基于电子鼻技术的信阳毛尖茶咖啡碱检测方法*

张红梅，王 俊，余泳昌*，高献坤，花恒明，何玉静

(1.河南农业大学机电工程学院，郑州 450002;2.浙江大学生物系统工程与食品科学学院，杭州 310029)

茶叶香气由含量少而种类繁多的挥发性物质组成，至今报道已分离鉴定的有650种［1］。这些研究虽然取得了一定成果，但从定性角度出发，这些成分分析方法的作用还是非常有限的。长期以来，茶叶科研工作者都致力于茶叶品质的量化识别研究，期望采用科学的仪器测定茶叶，用科学计量的品质指标来评价茶叶品质。水分、茶多酚、咖啡碱和氨基酸是茶叶中主要品质成分，它们影响茶色、茶香和茶味的形成。传统的茶叶成分测定方法，比如咖啡碱含量的测定通常采用碘量法、重量法、紫外分光光度法等，茶多酚含量的测定通常采用高锰酸钾滴定法和酒石酸铁比色法。这些测定方法需要繁琐的化学处理，不仅速度慢、费用高、测定结果差异大，而且易产生污染、具有破坏性。因此研究绿茶品质成分的快速准确测定方法具有重要的现实意义［2］。近年来，电子鼻技术的兴起，让我们看到了一种通过气味来评价茶叶品质的快速无损新方法。于慧春等［3－4］采用电子鼻技术以5组不同等级的茶叶、茶水、叶底以及4个不同等级的龙井茶为研究对象，对茶叶品质进行了系统研究。Ritaban Dutta等［5］利用电子鼻技术对5种不同加工工艺的茶叶进行分析和评价，结果表明采用RBF的模式识别方法时，可以100%区分5种不同加工工艺的茶叶。Nabarum Bhattacharyya等［6］用电子鼻技术对红茶发酵过程中的气味进行实时监测，以便预测最佳的发酵时间，避免发酵时间不当影响成品茶叶品质。Yang Ziyin等［7］检测日本绿茶中浓缩香豆素含量以及其独特的香气，结果表明电子鼻技术结合主成分分析和聚类分析方法能正确识别7个不同香豆素含量的茶叶样本。

信阳毛尖茶是中国十大名茶之一，但有关它的品质检测方面的研究报道并不多。郭桂义等［8－9］对信阳毛尖的滋味成分进行过系统的研究，也探讨过信阳毛尖茶春季不同时期化学成分与品质的变化。霍权恭等［10］对比研究了信阳毛尖春茶和夏茶的挥发性成分的差异。笔者采用电子鼻技术，对信阳毛尖茶中咖啡碱的含量进行快速检测，旨在探讨信阳毛尖品质和成分的检测方法，使茶叶品质评审更加科学化和定量化。

1 材料和方法

1.1 试验材料

茶叶样品来自河南信阳同一茶园和采用同一加工工艺的2009年明前信阳毛尖炒青茶，共有3个品质等级，分别为T1、T2和T3。T1为1级茶叶、T2为2级茶叶、T3为3级茶叶。对3个等级的信阳毛尖茶各取30个样品，每个样品5 g。这些子样品分别被盛放在500 mL烧瓶内，用保鲜膜密封后，置于25±1℃的室内，60 min后进行电子鼻顶空取样。待测茶叶样本的挥发气味在传感器阵列室内与传感器阵列反应，产生电信号，通过采集电路把数据采集到计算机进行处理。

1.2 化学成分测定

咖啡碱的测定采用GB8312—87《茶 咖啡碱测定》，紫外分光光度法(UV－2501紫外分光光度仪)。

1.3 电子鼻

试验是用德国Airsense公司的PEN2电子鼻，该电子鼻包含有l0个金属氧化物传感器组成的阵列。10个传感器名称分别为 W1C、W5S、W3C、W6S、W5C、W1S、W1W、W2S、W2W 和 W3S。传感器对不同的化学成分有不同的响应值。响应信号为传感器接触到样品挥发物后的电导率G与传感器在经过标准活性碳过滤气体的电导率G0的比值。测量时记录10个不同选择性传感器的G/G0比值，作为进一步统计分析的数据。每次测量前后，传感器都进行清洗，这有效地保证了电子鼻测量数据的稳定性和精确度。结合电子鼻自带WinMuster软件对数据进行采集、测量和分析。仪器组成主要包含:传感器通道、采样通道、计算机。该电子鼻具有自动调整、自动校准及系统自动富集的功能。本试验研究中，检测时间设定为60 s，清洗时间设置为90 s，可以基本使传感器响应恢复到初始状态。

2 结果和讨论

2.1 咖啡碱检测结果

咖啡碱是构成茶汤滋味的重要物质，也是茶叶中主要的药理活性成分。虽然其本身味苦，但是与多酚类及其氧化产物形成络合物以后便具有一种鲜爽滋味。因此，茶叶咖啡碱含量与品质之间呈正相关，咖啡碱含量高，茶叶品质好［11］。图1所示是三个等级的信阳毛尖茶咖啡碱含量平均值，从图1中可以看出，茶叶等级越高，咖啡碱含量越高。试验结果与前人研究结果吻合。

图1 不同信阳毛尖茶叶等级的咖啡碱含量

2.2 气敏传感器阵列对不同品质茶叶气味的响应

图2所示是3个等级信阳毛尖茶气味的传感器阵列响应平均值的变化。图2可以看出传感器S2对茶叶气味反应比较大，响应值也比较大。传感器S5正向略偏离1，响应值有所增强。传感器S6和S8负向偏离1，信号有所变化。传感器S1、S3、S4、S7、S9 和S10响应值变化不大。从S2的响应值看，传感器对1级茶叶响应较大，对3级茶叶响应较小。

图2 三个等级信阳毛尖茶传感器响应值变化

2.3 传感器阵列的优化

对传感器阵列所得的原始数据进行标准化处理后再进行传感器阵列的优化。Loading分析用于反应因子与各个变量间的密切程度，常应用于指标(变量)分类。在电子鼻应用中把各个传感器当成变量，通过Loading分析可以直观的对传感器进行分类，为传感器取舍提供一种依据［12］。Loading分析结果如图3所示。图3显示出了，传感器S7、S5各为为一类，在第二主轴上比重较大;S4和S10为一类，S1、S3、S2、S6、S8 和 S9 为一类在第一主轴的比重较大。下面再通过相关分析，分析一下各个传感器之间的相关程度。

表1 各传感器之间的相关系数

图3 Loading分析图

相关分析主要用来分析传感器之间的相关程度，如果两个传感器测试结果的相关程度大，说明两个传感器包含相似的信息。传感器之间的相关程度用相关系数来表示，相关系数越大，说明传感器之间的相似程度越大，包含越多的冗余信息，可考虑去除。相关系数越小，传感器之间的相似度越低，传感器之间包含的冗余信息越少，应优先考虑［12］。通过相关分析10个传感器之间的相关系数如表1所示。通过Loading分析，传感器S5和S7各为一类，通过计算S5和S7的相关系数为－0.15，说明二者相似程度较少，可以优先考虑采用。S4和S10为一类，二者相关系数为0.85，相关系数较大，说明二者之间的相似程度很大，考虑去除 S4。S1、S2、S3、S6、S8和S9为一类，综合考虑与其他传感器之间的相关系数以及传感器对茶叶响应值的大小，在这一类中选择S2。S2、S7、S10和S5为最终的新传感器阵列，用于信阳毛尖茶的品质识别。

2.4 PCA 分析

对传感器阵列对信阳毛尖茶叶响应值的数据矩阵进行主成分分析，图4是前两个主成分PC1和PC2组成的二维图，前两个主成分的贡献率分别为72.89%和17.63%，累计贡献率为90.52%。因为PCA只对原始数据分析，不考虑分类情况，其区分情况与品质实际情况一致。按照1级、2级、3级茶叶的情况，可以将不同等级的茶叶完全区分开，而且效果比较好。说明电子鼻可以检测到不同品质信阳毛尖茶的气味差异。

图4 不同品质茶叶的PCA分析图

2.5 基于气敏传感器阵列的咖啡碱预测模型

提取优化后的气敏传感器阵列 S2、S5、S7和S10四个传感器对信阳毛尖1级、2级、3级茶叶样品的稳态信号即45s时刻的响应信号进行分析，所提取的数据矩阵为90行4列。每个等级茶叶样品试验时测试了30个子样品，3个等级共90个试验数据;从每个等级茶叶30个子样本中随机抽取27个，共81个作为训练集，剩余9个作为测试集。将4个传感器对信阳毛尖茶的响应信号作为自变量，3个等级的茶叶咖啡碱含量作为因变量。利用主成分回归(PCR)、多元线性回归(MLR)和二次多项式逐步回归(QPSR)方法分别建立信阳毛尖茶基于气敏传感器阵列的咖啡碱预测模型。

在对S2、S5、S7和S10四个传感器对信阳毛尖1级、2级、3级茶叶样品的稳态信号即45 s时刻的响应信号进行主成分分析过程发现，第一主成分与第二主成分的贡献率分别为64.27%和27.93%，累积贡献率达92.2%，说明前两个主成分可以解释所有变量的信息。所以选择第一和第二主成分建立回归模型如下所示。

式(1)中y表示咖啡碱的含量;x1到x4分别表示传感器S2、S5、S7和S10对茶叶的响应信号。

模型(1)训练集预测值与实测值之间的相关系数，预测标准误差SEP，平均误差百分比分别为:0.75、0.17和3.08%。测试集预测值与实测值的关系如图5所示。预测集预测值与实测值之间的相关系数，预测标准误差SEP，平均误差误差百分比分别为:0.66、0.32 和 3.42%。

图5 PCR模型对测试集预测值与实测值的拟合图

多元线性逐步回归(MLR)利用4个传感器对茶叶的响应信号建立与茶叶咖啡碱含量之间的多元线性关系。MLR回归模型如下:

式(2)中自变量的含义与式(1)相同。

式(2)训练集预测值与实测值之间的相关系数，预测标准误差SEP，平均误差百分比分别为:0.89、0.12和1.92%。测试集预测值与实测值的关系如图6所示。预测集预测值与实测值之间的相关系数，预测标准误差SEP，平均误差误差百分比分别为:0.80、0.19 和 2.8%。

前两种建模都是线性方法，本文采用二次多项式逐步回归方法建立传感器信号与茶叶咖啡碱含量之间的非线性关系。即把正交实验和回归分析有机结合起来，在正交实验的基础上利用回归分析，在给出的因素和指标之间，找到一个明确的函数表达式。回归模型如下:

图6 MLR模型对测试集预测值与实测值的拟合图

式(3)中自变量的含义与式(1)相同。

式(3)训练集预测值与实测值之间的相关系数，预测标准误差SEP，平均误差百分比分别为:0.96、0.06和1.08%。试集预测值与实测值的关系如图7所示。预测集预测值与实测值之间的相关系数，预测标准误差SEP，平均误差百分比分别为:0.94、0.19 和 2.3%。

图7 二次多项式逐步回归模型对测试集预测值与实测值的拟合图

2.6 PCR、MLR和QPSR模型比较

分别采用PCR、MLR和QPSR三种建模方法建立了基于气敏传感器信号的信阳毛尖茶咖啡碱含量预测模型。表2列出了三种模型对预测集的预测结果。由表2可知，QPSR模型的预测效果最好，具有最大的相关系数和最小的相对误差百分比。说明采用非线性方法来建立因素与指标之间的关系，能够反映二者之间复杂的非线性关系以及因素之间的交互作用。MLR模型的预测结果优于PCR模型的预测结果，说明前两个主成分的累积贡献率虽然达到92.2%，但是还有一些重要信息丢失，不能完全解释4个气敏传感器信息。表中数据显示为:3种模型中二次多项式逐步回归(QPSR)相关系数最大，预测标准差最小，相对误差百分比最小，由此可以确定，对于本研究中信阳毛尖茶品质的电子鼻分析中，最优模型为二次多项式逐步回归。

表2 不同模型预测结果比较

3 结论

(1)对三个等级信阳毛尖茶的咖啡碱含量检测结果表明茶叶等级越高，咖啡碱含量越高。说明咖啡碱含量对信阳毛尖茶品质有很大的影响。

(2)分析3个等级信阳毛尖茶气味的传感器阵列响应值变化发现，传感器S2对茶叶气味反应比较大，响应值也比较大，有些传感器信号或正向或负向偏离1，而有些传感器信号变化微小。

(3)采用Loading分析和相关分析对传感器阵列进行优化。Loading分析根据各个传感器间的密切程度，把10个传感器分成四类。结合各传感器之间的相关系数，以及传感器对茶叶的响应值的大小，选择S2、S7、S10和S5为最终的新传感器阵列，用于信阳毛尖茶的品质识别。

(4)对传感器阵列对信阳毛尖茶叶响应值的数据矩阵进行主成分分析，结果显示可以将不同等级的茶叶完全区分开，而且效果比较好。说明电子鼻可以检测到不同品质信阳毛尖茶的气味差异。

(5)利用PCR、MLR和QPSR方法分别建立信阳毛尖茶基于气敏传感器阵列的咖啡碱预测模型。MLR对预测集的预测值与实测值之间的相关系数，预测标准误差SEP，平均误差百分比分别为:0.80、0.19和2.8%。PCR对预测集的测值与实测值之间的相关系数，预测标准误差SEP，平均误差百分比分别为:0.66、0.32 和3.42%。QPSR 对预测集预测值与实测值之间的相关系数，预测标准误差SEP，平均误差百分比分别为:0.94、0.19 和2.3%。

(6)对比三种模型的性能发现:3种模型中二次多项式逐步回归(QPSR)相关系数最大，预测标准差最小，相对误差百分比最小，由此可以确定，对于本研究中信阳毛尖茶品质的电子鼻分析中，最优模型为二次多项式逐步回归。

［1］赵菁.绿茶特征香气成分及与品质的关系研究［D］.浙江大学，硕士学位论文，2002.

［2］林新，牛智有，刘梅英，等.近红外光谱法快速测定绿茶的4种主要成分［J］.华中农业大学学报，2009，28(4):487－490.

［3］于慧春，王俊.电子鼻技术在茶叶品质检测中的应用研究［J］.传感技术学报，2008，21(5):748－752.

［4］于慧春，王俊，张红梅，等.龙井茶叶品质的电子鼻检测方法［J］.农业机械学报，2007，38(7):103－106.

［5］Dutta Ritaban，Hines E L，Gardner J W，et al.Tea Quality Prediction Using a Tin Oxide-Based Electronic Nose:an Artificial Intelligence Approach［J］.Sensors and Actuators B，2003，94:228－237.

［6］Nabarun Bhattacharya，Bipan Tudu，Arun Jana，et al.Preemptive I-dentification of Optimum Fermentation Time for Black Tea Using E-lectronic Nose［J］.Sensors and Actuators B，2008，131:110－116.

［7］Yang Ziyin，Dong Fang，Shimizu Kazuo，et al.Identification of Coumarin-Enriched Japanese Green Teas and Their Particular Flavor Using Electronic Nose［J］.Journal of Food Engineering，2009，92:312－316.

［8］郭桂义，胡强，刘黎，等.信阳毛尖茶春季不同时期化学成分与品质的变化［J］.河南农业科学，2007，(12):48－50.

［9］郭桂义.信阳毛尖茶化学成分与品质关系初探［J］.茶叶，2000，26(4):228－233.

［10］霍权恭，杨京，刘钟栋，等.信阳毛尖茶叶挥发性成分GC/MS分析［J］.中国农学通报，2005，21(7):108－110.

［11］郭桂义，胡孔锋，袁丁.信阳毛尖茶的化学成分研究［J］.食品工业科技，2006，27(12):162－167.

［12］周海涛，殷勇，于慧春.劲酒电子鼻鉴别分析中传感器阵列优化方法研究［J］.传感技术学报，2009，22(2):175－178.