提高食醋電子鼻識別率方法的研究

成劍峰，胡紅娟

（山西省食品工業研究所，山西 太原 030024）

固態法釀造食醋的發酵過程是一個多種微生物的代謝過程，影響產品質量與風格的因素眾多，時變性大，食醋生產工藝分多種階段，從原料處理、糖化發酵劑生產、酒精發酵、醋酸發酵、熏醅、陳釀到產品出廠，流程較長[1-2]。某些傳統工藝生產過程中使用大曲為糖化發酵劑，而大曲是眾多種類微生物的集合，每種微生物的代謝產物種類至今仍不能明確，發酵過程中多種風味物質對產品的內在質量和風格起決定性作用，造成釀造食醋香氣成分復雜，發酵工藝過程的控制將直接決定產品的質量[3-4]，不同生產工藝的產品成分差別較大，而不同品牌但生產工藝相近的產品則較難區分。

1994年GARDNER J W等[5-7]發表了電子鼻綜述文章，對這種由有選擇性的電化學傳感器陣列和適當的識別方法組成的，并能識別簡單和復雜氣味的儀器進行了定義，其原理是經氣敏傳感器陣列與氣味分子反應后產生的電信號輸入計算機處理，再通過模式識別系統定性或定量輸出檢測結果，與一般概念的檢測不同的是得到的數據不是被測樣品中某種或某幾種成分的定性與定量結果，而是整體信息。

目前電子鼻的相關應用研究已在多領域展開，在食醋品質評價方面也有相關報道[8-14]。本研究利用電子鼻對食醋樣本進行建模，采用正交試驗對傳感器進行優化選擇[15]，再用歐氏距離（Euclid distance）、相關性（correlation）、馬氏距離（Mahalanobis distance）、判別函數分析（discriminate function analysis，DFA）4種方式共同判定樣品的歸屬，以提高對食醋分類識別率為目的的研究是對這一領域的有益補充。

1 材料與方法

1.1 材料與試劑

市面上采購的兩家公司的山西老陳醋，按生產廠家相應分類為Ⅰ類和非Ⅰ類。另有購買的多種品牌的食醋產品作為驗證樣品。

1.2 儀器與設備

PEN3電子鼻系統：德國AIRSENSE公司（含有10個不同的金屬氧化物傳感器，組成傳感器陣列）。

1.3 實驗方法

1.3.1 未處理樣品測定

直接吸取樣品0.5 mL移入頂空瓶，旋好瓶蓋，室溫靜置1 h后直接頂空吸氣法，即將進樣針頭插入密封墊，電子鼻進行測定。

1.3.2 處理樣的測定

直接吸取樣品移入頂空瓶，在對應的溫度、時間、取樣量的處理條件下在烘箱中處理樣品（處理條件見后續正交試驗），干燥器中冷卻至室溫后旋好瓶蓋，室溫靜置1 h后按前述方法測定。

1.3.3 電子鼻測定條件

采樣時間為1 s/組；傳感器自清洗時間為90 s；傳感器歸零時間為10 s；樣品準備時間為5 s；進樣流量為600 mL/min；分析采樣時間為90 s。

1.3.4 數據處理

本實驗在對每個樣品的數據采集過程中，通過查看每個傳感器響應信號的變化曲線、每個時間點的信號值及星型雷達圖或柱狀指紋圖，可以清晰考察各個傳感器在實驗分析過程中的響應情況。

對于樣品區分分析，本實驗提取10個傳感器的特征值，然后采用主成分分析法（principal component analysis，PCA），線性判別分析（linear discriminant analysis，LDA）法作為主要區別分析方法，查看起主要區分作用的組分和區分度是否提高。

通過歐氏距離、相關性、馬氏距離、判別函數等方法共同判定樣品歸屬于哪一類，達到一個用電子鼻驗證未知樣的實驗結果，4種指標判定結果相同的視為一類，不同的視為另一類。

2 結果與分析

2.1 電子鼻測定值取值范圍的確定

圖1 電子鼻中的10個傳感器對食醋樣品的的響應曲線(A)及雷達圖(B)Fig.1 The response curves(A)and the radar chart(B)of ten senses to vinegar samples

以響應值初始電阻（G0）和最后電阻（G）的比率為縱坐標，樣品的測定時間為橫坐標。食醋樣品測定的特征響應曲線及雷達圖見圖1。

從圖1可以看出，在90 s的測定時間內，電阻率隨時間的增加達到峰值，然后趨于平緩，大約在60～90 s之間信號較穩定，因此在本實驗中取用74～76 s的電阻率值作為樣品分析數據。

2.2 未經處理樣品的模板分析結果

主成分分析（principal component analysis，PCA）是一種對數據進行分析的技術，這種方法可以有效的找出數據中的主要成分，去繁趨簡，揭示復雜數據背后的簡單結構[7]。未處理食醋樣品的PCA分析結果見圖2。

圖2 優化前的PCA結果分析Fig.2 PCA analysis results before optimization

以上述兩類產品測定數值建立模板，由圖2可知，采用電子鼻的PCA分析可以看到第1主成分貢獻率80.893%，第2主成分貢獻率12.766%，兩者合計93.659%，雖然差異性較大，但模板分析顯示兩類產品不能很好的區分，圖2中也可看到兩類數據有較多重疊之處。

線性判別分析（linear discriminant analysis，LDA）是一種有效的特征抽取方法。它能夠使模式樣本有最小的類內距離和最大的類間距離，有最佳的可分離性[7]。未處理食醋樣品的線性判別分析結果見圖3。

圖3 優化前的LDA結果分析Fig.3 LDA analysis results before optimization

由圖3可知，兩類樣品得到很好的區分，左邊為Ⅰ類，右邊為非Ⅰ類，兩類樣品類間距明顯，但是從差異性和主成分分析來看，第1主成分貢獻率56.679%，第2主成分貢獻率5.421 5%，兩者合計只有62.1%，差異性較低。

以上述模板對11個樣品進行了識別判定歸屬實驗，已知其中4個樣品屬于Ⅰ類，7個樣品屬于非Ⅰ類。因為只有兩類樣品，而判斷指標有4個，且非Ⅰ類模板是混合樣品模板，為簡化結果，規定當只有4個判斷指標判定相同時才能認定為一類產品，如果有任意一個判斷指標判定不同則認定為另一類產品，對比已知樣品歸屬，計算判斷正確率和誤判率。結果見表1。

由表1可知，對比樣品已知歸類，Ⅰ類樣品全部判斷正確，非Ⅰ類樣品中有2個誤判為Ⅰ類，誤判率為18.2%，正確判斷率為81.8%。

上述實驗顯示用4個指標共同判定樣品歸屬的效果有待提高[11]（魯小利等在可樂飲料的電子鼻檢測研究中樣品誤判率為0）。因此，實驗中將兩類樣品模板數據分別輸出后進行分析，對比了10個傳感器的數值區間，Ⅰ類、非Ⅰ類樣品的初始電阻和最后電阻的比率及變動區間測定結果分別見表2及表3。

表1 未處理樣品模板的判定結果Table 1 Determination of untreated sample template

表2 Ⅰ類樣品的初始電阻和最后電阻的比率及變動區間測定結果Table 2 The ratio of initial resistance,final resistance and variable interval determination results of type I sample

表3 非Ⅰ類樣品的初始電阻和最后電阻的比率及變動區間測定結果Table 3 The ratio of initial resistance,final resistance and variable interval determination results of non-type I sample

由表2及表3可知，通過區間對比發現傳感器1、3、4、5、6、7、8、10測定數據有交集，傳感器2、9測定數據無交集，2、7、9傳感器反應敏感，數值較大。結果表明，可用于區別不同產品的傳感器數量少，不足以進行區別判定，需要進行樣品處理增加識別性。實驗采用正交試驗方式對傳感器性能進行評價和優化組合。

2.3 傳感器性能參數優化正交試驗

實驗中烘干過程考慮了85℃和105℃兩個溫度，根據頂空瓶的實際大小，選擇了0.5 mL和1 mL兩個取樣量，時間方面選擇了20 min和60 min為參數進行了3因素2水平正交試驗，重復測定6個同類樣品，因素與水平見表4，正交試驗設計見表5。考察因素和水平對不同類樣品初始電阻和最后電阻的比率測定數值及區間交集范圍，有交集的，結果記為1，否則記為2，結果數值小，表示測定數值變動范圍無交集，即無相關性，也就是能完全區別開兩組數據。非Ⅰ類樣品、Ⅰ類樣品的4種處理通過區間對比得到結果見表6。

表4 傳感器性能參數優化正交試驗因素與水平Table 4 Factors and levels of orthogonal experiments for sensors performance parameter optimization

表5 傳感器性能參數優化正交試驗結果與分析Table 5 Results and analysis of orthogonal experiments for sensors performance parameter optimization

由表6可知，1處理即取樣量0.5 mL、烘干溫度85℃、烘干時間20 min，只有4號傳感器對Ⅰ類樣品和非Ⅰ類樣品的感應值不存在交集；

表6 Ⅰ類樣和非Ⅰ類樣的區間交集對照結果Table 6 Comparison results of type I sample and non-type I sample of overlap section

2處理即取樣量0.5 mL、烘干溫度105℃、烘干時間60 min，有3號、5號、6號、10號共4支傳感器對Ⅰ類樣品和非Ⅰ類樣品的感應值不存在交集；

3處理即取樣量1.0mL、烘干溫度85℃、烘干時間60 min，全部10支傳感器對Ⅰ類樣品和非Ⅰ類樣品的感應值均有交集；

4處理即取樣量1.0 mL、烘干溫度105℃、烘干時間20 min，有1號、5號共2支傳感器對Ⅰ類樣品和非Ⅰ類樣品的感應值不存在交集。

結果說明傳感器對樣品的感應與樣品處理的方式有相關。通過計算求和可知1號傳感器各因素的2水平結果之和（值為3）大于1水平結果之和（值為2），顯示該傳感器在取樣量1 mL、105℃、60 min的處理條件下有區分能力；2號傳感器各因素的2個水平結果之相等（值為2），顯示該傳感器對各因素的水平無感應差別，即無區分能力；3號、6號、10號傳感器因素1的2水平結果之和（值為2）小于1水平結果之和（值為3），因素2的2水平結果之和（值為3）大于1水平結果之和（值為2），因素3的2水平結果之和（值為3）大于1水平結果之和（值為2），顯示3號傳感器在1因素1水平、2因素2水平、3因素2水平的條件下有感應差別，即在取樣量0.5 mL、105℃、60 min的處理條件下有區分能力；4號傳感器各因素的2水平結果之和（值為2）均小于1水平結果之和（值為3），顯示4號傳感器對各因素的1水平即在取樣量1 mL、85℃、20 min的處理條件下有區分能力；5號傳感器因素1的2個水平結果之和相等（值為3），因素2的2水平結果之和（值為4）大于1水平結果之和（值為2），因素3的2個水平結果相等（值為3），顯示5號傳感器只對因素2敏感，且在2水平即105℃時有區分能力，因素1和3對其無影響；7號、8號、9號傳感器各因素的2個水平結果之和相等（值為2），顯示7號傳感器對各因素的水平無感應差別。

綜合上述結果分析，由于數據來源于兩組不同樣品，但兩組樣品是同一類產品，因此，無區分能力的傳感器2、7、8、9可以理解為體現同類產品的共性特征，這些傳感器在特征識別時雖然不能發揮作用，但是從體現樣品完整信息的角度考慮，應作為可選；傳感器3、6、10區分條件相同；傳感器5指向溫度；傳感器4是條件孤例，應舍去；傳感器1對取樣量有要求，為統一處理條件和測定數據一致性，應作為可選。這樣可用傳感器為1、2、3、5、6、7、8、9、10共9支。

2.4 優化模板的建立

以取樣量0.5 mL、烘干溫度105℃、烘干時間60 min的傳感器性能優化條件處理樣品后建模，LDA分析結果見圖4，PCR分析結果見圖5。

由圖4可知，左邊為非Ⅰ類樣品，右邊是Ⅰ類樣，數值顯示第1主成分貢獻率75.422%，第2主成分貢獻率3.519 9%，差異達到78.942%，區分效果比較明顯。

由圖5可知，左下圓圈為Ⅰ類樣品，靠上的為非Ⅰ類樣品，數值顯示第1主成分貢獻率99.446%，第2主成分貢獻率0.428 87%，差異達到99.875%，區分度也有顯著的增強。

圖4 優化后的LDA分析結果Fig.4 LDA analysis results after optimization

圖5 優化后的PCA分析結果Fig.5 PCA analysis results after optimization

由于對樣品進行了前處理，并對傳感器進行了優化，與未優化前（即未處理樣品的模板，見圖2、圖3）模板對比，LDA差異率由62.1%提高至78.942%；PCA差異率由93.659%提高至99.875%，區分度得到提高。

2.5 識別檢驗

從市場選購31個食醋樣品，其中13個是Ⅰ類樣品（生產日期不同），其余為非Ⅰ類樣品（生產廠家不同），按優化條件進行樣品處理后測定，數據歸納總結，得到電子鼻識別結果見表7。

表7 電子鼻識別結果Table 7 Identification results of electronic nose

續表

由表7可知，對比樣品已知歸類，Ⅰ類樣品全部判斷正確，非Ⅰ類樣品中有2個誤判為Ⅰ類，誤判率為5.4%，正確判斷率為94.6%。

3 結論

電子鼻傳感器經優化選擇后可以較好區分兩類食醋產品。經過樣品處理和優化后，電子鼻對兩類樣品的識別率由81.8%提高至94.6%，誤判率由18.2降低至5.4%，準確性有了顯著提高。

食醋生產過程復雜，可變因素多，按國家標準檢測的項目并不能真實反映樣品的真正生產方式，食醋本身的原料標注和它實際生產工藝不符也會導致誤判，因此對電子鼻進行訓練時樣品的準確性至關重要，有助于誤判率的降低和判定準確性的提高。

[1]成劍峰，郭文娟，胡紅娟.一株耐酸酵母菌的分離及性能測定[J].中國釀造，2013，32（6）：39-42.

[2]華南工學院，無錫輕工業學院，天津輕工業學院，大連輕工業學院.酒精與白酒工藝學[M].北京：輕工業出版社，1980.

[3]傅金泉.中國釀酒微生物研究與應用[M].北京：中國輕工業出版社，2008.

[4]張 杰，侯小歌，王俊英，等.高溫大曲中酵母菌的分離、鑒定及耐高溫性[J].中國釀造，2011，30（11）：112-114.

[5]GARDNER J W,BARTLETT P N.A brief history of electronic nose[J].Sensor Actuat B-Chem,1994,18(3):210-211.

[6]GARDNER J W,BARTLETT P N.Electronic nose:principles and applications[M].Oxford:Oxford University Press,1999.

[7]魯小利，王 俊，海 錚.基于遺傳優化神經網絡的電子鼻對可樂的檢測[J].傳感技術學報，2007，20（6）：1211-1214.

[8]孫鐘雷.電子鼻技術在豬肉新鮮度識別中的應用[J].肉類研究，2008（2）：50-53.

[9]TORRI L,SINELLI N,LIMBO S.Shelf life evaluation of fresh-cut pineapple by using an electronic nose[J].Postharvest Biol Tec,2010,56(3):239-245.

[10]于慧春，王 俊，張紅梅，等.龍井茶葉品質的電子鼻檢測方法[J].農業機械學報，2007，38（7）：103-106.

[11]魯小利，海 錚，王 俊.可樂飲料的電子鼻檢測研究[J].浙江大學學報：農業與生命科學版，2006，32（6）：677-682.

[12]張覃軼，胡 偉，葉衛平，等.一種基于電子鼻的食醋識別新方法[J].傳感器與微系統，2008，27（6）：29-32.

[13]張厚博，梅笑冬，趙 萬，等.用于食醋品質預評價的電子鼻研究[J].傳感器與微系統，2013，32（3）：62-63.

[14]李德茂，陳利梅，馬淑鳳.電子鼻在醬油識別中的應用研究[J].中國釀造，2010，29（4）：107-109.

[15]杜榮騫.生物統計學[M].北京：高等教育出版社，1985.