氧化酶终点法，使用葡萄糖测定试剂盒在7080全自动生化仪上进行检测。
1.3.4 样品光谱信息的采集
实验前将便携式近红外仪预热30 min，首先使用超纯水作为参比。所有样品被保存于冰箱中以确保样品温度保持在0～4 ℃。光谱采集方式为透射，每个样品进行两次光谱信息采集，之间间隔10 s。每次采集，光谱扫描次数为10 次，采集的近红外光谱波数范围为1 000～1 800 nm，分辨率为10 nm。
1.3.5 光谱的预处理与模型建立
使用不同算法和算法组合对样品的光谱信息进行预处理以去除其中的无关干扰信息、降低随机噪声和强化谱带特征。然后使用偏最小二乘回归算法进行建模，建模所用的近红外光谱信息波数范围为1 000～1 800 nm。根据模型得校正标准差（standard error of calibration，sEC）、验证标准差（standard error of prediction，sEP）、校正集相关系数（correlation coefficient of calibration set，Rc）、
验证集相关系数（correlation coefficient of prediction set，Rp）和主因子数对模型性能进行评价，从而选出针对生猪血液中的皮质醇和葡萄糖浓度的最佳预测模型和最佳预处理方法。
选择的预处理算法包括：1）数据增强类算法：均值中心化（mean centering，MC）和标准化（autoscaling，AS）；2）导数类算法：Savitzky-Golay求导（Savitzky-Golay derivative，SGD）和差分求导（difference derivative，DD）；3）平滑类算法：Savitzky-Golay平滑（Savitzky-Golay smoothing，SGS）；4）信号校正类算法：标准正态变量变换（standard normal variatetransformation，SNV）、多元散射校正（multiplication scatter correction，MSC）、静分析信号（net analyte signal，NAS）、正交信号校正（orthogonal signal correction，OSC）、去趋势校正（de-trending，DT）
和基线校正（baseline correction，BLC）。
1.3.6 模型的验证
将筛选出的最佳预测模型导入到便携式近红外仪中，对另外采集的未用于建模的25 个生猪血液样品中的葡萄糖和皮质醇浓度进行检测，同时按照葡萄糖氧化酶终点法和电化学发光法对样品的葡萄糖和皮质醇浓度进行检测，根据文献方法，分别以葡萄糖浓度大于17.21 mmol/L和皮质醇浓度大于0.51 mmol/L作为预判PSE肉和DFD肉的标准，验证模型预判的准确性。
2 结果与分析
2.1 样品化学值测定结果分析
生猪血液样品中葡萄糖和皮质醇浓度化学测量值的统计结果如表1～2所示。用于建立葡萄糖浓度预测模型的样品共89 个，范围为3.38～22.63 mmol/L；用于建立皮质醇浓度预测模型的样品共64 个，范围为0.04～0.76 mmol/L，样品的化学测量值分布范围较广，具有较好的代表性。
2.2 样品近红外光谱信息采集结果分析
由图1可知，在近红外区（1 000～1 799 nm）生猪血液样品有很好的光谱响应，不同葡萄糖浓度或皮质醇浓度的生猪血液样品的近红外光谱波形相似，但又不完全重合，既体现了样本间的差异，又显示了整个样品群体的连续性。图2为单一生猪血液样品扫描两次所得的样品近红外光谱曲线，2 次扫描所得的光谱曲线基本完全重合，说明本实验应用的便携式近红外光谱仪采集的样品的近红外光谱信息重复性很高。
2.3 近红外模型的建立与优化
应用不同算法组合对样品的光谱信息进行预处理后，部分葡萄糖和皮质醇浓度预测模型的性能评价参数如表3～4所示。
由表3～4可知，不同的算法或算法组合对模型的预测准确性和稳健性有很大影响，适当的预处理可以提高模型性能，不当的预处理甚至会降低模型性能；增加预处理算法的数量不一定能提高模型性能，有时甚至会造成预处理过度，导致样品的光谱信息中大量的细节信息丢失。针对预测生猪血液中的葡萄糖浓度，对样品的近红外光谱信息进行Savitzky-Golay求导和基线校正后建模，模型性能最佳；模型sEC和sEP分别为2.07和2.48，主因子数为6，Rc和Rp分别为0.88和0.85。针对预测生猪血液中的皮质醇浓度，对样品的近红外光谱信息进行标准化、差分求导、Savitzky-Golay平滑和净分析信号后建模，模型性能最佳；模型的sEC和sEP分别为0.05和0.15，主因子数为6，Rc和Rp分别为0.97和0.67。
2.4 模型的内部验证
分别以葡萄糖或皮质醇浓度的化学测量值为横坐标，模型的预测值为纵坐标作图，结果如图3～4。
由图3～4可知，实验点很好地分布在回归线的两侧，模型的预测值与校正集样品的化学测量值吻合度较高，说明建模前对样品的光谱信息进行预处理后，模型较好地拟合了光谱信息中反映样品中葡萄糖或皮质醇浓度的信息。
2.5 模型的外部验证
应用筛选出的模型对另外采集的未用于建模的25 个生猪血液样品中的葡萄糖和皮质醇浓度进行检测，从而进行劣质猪肉的预判，预判结果如表5～6所示，筛选出来的预测模型对未知样品的葡萄糖或皮质醇浓度的预测值与化学测量值较接近，对PSE肉和DFD肉的预判准确率分别达到92%和96%，说明所选模型预判劣质猪肉的准确性很高。
3 结 论
为了快速预判PSE肉和DFD肉，本实验从屠宰场收集屠宰时的生猪血液样品。其中，用于建立葡萄糖预测模型的样品共89 个，范围为3.38～22.63 mmol/L，用于建立皮质醇预测模型的样品共64 个，范围为0.04～0.76 mmol/L。
使用不同算法和算法组合对样品的光谱信息进行预处理后利用偏最小二乘回归算法进行建模。通过模型评价参数对预处理方法进行筛选后发现针对预测生猪血液中的葡萄糖浓度，对样品的近红外光谱信息进行Savitzky-Golay求导和基线校正后建模，模型性能最佳；模型的sEC和sEP分别为2.07和2.48，主因子数为6，Rc和Rp分别为0.88和0.85。针对预测生猪血液中的皮质醇浓度，对样品的近红外光谱信息进行标准化、差分求导、Savitzky-Golay平滑和净分析信号后建模，模型性能最佳；模型的sEC和sEP分别为0.05和0.15，主因子数为6，Rc和Rp分别为0.97和0.67。应用筛选出的模型对另外采集的未用于建模的25 个生猪血液样品中的葡萄糖和皮质醇浓度进行检测，然后进行劣质猪肉的预判，PSE和DFD肉的预判准确率分别达到92%和96%。说明应用便携式近红外仪检测生猪血液中的葡萄糖和皮质醇浓度，从而预判劣质猪肉的方法是可行的。
参考文献：
[1]胡向东. 基于市场模型的我国猪肉供需研究[D]. 北京： 中国农业科学院， 2011.
[2]刘雁军， 申兵， 和东来. 生猪应激综合症的预防措施[J]. 农业养殖技术， 2007（3）： 24-25. DOI： 10.3969/j.issn.1007-0869.2007.03.018.
[3]高兴成. 浅谈我国生猪屠宰行业管理[J]. 商业经济， 2012（4）： 87-88. DOI：10.3969/j.issn.1009-6043.2012.07.037.
[4]毕然， 王家敏， 张建喜， 等. 生猪屠宰监管技术系统设计与实现研究[J]. 中国农学通报， 2012， 28（17）： 57-62. DOI： 10.3969/j.issn.1000-6850.2012.17.011.
[5]朱蔼. 应激因素作用产生的肉质异常变化[J]. 肉类工业， 1996（6）： 12.
[6]PEREZ M P， PALACIO J， SANTOLARIA M P， et al. Effect of transport time on welfare and meat quality in pigs[J]. Meat Science， 2002， 61（4）： 425-433.
[7]TARRANT P V. The effects of handling， transport， slaughter and chilling on meat quality and yield in pigs： a review[J]. Irish Journal of Food Science and Technology， 1989， 13： 70-107.
[8]JEFFREY Z， LOCKE K， ALEJANDRO R， et al. Diseases of swine[M]. Ames Iowa： Iowa State University， 2012： 763-771.
[9]O’NEILL D J， LYNCH P B， BUCKLEY D J， et al. Influence of the time of year on the incidence of PSE and DFD in Irish pig meat[J]. Meat Science， 2003， 64： 105-111.
[10]BRISKEY E J. Etiological status and associated studies of pale， soft， exudative porcine musculature[J]. Advances in Food Research， 1964， 13： 89-178.
[11]张文红. 电击晕、电刺激和冷却方式对猪肉品质的影响研究[D]. 南京： 南京农业大学， 2003.
[12]甄少波. 待宰对猪应激及冷却肉品质影响机理研究[D]. 北京： 中国农业大学， 2013.
[13]陈斌. 劣质猪肉PSE及DFD研究概述[J]. 甘肃畜牧兽医， 1994（8）： 24-26.
[14]BARCELLOS L J G， KREUT Z L C， RODRIGUES L B， et al. Haematological and biochemical characteristics of male jundia （Rhamdia quelen Quoy & Gaimard Pimelodidae）： changes after acute stress[J]. Aquaculture Research， 2003， 34（15）： 1465-1469.
[15]彭晓青， 刘凤华， 颜培实. 中草药复合制剂对热应激条件下猪生产性能和血液生化指标的影响[J]. 畜牧与兽医， 2011（6）： 22-27.
[16]王淼， 周楠， 温洁霞， 等. 劣质猪肉形成机理以及对猪肉品质的改进措施[J]. 畜牧与兽医， 2012， 44： 93-97.
[17]张永泰. 猪应激综合征（PSS）与劣质猪肉（PSE）[J]. 养猪， 2003（2）： 51.
[18]丁玉亭， 刘化章， 周晓云. 猪PSE肉与正常肉的及原纤维形态学比较研究[J]. 中国食品学报， 2005， 5（2）： 28-33.
[19]杨兴章. PSE肉的形成机理和控制措施[J]. 肉类工业， 2006（5）： 33-35. DOI：10.3969/j.issn.1008-5467.2006.05.017.
[20]田寒友， 邹昊， 刘文营， 等. 皮质醇激素和血液生化指标变化对猪肉劣质猪肉的指示作用[J]. 肉类研究， 2013， 27（10）： 6-8.