,,*,

(1.上海理工大学医疗器械与食品学院,上海 200093; 2.中国水产科学研究院东海水产所,上海 200090)

水产品货架期模型的研究进展

朱彦祺1,李保国1,*,郭全友2

(1.上海理工大学医疗器械与食品学院,上海 200093; 2.中国水产科学研究院东海水产所,上海 200090)

本文对水产品的货架期模型研究进行了全面的综述,总结了水产品基于数学方程的预测模型和基于计算机人工神经网络模型的研究,包括:化学反应动力学模型、基于温度变化的货架期模型、微生物生长非生长预测模型以及人工神经网络模型在水产品中的应用。通过比较分析各种预测模型的优势,为水产品的品质保鲜与安全保障技术提供支持。

水产品,货架期,微生物生长预测模型,人工神经网络模型

水产品是海洋和淡水渔业生产的动植物及加工产品的统称,包括鱼、虾、蟹、贝四大类。水产品因其含有丰富的蛋白质和多种不饱和脂肪酸,且营养丰富、味道鲜美而成为人类食物的重要来源。近年来,随着人们饮食结构和习惯的改变,水产品的需求逐年升高[1],但是由于各种微生物、寄生虫及化学污染水产品对人体造成危害时有发生[2-4],水产品的质量安全越来越受到人们的关注,因此,水产品的质量安全评价也成为了当今的研究热点。

据FAO(The Food and Agricultural Organization of the United Nations)调查,大约30%～50%捕获的鱼类,在食品供应链的不同环节会发生质量问题[5]。目前采用的低温保藏技术还不完善,水产品易腐败变质,造成经济损失[6]。因此控制水产品中微生物的生长,监控水产品鲜度变化,延长水产品货架期显得尤为重要。计算机建模技术通过预测工具预测特定产品在不同环境条件下产品的变化及微生物安全的信息[7-9],得到相关水产品的货架期,同时通过调整水产品运输、贮藏中的环境因子以达到延长货架期的目的。

本文对水产品货架期预测模型进行综述,为完善水产品质量保鲜技术提供理论依据以及为构建水产品的质量安全评价体系提供参考。

1 货架期预测模型的分类

食品的货架期是指在推荐的贮藏条件下,能够保持安全,确保理想的感官、理化和微生物特性;保留标签声明营养值的一段时间[10]。对于水产品,目前主要有两类货架期预测模型,一类是基于水产品在储藏过程中化学指标、微生物指标的变化,通过数学建模,对水产品中鲜度指标及微生物的生长进行预测,建立剩余货架期的预测模型;另一类是,可预测产品货架期和品质变化的人工神经网络模型(Artificial Neural Network Model,ANN)。

2 基于数学模型的研究

2.1化学反应动力学模型

水产品的品质变化大多由生化反应引起,通过研究水产品在储藏、流通过程中酸价、过氧化值、品鲜度(K值)、色泽、感官值等品质变化,可建立起相应的货架期预测模型。化学反应动力学主要研究水产品在储运过程中品质损失、转变的过程,多与二级阿伦尼乌斯方程结合构建质量变化模型,计算产品的货架期。水产品的化学反应符合零级、一级和二级反应动力学方程。Mahmoudreza等[11]发现蓝贻贝(Mytilusedulis)的蒸煮损失,面积收缩和质地分别遵循一级、二级和零级反应。Hong等[12]发现鳙鱼在-3、0、3、9和15 ℃的贮藏过程中，感官评定、挥发性盐基总氮(TVB-N)、菌落总数和K值的变化符合零级反应动力学方程,可基于零级方程预测鳙鱼的货架期。Yao等[13]发现鲫鱼在不同温度下的电导率、TVB-N、菌落总数和K值遵循一级化学反应模型,基于一级方程与阿伦尼乌斯方程结合构建质量变化模型,预测了鲫鱼的货架期。

表1 基于温度变化的货架期模型Table 1 Shelf life models based on temperature changes

化学反应动力学模型仅考虑在理想状态下的变化规律,忽略了水产品环境因素的变化,其应用范围有一定的局限性,但可在生产储藏过程中提供产品品质的变化规律,为产品质量安全提供参考。

2.2基于温度变化的货架期模型

温度是影响水产品货架期的主要因素,基于温度变化的货架期模型如表1所示,其中描述温度对水产品品质变化影响的预测模型有Arrhenius模型、Q10模型和Z值模型等[14-16],这类模型能够预测不同温度对品质和货架期影响;利用School-field模型、Square-root模型、Exponential模型开发的相对腐败速率模型(relative rate of spoilage,RRS),可以计算产品的剩余货架期[17]。

Zhang等[18]基于Arrhenius方程开发了不同温度下草鱼的感官评价,提出了总计有氧数(TAC)、品鲜度(K值)、挥发性盐基总氮(TVBN)和硫代巴比妥酸值(TBA)关于储存时间和温度的动力学模型,预测草鱼的新鲜度变化;Yao等[13]基于Arrhenius方程开发了动力学模型,以此来监控冷链循环的质量变化,通过电导率(EC)的数值和总计有氧数(TAC)建立的动力学模型可以准确预测鲫鱼的早熟;佟懿等[19]利用带鱼在273～283 K温度范围内挥发性盐基氮的变化规律,将Q10模型与Arrhenius方程相结合,建立了带鱼的货架期预测模型。郭全友等[17]依据相对腐败速率与温度的相关性,构建了不同贮藏温度下养殖大黄鱼的货架期预测模型,发现School-field和Exponential货架期模型优于Square-root货架期模型。

基于温度变化的货架期模型,能够预测水产品不同温度下的品质与货架期变化,可为减少生产、储运过程中环境温度变化导致的腐败变质提供参考。

2.3微生物预测模型

2.3.1 微生物生长预测模型 微生物是导致水产品腐败的主要因素之一。水产品中,在微生物的生长和代谢作用下,鱼体中的蛋白质、氨基酸及其它含氮物质被分解产生氨及胺类、硫化物、醇类、醛类、酮类、有机酸和其它小分子产物,从而使鱼产生腐败异味,导致鱼体腐败变质,所以在生产储运过程中期望通过控制微生物的生长来减缓水产品的腐败[20]。传统微生物生长的研究方法主要为平板计数法,该方法复杂费时,同时在生产运输过程中也无法实时测量微生物的生长情况,因此,可通过建立微生物动态生长预测模型来达到预测货架期的目的。

目前,最常用的食品微生物生长预测模型有Gompertz模型,Baranyi模型和Logistic模型[21-22]等,如表2所示,一级模型包括Mond[23]模型、修正Gompertz模型、修正Logistic模型、Baranyi模型[24]、三阶段线性模型等,仅考虑微生物的生长。其中修正Gompertz模型在水产品腐败菌领域应用预测效果较好,可以绘制微生物生长的S型曲线[24];Baranyi模型在预测延滞期和指数生长期的基础上,对实验数据的吻合度优于Gompertz模型[25]。许钟等[26]建立了冷藏罗非鱼特定腐败菌在0、5、10、15 ℃的生长动力学Gompertz模型,可实时预测0～15 ℃贮藏罗非鱼的微生物量和剩余货架期。焦维桢等[27]建立了真空包装鲟鱼在冷藏过程中优势腐败菌的Gompertz生长预测模型,为延长货架期提供参考依据。

二级模型包括Belehradek方程、平方根模型[28]、Arrhenius模型[29]、响应面模型等,将环境因素纳入考虑。丁婷等[30]以Arrhenius方程和Belehradek方程作为二级模型对三文鱼片储藏过程中的微生物生长情况进行了拟合,结果表明,基于Belehradek方程所建立的货架期模型能更好地反映三文鱼片中微生物的变化规律,预测其货架期。

三级模型为包括一级、二级模型的专家系统,其中涉及水产品的模型有如下三种。

2.3.1.1 针对特定水产品的模型 FISH SHELF LIFE PREDICTIONS PROGRAM-FSLP与FSLP(fish shelf life predictor)系统[31]。FISH SHELF LIFE PREDICTIONS PROGRAM-FSLP[16](http://www.azti.es/es/en_la_red/software-prediccion-de-vida-util/)可对养殖多宝鱼在恒定和波动温度条件下的感官变化、腐败菌生长以及时间温度(TTI)积分器的响应进行预测,该预测模型是基于在养殖多宝鱼在0～15 ℃温度间隔内的实验数据所得;以及中国水产科学研究院东海水产研究所开发的针对于罗非鱼品质控制的FSLP(fish shelf life predictor)系统[31]。

2.3.1.2 能够模拟腐败菌在鱼体、食品中的生长情况的模型 FISHMAP、Baseline和GroPIN。FISHMAP(http://www.azti.es/downloads/downloads/fishmap)包含了8种腐败菌在鱼体中的生长情况,同时可选择不同的环境因子:温度、气调包装及二氧化碳的浓度,主要适用于气调包装的水产品,还包含增长拟合功能[32],考虑的环境因素包括CO2、O2以及温度等。Baseline(www.baselineapp.com)则能够模拟5种不同的微生物在几种食品中的生长。GroPIN(www.aua.gr/psomas/gropin)模拟了66种微生物的生长,提供了可以预测模型的数据库。

2.3.1.3 能够在动态波动温度条件下进行预测的模型 Food Spoilage and Safety Predictor、Seafood Spoilage and Safety Predictor(SSSP)。Food Spoilage and Safety Predictor(http://fssp.food.dtu.dk)可预测3种病原细菌的生长,描述3种肉类和海鲜产品中通用的微生物,包含12种环境参数,18种语言,可在动态条件下仿真预测;Seafood Spoilage and Safety Predictor,SSSP[33](http://sssp.dtuaqua.dk)是丹麦水产研究学院开发的用来预测海洋食品在恒温或温度波动条件下海洋食品的货架期和特定腐败微生物生长的软件。

依据产品品质指标、菌数生长变化规律符合某一数学方程,选择只考虑微生物生长的一级模型,或者选择考虑环境影响的二级模型,通过数学模型来预测微生物的生长,通过对方程参数进行修正,得到其品质变化、菌数生长的方程,进而对其货架期进行预测。但一级、二级模型针对非稳定运输、波动温度储藏条件下的预测难以达到理想的效果。此时可针对特定水产品、特定腐败菌或者波动温度条件选择相应合适的三级模型,来解决实际问题。

2.3.2 微生物生长/非生长预测模型 微生物生长预测模型主要预测微生物的动态生长情况,不能够反映非生长条件下的信息,生长/非生长模型为概率模型,主要研究在不同环境下微生物生长的可能性,通过微生物在不同环境因子下的生长/非生长信息,可以调节水产品的环境状况,以达到抑制微生物生长的作用。Vermeulen等[34]利用生长/非生长模型确定了7 ℃条件下,pH、水分、醋酸对李斯特菌的生长抑制情况;Vermeulen使用生长/非生长模型描述了pH、乳酸和乙酸对乳酸菌的影响,以确定食品酸化酱汁的稳定性。Polese等[35]开发了微生物生长/非生长简明模型[式(1)],经检验该模型适用于多种食品微生物。

式(1)

式中:Tmin、pHmin、awmin为最低允许的生长条件,TP、pHP、awP为最适生长理论值,P为生长概率。

Dang[36]建立了结合糖酵母的生长/非生长模型如式2所示,该模型能准确描述在22～30 ℃条件下结合酵母的生长抑制情况;陈琛[37]利用式(2)建立了环境因子交互作用下蜡样芽孢杆菌的生长/非生长模型,确定其生长抑制条件。

式(2)

表2 基于数学模型的预测微生物学模型统计(1.2级模型)Table 2 The statistical of microbiology predictive model based on mathematical methods(Primary and secondary models)

除了上述多项式方程外,基于三级模型预测微生物生长/非生长模型软件有FSSP与GROPIN[32],FSSP软件包含在不同水分活度、盐分、CO2、有机酸、pH、烟熏、温度条件下,乳酸菌(LAB)、单增生李斯特菌(Listeriamonocytogenes)的生长/非生长情况;GROPIN软件则包括在不同醋酸、aw、CO2、浸渍时间、乙醇、果糖、乳酸、水分含量、NaCl、硝酸盐、O2、pH、酚类及温度条件下,嗜水气单胞菌、炭疽杆菌、蜡状芽孢杆菌、叶绿假单胞菌、肉毒杆菌、大肠杆菌O157∶H7、果糖乳杆菌(Lactobaccilusfructivorans)、单增生李斯特菌、沙门氏菌、金黄色葡萄球菌、小肠结肠炎耶尔森氏菌、接合酵母等一系列食源性微生物的生长/非生长情况。

生长/非生长模型与同样能够纳入环境因子的二级模型相比,其优势在于能够同时将水分活度、pH、盐度、糖分、壳聚糖等多种环境因素纳入考虑,并衡量多因子的交互作用,对于有潜在腐败、污染的产品来说可加强产品的栅栏因子,优化工艺条件,起到抑菌作用,延长水产品的货架期,但是目前针对波动条件下不同环境因子交互作用还有待进一步的研究。

2.4基于人工神经网络(ANN)模型的研究

人工神经网络(ANN)是一项针对不稳定情况与非公式化计算结果的信息分析技术,是基于生物神经元结构的非线性模型,能够处理线性和非线性回归问题,具有学习和适应能力,并且不需要研究系统或过程物理意义的显性表述,属于一种黑匣子模型[38]。人工神经网络(ANN)能够解决非线性预测问题,已被应用于食品加工过程分析,例如:感官评价、质量控制、微生物生长预测、干燥技术等。目前神经网络算法包括:感知器神经网络、线性神经网络、BP神经网络、反馈性神经网络、径向基函数神经网络、自由竞争型神经网络,其中BP神经网络应用最广[38]。

BP神经网络是非线性不确定性的数学模型,是一种具有连续传递函数的多层前馈网络。在运行过程中通过不断修改网络的权值和阈值,使得均方误差达到最小化,最终实现对数据的高度拟合,该模型有输入层、隐含层和输出层3层结构组成,且整个网络由一个个被称为神经元的基本单元组成。层与层之间、神经元与神经元之间形成互连结构。每一层的信息通过传递系数由上一层向下一层输出。每个神经元的权重值代表它所占传递信息的比重强度,根据输入层和输出层之间的误差进行调整,最终达到误差最小化的目的。常用的3个传递函数的方程为:

式(3)

式(4)

式(5)

BP神经网络已应用于监控供应链环境、食品安全早期预警等方面[39]。毛贻政[40]等运用BP神经网络建立了不同柠檬酸的浓度下沙门氏菌的动力学预测模型,并将粒子群算法(PSO)与之结合,建立了更加精确的模型。陈东清等[41]以电子鼻传感器输出值作为输入,通过BP神经网络方法分别对草鱼片样品贮藏天数、TVB-N值、菌落总数进行预测。神经网络还可以对微生物的生长进行预测,Francisco等[42]利用进化q-高斯径向基函数神经网络确定了金黄色葡萄球菌的微生物生长/非生长界面;Hajmeer等[9]将混合贝叶斯神经网络方法用于细菌生长/非生长界面的概率建模,减少了多因素复杂实验带来的误差;Hajmeer等[9]通过反向误差传播方法训练多层前馈人工神经网络模型ANN(MFANN)来预测来自不同温度、pH、水分活度,以及NaCl和NaNO2浓度条件下酿酒酵母、志贺氏菌属和大肠杆菌O157∶H7的生长参数。

人工神经网络包括感知器神经网络、线性神经网络、BP神经网络、反馈性神经网络、径向基函数神经网络、自由竞争型神经网络等不同计算方法,每种算法有不同的优势,例如基于概率神经网络(PNN)方法,该方法结合了贝叶斯条件概率定理和密度函数Parzen估计法,主要优点为其作为统计分类器的能力不受随机变量分布或每个类别中数据相等分散的偏离限制,能够准确分类细菌生长和非生长状态,效果优于基于线性回归的数学模型。针对不同的环境条件及水产品特性可以选择不同神经网络算法,目前在神经网络在解决腐败菌生长/非生长问题上如何减少假阳性率的问题上仍有待进一步研究,以期通过将多种神经网络算法相结合依次减少误差,达到更高精度的预测。

基于神经网络的食品货架期预测优势在于不需要事先确定品质指标变化规律,可以减少系统误差,并且神经网络的自学习功能可以在应用过程中不断提高预测模型的准确性,这样的结合将会在实际应用中取得更好的发展。

3 结论与展望

水产品预测模型构成水产品品质鲜度的保障。为了预测监控制水产品的质量,货架期预测模型逐渐兴起,从单一预测微生物生长一级模型,到结合生长环境进行预测的二级模型,综合的三级模型专家系统也在逐步开放应用中,能够在生产、流通环节对水产品的货架期进行预测及监控,还有助于加强产品栅栏因子,优化工艺条件,相较于传统研究方法使用数学模型预测更加快速、便于监控,但对于非稳定的运输、波动温度条件可能难以达到理想效果。新兴的智能化的人工神经网络模型不需要事先确定各项指标变化,可以减小误差,在自学习中不断提高预测模型的准确性,能够预测水产品的鲜度和货架期,已用于加工后的水产品[42],在不久将来将推广用于生鲜及水产制品的货架期预测。

目前对于水产品的货架期预测监控具有较为完善的评价体系,将预测模型与快速检测方法、智能技术结合,能更准确预测结果的准确性及模型的可行性是今后研究的方向,但对于水产品安全性方面目前还没有综合完备的评价系统,开发的水产食品安全指数模型将为水产品的评价体系提供新的思路。

[1]农业部渔业渔政管理局. 中国渔业统计年鉴[M]. 北京:中国农业出版社,2014.

[2]Chen S,Ai L,Zhang Y,et al. Molecular detection of diphyllobothrium nihonkaiense in Humans[J]. China Emerg Infect Disease,2014,20(2):315-318.

[3]田礼钦,滕臣刚. 2001-2013年苏州市食源性疾病暴发事故流行病学分析[J]. 中国食品卫生杂志,2015,27(6):614-619.

[4]张维蔚,李迎月,余超,等. 2013-2014年广州市市售鲜活水产品化学污染状况分析[J]. 医学动物防制,2015,7(31):718-721.

[5]Garcia M R,Vilas C,Herrera J R,et al. Quality and shelf-life prediction for retail fresh hake(Merlucciusmerluccius)[J]. International Journal of Food Microbiology,2015,208:65-74.

[6]Lloyd M A,Hess S J,Drake M A. Effect of nitrogen flushing and storage temperature on flavor and shelf-life of whole milk powder[J]. Journal of Dairy Science,2009,92(6):2409-2422.

[7]Ferrer J,Prats C,Lopez D,et al. Mathematical modelling methodologies in predictive food microbiology:A SWOT analysis[J]. International Journal of Food Microbiology,2009,134(1-2):2-8.

[8]Delhallel L,Daube G,Adolphe Y,et al. A review of growth models in predictive microbiology to ensure food safety[J]. Biotechnologie Agronomie Societe Et Environnement,2012,16(3):369-381.

[9]Hajmeer M N,Basheer I A. A hybrid Bayesian-neural network approach for probabilistic modeling of bacterial growth/no-growth interface[J]. International Journal of Food Microbiology,2003,82(3):233-243.

[10]吴雪丽,刘红英,韩冬娇. 扇贝贮藏货架期预测模型的建立与评价[J]. 食品科学,2014,35(22):315-319.

[11]Ovissipour M,Rasco B,Tang J,et al. Kinetics of quality changes in whole blue mussel(Mytilusedulis)during pasteurization[J]. Food Research International,2013,53(1):141-148.

[12]Hong H,Luo Y K,Zhu S C,et al. Establishment of quality predictive models for bighead carp(Aristichthysnobilis)fillets during storage at different temperatures[J]. International Journal of Food Science and Technology,2012,47(3):488-494.

[13]Yao L,Luo Y K,Sun Y Y,et al. Establishment of kinetic models based on electrical conductivity and freshness indictors for the forecasting of crucian carp(Carassiuscarassius)freshness[J].Journal of Food Engineering,2011,107(2):147-151.

[14]曹悦,陆利霞,熊晓辉. 食品货架期预测新技术进展[J].食品研究与开发,2009,30(5):165-168.

[15]史波林,赵镭,支瑞聪. 基于品质衰变理论的食品货架期预测模型及其应用研究进展[J]. 食品科学,2012,33(21):345-350.

[16]励建荣,李婷婷,丁婷. 水产品新鲜度综合评价与货架期预测模型的构建研究进展[J]. 食品科学技术学报,2016,34(1):1-8.

[17]郭全友,王锡昌,杨宪时.不同贮藏温度下养殖大黄鱼货架期预测模型的构建[J]. 农业工程学报,2012,28(10):267-273.

[18]Zhang L N,Li X,Lu W,et al. Quality predictive models of grass carp(Ctenopharyngodonidellus)at different temperatures during storage[J]. Food Control,2011,22(8):1197-1202.

[19]佟懿,谢晶. 鲜带鱼不同贮藏温度的货架期预测模型[J].农业工程学报,2009,25(6):301-305.

[20]罗庆华. 水产品特定腐败菌研究进展[J]. 食品科学,2010,31(23):468-472.

[21]丁婷,李婷婷,励建荣,等.冷藏三文鱼片微生物生长动力学模型适用性分析及货架期模型的建立[J].中国食品学报,2015,15(5):63-73.

[22]刘璐,邢少华,张健,等.基于Baranyi模型的波动温度下鲐鱼微生物生长动力学模型[J].食品科学，2015,36(5):89-92.

[23]闫军,遇晓杰,汤岩,等.金黄色葡萄球菌在生乳中生长预测模型的建立[J].中国食品卫生杂志,2010,22(6):502-505.

[24]朱彦祺,郭全友,李保国,等.不同温度下腐败希瓦氏菌(Shewanelaputrefaciens)生长动力学模型的比较与评价[J].食品科学,2016,37(13):147-152.

[25]李琳,潘子强. 水产品特定腐败菌的确定及生长模型建立研究进展[J]. 食品研究与开发,2011,32(6):152-156.

[26]许钟,肖琳琳,杨宪时. 罗非鱼特定腐败菌生长动力学模型和货架期预测[J]. 水产学报,2005(4):540-546.

[27]焦维桢,陈思璐,章志超. 真空包装冷藏鲟鱼中优势腐败菌的分离、鉴定及生长预测[J]. 肉类研究,2014,28(6):18-21.

[28]Chaix E,Couvert O,Guillaume C,et al. Predictive microbiology coupled with gas(O2/CO2)transfer in food/packaging systems:how to develop an efficient decision support tool for food packaging dimensioning[J]. Comprehensive Reviews in Food Science and Food Safety,2015,14(1):1-21.

[29]Fall P A,Leroi F,Chevalier F,et al. Protective Effect of a Non-Bacteriocinogenic Lactococcus piscium CNCM I-4031 Strain Against Listeria monocytogenes in Sterilized Tropical Cooked Peeled Shrimp[J]. Journal of Aquatic Food Product Technology,2010,19(2):84-92.

[30]丁婷. 三文鱼新鲜度综合评价和货架期模型的建立[D].锦州:渤海大学,2015.

[31]郭全友,朱彦祺.水产品微生物预测与智能化评价研究进展[J].渔业信息与战略,2016,31(1):32-37.

[32]Tenenhaus-Aziza F,Ellouze M. Software for predictive microbiology and risk assessment:A description and comparison of tools presented at the ICPMF8 Software Fair[J]. Food Microbiology,2015(45):290-299.

[33]Dalgaard P,Buch P,Silberg S. Seafood spoilage predictor-development and distribution of a product specific application software[J]. International Journal of Food Microbiology,2002(73):343-349.

[34]Vermeulen A,Gysemans K P M,Bernaerts K,et al. Influence of pH,water activity and acetic acid concentration on Listeria monocytogenes at 7 degrees C:Data collection for the development of a growth/no growth model[J]. International Journal of Food Microbiology,2007,114(3):332-341.

[35]Polese P,Del Torre M,Spaziani M,et al. A simplified approach for modelling the bacterial growth/no growth boundary[J]. Food Microbiology,2011,28(3):384-391.

[36]Dang T D T,Vermeulen A,Mertens L,et al. The importance of expressing antimicrobial agents on water basis in growth/no growth interface models:A case study forZygosaccharomycesbailii[J]. International Journal of Food Microbiology,2011,145(1):258-266.

[37]陈琛,李学英,杨宪时,等. 环境因子交互作用下蜡样芽孢杆菌生长/非生长界面模型的建立与评价[J].现代食品科技,2015(12):205-213.

[38]Amina M,Panagou E Z,Kodogiannis V S,et al. Wavelet neural networks for modelling high pressure inactivation kinetics of Listeria monocytogenes in UHT whole milk[J]. Chemometrics and Intelligent Laboratory Systems,2010,103(2):170-183.

[39]Xiao J,Ma Z S,Zhang D J. The Research on the BP Neural Network in the Food Security Risk Early Warning Applied Under Supply Chain Environment[J]. Second International Symposium on Knowledge Acquisition and Modeling:Kam,2009(2)：281-284.

[40]毛贻政. 鱼糜制品中沙门氏菌实时荧光PCR检测方法及其预测模型的建立[D].上海:华东理工大学,2016.

[41]陈东清. 草鱼片调理处理及其贮藏过程中的品质变化研究[D].武汉:华中农业大学,2015.

[42]Fernandez-Navarro F,Hervas-Martinez C,Cruz-Ramirez M,et al. Evolutionary q-Gaussian Radial Basis Function Neural Network to determine the microbial growth/no growth interface of Staphylococcus aureus[J]. Applied Soft Computing,2011,11(3):3012-3020.

Researchprogressontheshelflifepredictmodelofaquaticproducts

ZHUYan-Qi1,LIBao-Guo1,*,GUOQuan-you2

(1.University of Shanghai for Science and Technology School of Medical Instrument and Food Engineering,Shanghai 200093,China; 2.East China Sea Fisheries Research Institute,Shanghai 200090,China)

In this paper,a comprehensive review on the prediction model of shelf life and safety evaluation model for aquatic products was included. This paper summarized the research of shelf life prediction model and artificial neural network model of aquatic products,including chemical reaction kinetics models,shelf life models based on temperature change,microbial growth prediction models and artificial neural network model in aquatic products. It was compared that the advantages of the predictive models,which can provide the technical support to the quality preservation and security technology.

aquatic products;shelf life;microbial growth prediction model;artificial neural network model

2017-03-14

朱彦祺(1993-)，女，硕士研究生，研究方向：食品科学与工程，E-mail：shzhuyanqi@163.com。

*通讯作者:李保国(1961-)，男，博士，教授，研究方向：食品和农产品加工新技术(干燥、保鲜)，E-mail：lbaoguo@126.com。

TS254.1

:A

:1002-0306(2017)16-0341-07

10.13386/j.issn1002-0306.2017.16.064