電子鼻技術對山葡萄酒酒齡的識別

董 畫，何 雨，薛桂新*

（延邊大學 農學院，吉林 延吉 133002）

葡萄酒中含有多種花青素、多酚、黃酮、白藜蘆醇等活性物質，適量飲用可提高人體肌肉張弛度、改善睡眠、美容養顏和抗衰老等[1]。葡萄酒還具有香氣濃郁、口味醇厚、風味良好的特點。葡萄酒的風味隨著貯存年份的不同而有所改變，對葡萄酒的品質影響較大，所以葡萄酒的酒齡是影響葡萄酒品質的重要指標。

葡萄酒及白酒酒齡檢測的方法有感官評價法、化學分析法、仿生傳感智能感官法[2]。感官評價法[3]和化學分析法[4]存在人為干擾較大和分析過程復雜、設備昂貴等缺點。電子鼻技術是一種仿生傳感智能感官法[5]，它利用現代信息技術和傳感技術模仿人或動物的視覺、味覺、聽覺和嗅覺等感覺行為，自動獲取被檢測對象品質特性的信息，并模擬人對信息的理解和判別對獲取的信息進行處理的技術。該技術具有無損、快速和操作方便等優點。

在國外，電子鼻的應用十分廣泛[6]，如食品工業[7]、環境監測[8]、醫療衛生[9]和藥品工業[10]等。PERIS M 等[11-12]利用電子鼻識別了食物的真偽和摻假，并對西班牙葡萄酒品種進行了識別。在國內，有關電子鼻技術的應用剛剛起步[13]，在葡萄酒品質檢測中，張昱等[14]利用電子鼻技術研究了慕薩萊思葡萄酒中呈香物質的變化；許春華等[15]利用電子鼻對不同品種的櫻桃酒和葡萄酒的香氣進行了研究。研究表明，電子鼻的傳感器響應與樣品的種類、質量、溫度、狀態以及環境因素有很大的關系[16]，樣品體積和樣品瓶頂空生成時間對電子鼻傳感器也有很大的影響。

山葡萄（Vitis amurensis Rupr.）是葡萄屬植物中最抗寒的一個種，原產于吉林、黑龍江和遼寧，目前在大小興安嶺廣泛分布[17]。山葡萄用于工業化釀酒已有七十多年歷史，已成為我國葡萄酒行業獨具地方特色的品牌，是吉林省的支柱產業，在國內外有較高的知名度[18]。但由于部分中小葡萄酒廠追求經濟利益，虛報葡萄酒生產年份，陳釀時間短，用勾兌等方法彌補天然葡萄酒色香味的不足，影響了山葡萄酒的質量和產業的發展。

本研究以山葡萄酒為實驗材料，利用電子鼻技術，通過主成分分析法（principal component analysis，PCA）、線性判別分析法（linear discriminant analysis，LDA）和方差分析（analysisof variance，ANOVA）等科學方法對葡萄酒樣品的體積分數、樣品體積和樣品瓶頂空生成時間進行優化，在優化參數的條件下，通過逐步線性判別分析法（stepwise linear discriminant analysis，Step-LDA）對2014-2017年不同酒齡的山葡萄酒進行識別，達到對山葡萄酒酒齡準確識別的目的。

1 材料與方法

1.1 實驗材料

2014-2017年生產的山葡萄酒：吉林省延邊州長白娃食品有限公司。

1.2 儀器與設備

PEN3型電子鼻儀器：德國AIRSENSE公司；101型電熱鼓風干燥箱：天津泰斯特儀器有限公司；TDZ5-WS型高速離心機：湖南湘儀實驗儀器有限公司；pH-3C型酸度計：上海儀電科學儀器有限公司。

1.3 方法

將山葡萄酒樣品從瓶中取出，待溫度至室溫，在3000r/min的條件下離心10min，取上層液作為測試樣品。取一定體積的樣品放入40 mL頂空瓶中，平衡一段時間后，采用靜態頂空進樣方式，進樣前在進樣口放置0.45 μm濾膜，將電子鼻針頭從采樣瓶頂部刺入進行樣品分析。電子鼻清洗時間為240 s，樣品準備時間為5 s，檢測時間為100 s，電子鼻軟件每1 s自動記錄一次數據。表1為電子鼻10個傳感器（S1～S10）對應的敏感物質[19]。

表1 電子鼻傳感器及對應的敏感物質Table 1 E-nose sensor and corresponding sensitive materials

1.3.1 樣品體積分數的優化

取2016年和2017年的山葡萄酒樣品分別按照樣品體積分數3.3%、4.0%、5.0%、6.7%、10.0%、20.0%和100%分成7組，各取10 mL進樣分析。每組重復5次，共70個樣品，樣品放置10 min后進行電子鼻分析。

1.3.2 樣品體積的優化

取2016年和2017年的山葡萄原酒樣品，選用1.3.1中優化的體積分數，分別按照樣品體積1 mL、2 mL、5 mL、10 mL和15 mL分成5組，每組重復5次，共50個樣品，樣品放置10 min后進行電子鼻分析。

1.3.3 樣品瓶頂空生成時間的優化

取2016年和2017年的山葡萄酒樣品，選用1.3.1中優化的體積分數和1.3.2中優化的體積，分別按照頂空生成時間0 min、10 min、20 min、30 min和40 min分成5組，每組重復5次，共50個樣品，靜置相應時間后進行電子鼻分析。

1.3.4 不同年份山葡萄酒感官評價

由13名具有感官評價經驗的人員對2014～2017年4種不同年份的山葡萄酒進行感官評價。感官評分標準見表2[20]。

表2 山葡萄酒感官評分標準Table 2 Sensory evaluation standards of wild grape wine

1.3.5 不同年份山葡萄酒樣品的電子鼻識別

采用1.3.1、1.3.2和1.3.3中的優化參數，對2014、2015、2016和2017年四年的山葡萄酒樣品進行識別，每組20個重復，共80個樣品。

1.3.6 數據處理

選擇傳感器信號較穩定時間內的響應值進行分析。主成分分析、線性判別分析是通過電子鼻自帶的WinMuster分析軟件進行分析，利用SPSS 22進行方差分析和逐步判別分析。

2 結果與分析

2.1 實驗參數的優化

2.1.1 樣品體積分數的優化

圖1 體積分數為20.0%（A）、10.0%（B）和6.7%（C）的樣品對電子鼻傳感器的效應曲線Fig.1 Effect curves of samples with volume fraction 20.0%(A),10.0%(B)and 6.7%(C)on E-nose sensor

優化實驗過程中發現，當樣品體積分數過高時（100%），對傳感器會造成一定程度的損壞，當樣品體積分數過小時（3.3%、4.0%和5.0%），電子鼻傳感器響應值太低，極易受到外界干擾，樣品體積分數為6.7%、10.0%和20.0%時傳感器響應值大小適宜。三個體積分數的樣品電子鼻傳感器響應曲線見圖1。由圖1可知，S1～S10這10個傳感器的響應曲線圖大體趨勢一致，其中，S2、S6、S7、S8和S9傳感器的響應曲線都是迅速升高后急劇下降最后逐漸趨于平穩，而其余傳感器響應曲線略微升高后趨于平穩；樣品的體積分數越高其響應值越大，說明該傳感器對應的敏感物質濃度越高，根據表1可知，山葡萄酒樣品中氮氧化合物、甲烷、乙醇、芳香成分和有機硫化物等化合物含量較高。3種體積分數均可用于電子鼻識別，但僅根據響應值大小無法準確判斷用于識別2016年和2017年樣品的最優體積分數，因此使用了其他分析方法進行數據分析。

PCA和LDA的總貢獻率為第一主成分方差貢獻率和第二主成分方差貢獻率之和，總貢獻率越大，越能更好的反映原始數據的信息[21]，總貢獻率超過70%的分析結果是可行的[22]。

2016年和2017年3種體積分數樣品的電子鼻PCA及LDA結果見圖2。由圖2A可知，當樣品體積分數為20%時，兩年份樣品重合嚴重，且樣品離散程度較大，不適合用于區分；當樣品體積分數為6.7%時，兩年份樣品點也有重疊；當體積分數為10%時，兩樣品點分散開來，區分效果較好。由圖2B可知，2016年和2017年樣品分離效果較好，且2016年10.0%、20.0%和2017年10.0%的離散程度較小，說明LDA的效果好于PCA。

圖2 三種體積分數下樣品的電子鼻PCA（A）和LDA（B）結果Fig.2 PCA(A)and LDA(B)results of E-nose of samples with three kinds of volume fractions

不同實驗參數對單一傳感器的方差分析結果見表3。由表3可知，不同樣品體積分數和頂空生成時間對電子鼻單一傳感器的響應信號無顯著影響（P＞0.05），而不同樣品體積有極顯著影響（P＜0.01），說明樣品體積對實驗結果影響很大。

表3 不同實驗參數對單一傳感器的方差分析結果Table 3 Variance analysis results of different experiment parameters for single sensor

電子鼻復合傳感器對2016年和2017年不同實驗參數的ANOVA分析結果見表4。由表4可知，選用復合傳感器數據分析時，各實驗參數間均具有極顯著差異（P＜0.01）。

表4 電子鼻復合傳感器對2016年和2017年不同實驗參數的方差分析結果Table 4 Variance analysis results of E-nose composite sensor for different experiment parameters of wild grape wines with the year of 2016 and 2017

綜合表3和表4，可以看出僅靠單一傳感器識別時存在局限性，而多種傳感器綜合使用效果優越。由表4可知，樣品體積分數10.0%的F值最大，說明兩種樣品間的差異程度最大，有較好的區分效果。綜合以上分析，區分2016年和2017年山葡萄酒優化樣品體積分數為10.0%。

2.1.2 樣品體積的優化

2016年和2017年5種樣品體積下樣品的電子鼻PCA及LDA結果見圖3。由圖3A可知，當樣品體積為1 mL時，兩年份樣品點有重合部分，區分效果不好；在其他體積條件下，兩年份樣品都區分開來，但2016年10 mL體積的樣品點分散。由3B可知，2016年和2017年樣品點分布集中，且2016年樣品各個體積條件下除了5 mL和10 mL樣品重合，其余樣品都區分開；而2017年各體積條件下，重合較嚴重。表4中樣品體積5 mL的F值最大，兩樣品差異程度最大。綜合以上分析，區分2016年和2017年山葡萄酒優化的樣品體積為5 mL。

2.1.3 頂空生成時間的優化

其三，政府部門要加大扶持力度，發揮帶頭作用，深入田間地頭指導農民，通過身體力行，讓農民對生態環境保護有直觀的認識，并積極效仿。此外，政府還要重視農業示范基地建設，對示范田的土壤、農產品的質量以及試驗田的周圍環境都要進行調查、分析，充分發揮農業生產示范田的標榜作用。

2016年和2017年5種頂空生成時間下樣品的電子鼻PCA及LDA結果見圖4。由圖4A可知，2016年和2017年樣品在5種頂空生成時間下，在PCA圖中都能夠區分開來，但2016年40 min樣品點分布離散。同時還可以看出，2017年樣品在各個時間條件下也有較多重合部分，說明各個生成時間條件下，2017年樣品差異較小。由圖4B可知，各個樣品點分布集中，且兩年份樣品分離。由表4可知，頂空生成時間30 min時F值最大，兩樣品間差異最大。綜上分析，區分2016年和2017年山葡萄酒優化樣品瓶頂空生成時間為30 min。

從PCA、LDA和方差分析結果可以看出，PCA在降維的同時，最大程度的保留了原始信息，其貢獻率之和很高，但分類效果一般。LDA結果顯示其分類效果最好，樣品點分布集中。而方差分析法可以通過F值表示樣品間差異程度。因此，采用PCA、LDA和ANOVA多種分析方法相結合來確定優化的實驗參數較為科學。

圖4 五種頂空生成時間下樣品的電子鼻PCA（A）和LDA（B）結果Fig.4 PCA(A)and LDA(B)results of E-nose of samples with five kinds of headspace-generation time

2.2 4種不同酒齡山葡萄酒樣品的電子鼻識別

2.2.1 不同酒齡山葡萄酒樣品感官評價

表5 山葡萄酒感官評價結果Table 5 Sensory evaluation results of wild grape wines

由表5可知，山葡萄酒貯存年份越久，酒樣澄清度和香氣得分逐漸增高，酒體越澄清，香氣越濃郁。使用感官評價法對山葡萄酒的色澤、澄清度和香氣具有一定的區分效果，對滋味無法進行區分。在色澤與香氣方面，2017年樣品與2014年和2015年樣品均有顯著性差異（P＜0.05）；在澄清度方面，僅2016年和2014年樣品存在顯著性差異（P＜0.05）；在滋味方面，4年樣品無顯著性差異（P＞0.05）。通過感官評價無法準確的識別4個年份的山葡萄酒樣品，對滋味完全無法識別。

2.2.2 不同年份的山葡萄酒PCA和LDA分析

4種年份的山葡萄酒樣品電子鼻PCA及LDA結果見圖5。由圖5A可知，PC1和PC2方差累計貢獻率為98.76%，保留了幾乎所有的原始信息。通過SPSS對四個年份十個傳感器的響應值進行主成分分析，得出第一主成分和第二主成分的成分矩陣表，進而求得兩個主成分的表達公式：

第一主成分=0.321ZS1+0.327ZS2+0.329ZS3+0.320ZS4+0.329ZS5+0.290ZS6+0.315ZS7+0.316ZS8+0.314ZS9+0.300ZS10

（其中ZS1表示S1傳感器響應值經標準化處理后的結果，其他傳感器數值同樣經過標準化處理）

四個年份的樣品在PC1軸上差異不大，在PC2軸上能夠區分開，山葡萄酒貯存年份相差越大，樣品間距離越遠，可見不同貯存年份其香氣成分有差異，并且差異主要體現在第二主成分上。由第二主成分表達式可知，傳感器S6、S9和S10對第二主成分影響較大，即四個年份樣品第二主成分上的差異可能是由S6、S9和S10傳感器響應值不同引起，結合表1各傳感器對應的敏感物質可知，四個年份樣品中的甲烷等烷烴類及有機硫化物等芳香成分含量存在差異。由圖5B可知，不同年份的樣品間區分效果好，通過第一主成分就能夠分離開，并且樣品點相對于PCA圖中，分布更加集中，區分效果更好。

圖5 不同年份山葡萄酒的電子鼻PCA（A）和LDA（B）結果Fig.5 PCA(A)and LDA(B)results of E-nose of wild grape wines with different years

2.2.3 不同年份山葡萄酒的逐步線性判別分析

逐步判別分析法可以依據建立的模板，對未知酒樣品進行識別。本實驗選取了2014-2017年各10個樣品建立模板，對另外10個樣品進行逐步線性判別分析，結果見表6。

表6 不同年份的山葡萄酒電子鼻逐步線性判別分析結果Table 6 Stepwise linear discriminant analysis results of E-nose for wild grape wines with different years

由表6可知，2014-2016年的10個樣品預測的準確率均為100%，而2017年的10份樣品中有3個樣品被誤分到2016年，準確率為70%，可能是由于2017年山葡萄酒貯存時間已達半年多，個別樣品香氣成分與2016年香氣成分可能比較接近的原因。本實驗說明利用電子鼻通過逐步線性判別分析法對山葡萄酒識別時，山葡萄酒的酒齡為一年半以上時能獲得100%的準確率。

3 結論

電子鼻測定不同酒齡山葡萄酒時，樣品體積分數，樣品體積和樣品瓶頂空生成時間對測定結果有很大影響，其中樣品體積的影響程度最大，對單個傳感器和復合傳感器影響均極顯著（P＜0.01）。結合PCA，LDA和ANOVA分析方法，確定出優化參數為：樣品體積分數10.0%、樣品體積5 mL、樣品瓶頂空生成時間30 min。

利用感官評價方法可以在一定程度上區分不同年份的山葡萄酒，但區分效果不佳，且無法進行年份識別。而電子鼻在優化參數條件下可以完全區分2014年、2015年、2016年和2017年的山葡萄酒樣品，并且在PCA和LDA分析圖上，各樣品的分布位置不同，儲存時間越長，樣品間距離越遠，識別效果越好。對電子鼻各傳感器的響應值進行逐步線性判別分析，2014、2015和2016年的山葡萄酒預測準確率為100%，2017年樣品預測準確率為70%。