摄入不同加工模式下小龙虾重金属风险预测方法技术

本发明专利技术公开了摄入不同加工模式下小龙虾重金属风险预测方法，测量各种加工方式的小龙虾的虾尾的各个重金属含量；计算儿童和成人的重金属风险HI计算值；测量各种加工方式的虾尾水分含量、虾尾重量、虾尾粗脂肪含量、虾尾可溶性蛋白含量、虾尾白度值，质构特性和气味特征；建立预测模型，构建训练样本集、验证样本集和预测样本集，通过训练样本集和验证样本集对预测模型进行训练和优化。本发明专利技术的预测模型的建立简单，输入层选择简单的理化指标，输出层则是较为复杂的重金属风险，用简单的工作取代繁琐的工作。琐的工作。琐的工作。

【技术实现步骤摘要】
摄入不同加工模式下小龙虾重金属风险预测方法


[0001]本专利技术属于危害物风险预测
，具体涉及摄入不同加工模式下小龙虾重金属风险预测方法。适用于小龙虾加工产品所含重金属危害物对人体危害风险等级的预测。

技术介绍

[0002]由于小龙虾对环境金属污染具有较高的抵抗力和适应性，一些金属可能在小龙虾体内积累，对人体造成潜在危害。即使在非常低的剂量下，汞(Hg)、镉(Cd)、铬(Cr)和铅(Pb)等有毒金属也会诱发一系列癌症、神经毒性、肾毒性和器官衰竭。此外，铜(Cu)、锌(Zn)、镍(Ni)、锰(Mn)等人体必需的微量元素如果过量，也可能对会对人体造成伤害。因此，作为我国最受欢迎的水产品之一，小龙虾的重金属污染问题近来越来越受到关注。有关小龙虾腹肌中的重金属对人类健康构成的风险的研究大多集中在生小龙虾上，而食品加工是一个复杂的变化，可能会导致一些物理化学变化，例如重金属的含量和形态。通过生样品进行的风险评估会使得消费者高估或低估加工所带来的风险。
[0003]此外，食品加工过程中重金属变化一个不可控的现象，因此一些线性模型，比如多元线性回归、偏最小二乘回归等并不适合对复杂的食品加工过程进行建模和智能监测，而BP
‑
ANN是基于仿生学原理的神经网络系统，它具有快速的并行处理信息能力以及良好的非线性映射能力，因此是建立非线性模型的理想方法。目前BP神经网络在食品保鲜、食品加工、酶工程及食品危害物监测等食品领域都已有相应的应用。但目前尚无有关小龙虾尾加工产品引起的人体重金属危害的预测方法，因此，建立一种快速、简便、准确的监控方法就显得尤为迫切。

技术实现思路

[0004]本专利技术的目的在于针对当前小龙虾加工产品中重金属危害水平的监控研究较少且技术复杂等问题，提供摄入不同加工模式下小龙虾重金属风险预测方法。方法易行，操作简便快速，满足人们监控摄入小龙虾引起的重金属危害物的风险等级预测。
[0005]本专利技术的上述目的通过以下技术手段实现：
[0006]摄入不同加工模式下小龙虾重金属风险预测方法，包括以下步骤：
[0007]步骤1、检测多种方式加工小龙虾获得样品的重金属含量的检测，具体包括以下步骤：
[0008]步骤1.1、使用多种方式(可以是水煮、油炸、蒸制及调味四种)加工小龙虾。
[0009]步骤1.2、加工后，用塑料镊子从小龙虾壳中取出可食用的虾尾部分作为各个方式加工的样品，虾尾65℃干燥均质后，称取0.5g左右样品于聚四氟乙烯消解罐中，加入双氧水及硝酸消解样品。
[0010]步骤1.3、采用电感耦合等离子发射光谱法ICP
‑
OES检测消解各个加工方法获得的虾尾中As、Ba、Cd、Cr、Cu、Hg、Mn、Ni、Pb九种重金属的含量。
[0011]步骤2、儿童的重金属风险HI计算值及成人的重金属风险HI计算值
[0012]目标危害系数(THQ)以人体吸收量与参考量的比值为评判标准，第i种重金属的残留危害系数THQ(i)计算公式如下：
[0013][0014]式中，C
i
为小龙虾尾中第i种重金属的浓度(mg/kg，湿重)，重金属∈{As，Ba，Cd，Cr，Cu，Hg，Mn，Ni，Pb}；a为虾尾的干重到湿重的换算系数；FIR是小龙虾尾的每日估计膳食摄入率，分为小龙虾尾的儿童每日估计膳食摄入率和小龙虾尾的成人每日估计膳食摄入率(儿童0.072kg/人/天；成人0.168kg/人/天)；EF为人群暴露频率(365天/年)；ED为暴露时间(平均寿命70年)；RfD(i)为第i种重金属的口服参考剂量(μg/kg/天；As,0.3；Ba,200；Cd,1；Cr,1500；Cu,40；Hg,0.5；Mn,140；Ni,20；Pb,4)；AT为平均暴露平均时间(365天/年
×
暴露时间)；BW是平均体重，分为儿童平均体重和成人平均体重(成人为70公斤；儿童为16公斤)。
[0015]当THQ(i)<1时，可认为无健康风险；当THQ(i)≥1时，可认为不能排除可能存在的健康风险。
[0016]FIR选取小龙虾尾的儿童每日估计膳食摄入率，BW选取儿童平均体重，儿童的重金属风险HI计算值HI为各个重金属的残留危害系数的和。
[0017]FIR选取小龙虾尾的成人每日估计膳食摄入率，BW选取成人平均体重，成人的重金属风险HI计算值HI为各个重金属的残留危害系数的和。
[0018]各个重金属的残留危害系数的和计算公式如下：
[0019]HI＝THQ(As)+THQ(Ba)+THQ(Cd)+THQ(Cr)+THQ(Cu)+THQ(Hg)
[0020]+THQ(Mn)+THQ(Ni)+THQ(Pb)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0021]同样，HI值≥1表示重金属将对人体造成潜在危险，否则，风险可以忽略。
[0022]步骤3、模型输入层理化指标的测定
[0023]BP神经网络的预测模型的输入层的输入参数包括虾尾水分含量、虾尾重量、虾尾粗脂肪含量、虾尾可溶性蛋白含量、虾尾白度值，质构特性和气味特征七项理化指标，质构特性使用物性测试仪进行测定，包括硬度、弹性、胶着性和回复性，气味特征使用电子鼻FOX4000进行测定，包含18个类型不同的传感器。理化指标的检测方式如下：
[0024]步骤3.1、不同加工方式的虾尾的水分含量的检测参照GB 5009.3
‑
2016中105摄氏度恒重法。水分含量如表1所示。
[0025]表1为不同加工条件下小龙虾虾尾的水分含量及加工损失表
[0026][0027]虾尾重量及水分含量表示为8个平均值
±
标准偏差。同一列中不同的小写字母表
示平均值之间存在显着差异(p<0.05)。
[0028]步骤3.2、不同加工方式的虾尾粗脂肪含量的检测参照GB 5009.6
‑
2016，准确称取0.5g虾尾干物质，采用酸提取法进行测定，结果用g/100g表示，取8次重复测量的平均值。
[0029]步骤3.3、不同加工方式的虾尾可溶性蛋白含量的检测采用BCA检测法，称取0.5g虾尾干物质，加入适量正己烷涡旋除油脱脂，弃去正己烷。加入10ml磷酸缓冲溶液(PH＝7.2,0.6mol/L NaCl)混合均匀，涡旋30s，于4℃静置3h，后10000r/min离心10min得到上清液，用BCA法测蛋白浓度，每种加工方式的虾尾平行置测定8次。
[0030]步骤3.4、不同加工方式的虾尾白度值的测量采用以下步骤：小龙虾去壳，取虾尾的第2
‑
3腹节，用全自动色差仪进行色泽测定，记录其亮度值L*，红绿值a*和黄蓝值b*，每组样品平行置测定8次。白度值(Whiteness,W)的计算公式如下:
[0031][0032]虾尾白度值的测量结果如表2所示：
[0033]表2为不同加工方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.摄入不同加工模式下小龙虾重金属风险预测方法，其特征在于，包括以下步骤：步骤1、使用多种加工方式加工小龙虾，测量各种加工方式的小龙虾的虾尾的各个重金属含量；步骤2、计算儿童的重金属风险HI计算值及成人的重金属风险HI计算值；步骤3、测量各种加工方式的虾尾水分含量、虾尾重量、虾尾粗脂肪含量、虾尾可溶性蛋白含量、虾尾白度值，质构特性和气味特征；步骤4、建立基于BP
‑
ANN模型的预测模型，预测模型包括输入层、隐含层和输出层，确定预测模型的训练函数、输入层和隐含层之间的节点传递函数以及隐含层和输出层之间的节点传递函数，确定隐含层神经元的个数，构建多组数据样本，每组数据样本包括一种加工方式对应的虾尾水分含量、虾尾重量、虾尾粗脂肪含量、虾尾可溶性蛋白含量、虾尾白度值，质构特性和气味特征，每组数据样本还包括对应的儿童的重金属风险HI计算值及成人的重金属风险HI计算值，将多组数据样本分为训练样本集、验证样本集和预测样本集，通过训练样本集对预测模型进行训练，训练完成后获得预测模型的最优参数，通过验证样本集对训练完成的预测模型的节点转移函数和隐含层神经元的个数进行调整，使得儿童的重金属风险HI预测值和成人的重金属风险HI预测值的预测误差小于设定值。2.根据权利要求1所述摄入不同加工模式下小龙虾重金属风险预测方法，其特征在于，所述步骤1中所述重金属包括As、Ba、Cd、Cr、Cu、Hg、Mn、Ni、Pb，测量各种加工方式的小龙虾的虾尾的各个重金属含量包括以下步骤：用塑料镊子从小龙虾壳中取出虾尾并在65℃干...

【专利技术属性】
技术研发人员：杜红英，李静，陈雨晗，彭方军，张梦圆，熊善柏，
申请(专利权)人：华中农业大学，
类型：发明
国别省市：