提高食醋电子鼻识别率方法的研究

成剑峰，胡红娟

（山西省食品工业研究所，山西 太原 030024）

固态法酿造食醋的发酵过程是一个多种微生物的代谢过程，影响产品质量与风格的因素众多，时变性大，食醋生产工艺分多种阶段，从原料处理、糖化发酵剂生产、酒精发酵、醋酸发酵、熏醅、陈酿到产品出厂，流程较长[1-2]。某些传统工艺生产过程中使用大曲为糖化发酵剂，而大曲是众多种类微生物的集合，每种微生物的代谢产物种类至今仍不能明确，发酵过程中多种风味物质对产品的内在质量和风格起决定性作用，造成酿造食醋香气成分复杂，发酵工艺过程的控制将直接决定产品的质量[3-4]，不同生产工艺的产品成分差别较大，而不同品牌但生产工艺相近的产品则较难区分。

1994年GARDNER J W等[5-7]发表了电子鼻综述文章，对这种由有选择性的电化学传感器阵列和适当的识别方法组成的，并能识别简单和复杂气味的仪器进行了定义，其原理是经气敏传感器阵列与气味分子反应后产生的电信号输入计算机处理，再通过模式识别系统定性或定量输出检测结果，与一般概念的检测不同的是得到的数据不是被测样品中某种或某几种成分的定性与定量结果，而是整体信息。

目前电子鼻的相关应用研究已在多领域展开，在食醋品质评价方面也有相关报道[8-14]。本研究利用电子鼻对食醋样本进行建模，采用正交试验对传感器进行优化选择[15]，再用欧氏距离（Euclid distance）、相关性（correlation）、马氏距离（Mahalanobis distance）、判别函数分析（discriminate function analysis，DFA）4种方式共同判定样品的归属，以提高对食醋分类识别率为目的的研究是对这一领域的有益补充。

1 材料与方法

1.1 材料与试剂

市面上采购的两家公司的山西老陈醋，按生产厂家相应分类为Ⅰ类和非Ⅰ类。另有购买的多种品牌的食醋产品作为验证样品。

1.2 仪器与设备

PEN3电子鼻系统：德国AIRSENSE公司（含有10个不同的金属氧化物传感器，组成传感器阵列）。

1.3 实验方法

1.3.1 未处理样品测定

直接吸取样品0.5 mL移入顶空瓶，旋好瓶盖，室温静置1 h后直接顶空吸气法，即将进样针头插入密封垫，电子鼻进行测定。

1.3.2 处理样的测定

直接吸取样品移入顶空瓶，在对应的温度、时间、取样量的处理条件下在烘箱中处理样品（处理条件见后续正交试验），干燥器中冷却至室温后旋好瓶盖，室温静置1 h后按前述方法测定。

1.3.3 电子鼻测定条件

采样时间为1 s/组；传感器自清洗时间为90 s；传感器归零时间为10 s；样品准备时间为5 s；进样流量为600 mL/min；分析采样时间为90 s。

1.3.4 数据处理

本实验在对每个样品的数据采集过程中，通过查看每个传感器响应信号的变化曲线、每个时间点的信号值及星型雷达图或柱状指纹图，可以清晰考察各个传感器在实验分析过程中的响应情况。

对于样品区分分析，本实验提取10个传感器的特征值，然后采用主成分分析法（principal component analysis，PCA），线性判别分析（linear discriminant analysis，LDA）法作为主要区别分析方法，查看起主要区分作用的组分和区分度是否提高。

通过欧氏距离、相关性、马氏距离、判别函数等方法共同判定样品归属于哪一类，达到一个用电子鼻验证未知样的实验结果，4种指标判定结果相同的视为一类，不同的视为另一类。

2 结果与分析

2.1 电子鼻测定值取值范围的确定

图1 电子鼻中的10个传感器对食醋样品的的响应曲线(A)及雷达图(B)Fig.1 The response curves(A)and the radar chart(B)of ten senses to vinegar samples

以响应值初始电阻（G0）和最后电阻（G）的比率为纵坐标，样品的测定时间为横坐标。食醋样品测定的特征响应曲线及雷达图见图1。

从图1可以看出，在90 s的测定时间内，电阻率随时间的增加达到峰值，然后趋于平缓，大约在60～90 s之间信号较稳定，因此在本实验中取用74～76 s的电阻率值作为样品分析数据。

2.2 未经处理样品的模板分析结果

主成分分析（principal component analysis，PCA）是一种对数据进行分析的技术，这种方法可以有效的找出数据中的主要成分，去繁趋简，揭示复杂数据背后的简单结构[7]。未处理食醋样品的PCA分析结果见图2。

图2 优化前的PCA结果分析Fig.2 PCA analysis results before optimization

以上述两类产品测定数值建立模板，由图2可知，采用电子鼻的PCA分析可以看到第1主成分贡献率80.893%，第2主成分贡献率12.766%，两者合计93.659%，虽然差异性较大，但模板分析显示两类产品不能很好的区分，图2中也可看到两类数据有较多重叠之处。

线性判别分析（linear discriminant analysis，LDA）是一种有效的特征抽取方法。它能够使模式样本有最小的类内距离和最大的类间距离，有最佳的可分离性[7]。未处理食醋样品的线性判别分析结果见图3。

图3 优化前的LDA结果分析Fig.3 LDA analysis results before optimization

由图3可知，两类样品得到很好的区分，左边为Ⅰ类，右边为非Ⅰ类，两类样品类间距明显，但是从差异性和主成分分析来看，第1主成分贡献率56.679%，第2主成分贡献率5.421 5%，两者合计只有62.1%，差异性较低。

以上述模板对11个样品进行了识别判定归属实验，已知其中4个样品属于Ⅰ类，7个样品属于非Ⅰ类。因为只有两类样品，而判断指标有4个，且非Ⅰ类模板是混合样品模板，为简化结果，规定当只有4个判断指标判定相同时才能认定为一类产品，如果有任意一个判断指标判定不同则认定为另一类产品，对比已知样品归属，计算判断正确率和误判率。结果见表1。

由表1可知，对比样品已知归类，Ⅰ类样品全部判断正确，非Ⅰ类样品中有2个误判为Ⅰ类，误判率为18.2%，正确判断率为81.8%。

上述实验显示用4个指标共同判定样品归属的效果有待提高[11]（鲁小利等在可乐饮料的电子鼻检测研究中样品误判率为0）。因此，实验中将两类样品模板数据分别输出后进行分析，对比了10个传感器的数值区间，Ⅰ类、非Ⅰ类样品的初始电阻和最后电阻的比率及变动区间测定结果分别见表2及表3。

表1 未处理样品模板的判定结果Table 1 Determination of untreated sample template

表2 Ⅰ类样品的初始电阻和最后电阻的比率及变动区间测定结果Table 2 The ratio of initial resistance,final resistance and variable interval determination results of type I sample

表3 非Ⅰ类样品的初始电阻和最后电阻的比率及变动区间测定结果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，通过区间对比发现传感器1、3、4、5、6、7、8、10测定数据有交集，传感器2、9测定数据无交集，2、7、9传感器反应敏感，数值较大。结果表明，可用于区别不同产品的传感器数量少，不足以进行区别判定，需要进行样品处理增加识别性。实验采用正交试验方式对传感器性能进行评价和优化组合。

2.3 传感器性能参数优化正交试验

实验中烘干过程考虑了85℃和105℃两个温度，根据顶空瓶的实际大小，选择了0.5 mL和1 mL两个取样量，时间方面选择了20 min和60 min为参数进行了3因素2水平正交试验，重复测定6个同类样品，因素与水平见表4，正交试验设计见表5。考察因素和水平对不同类样品初始电阻和最后电阻的比率测定数值及区间交集范围，有交集的，结果记为1，否则记为2，结果数值小，表示测定数值变动范围无交集，即无相关性，也就是能完全区别开两组数据。非Ⅰ类样品、Ⅰ类样品的4种处理通过区间对比得到结果见表6。

表4 传感器性能参数优化正交试验因素与水平Table 4 Factors and levels of orthogonal experiments for sensors performance parameter optimization

表5 传感器性能参数优化正交试验结果与分析Table 5 Results and analysis of orthogonal experiments for sensors performance parameter optimization

由表6可知，1处理即取样量0.5 mL、烘干温度85℃、烘干时间20 min，只有4号传感器对Ⅰ类样品和非Ⅰ类样品的感应值不存在交集；

表6 Ⅰ类样和非Ⅰ类样的区间交集对照结果Table 6 Comparison results of type I sample and non-type I sample of overlap section

2处理即取样量0.5 mL、烘干温度105℃、烘干时间60 min，有3号、5号、6号、10号共4支传感器对Ⅰ类样品和非Ⅰ类样品的感应值不存在交集；

3处理即取样量1.0mL、烘干温度85℃、烘干时间60 min，全部10支传感器对Ⅰ类样品和非Ⅰ类样品的感应值均有交集；

4处理即取样量1.0 mL、烘干温度105℃、烘干时间20 min，有1号、5号共2支传感器对Ⅰ类样品和非Ⅰ类样品的感应值不存在交集。

结果说明传感器对样品的感应与样品处理的方式有相关。通过计算求和可知1号传感器各因素的2水平结果之和（值为3）大于1水平结果之和（值为2），显示该传感器在取样量1 mL、105℃、60 min的处理条件下有区分能力；2号传感器各因素的2个水平结果之相等（值为2），显示该传感器对各因素的水平无感应差别，即无区分能力；3号、6号、10号传感器因素1的2水平结果之和（值为2）小于1水平结果之和（值为3），因素2的2水平结果之和（值为3）大于1水平结果之和（值为2），因素3的2水平结果之和（值为3）大于1水平结果之和（值为2），显示3号传感器在1因素1水平、2因素2水平、3因素2水平的条件下有感应差别，即在取样量0.5 mL、105℃、60 min的处理条件下有区分能力；4号传感器各因素的2水平结果之和（值为2）均小于1水平结果之和（值为3），显示4号传感器对各因素的1水平即在取样量1 mL、85℃、20 min的处理条件下有区分能力；5号传感器因素1的2个水平结果之和相等（值为3），因素2的2水平结果之和（值为4）大于1水平结果之和（值为2），因素3的2个水平结果相等（值为3），显示5号传感器只对因素2敏感，且在2水平即105℃时有区分能力，因素1和3对其无影响；7号、8号、9号传感器各因素的2个水平结果之和相等（值为2），显示7号传感器对各因素的水平无感应差别。

综合上述结果分析，由于数据来源于两组不同样品，但两组样品是同一类产品，因此，无区分能力的传感器2、7、8、9可以理解为体现同类产品的共性特征，这些传感器在特征识别时虽然不能发挥作用，但是从体现样品完整信息的角度考虑，应作为可选；传感器3、6、10区分条件相同；传感器5指向温度；传感器4是条件孤例，应舍去；传感器1对取样量有要求，为统一处理条件和测定数据一致性，应作为可选。这样可用传感器为1、2、3、5、6、7、8、9、10共9支。

2.4 优化模板的建立

以取样量0.5 mL、烘干温度105℃、烘干时间60 min的传感器性能优化条件处理样品后建模，LDA分析结果见图4，PCR分析结果见图5。

由图4可知，左边为非Ⅰ类样品，右边是Ⅰ类样，数值显示第1主成分贡献率75.422%，第2主成分贡献率3.519 9%，差异达到78.942%，区分效果比较明显。

由图5可知，左下圆圈为Ⅰ类样品，靠上的为非Ⅰ类样品，数值显示第1主成分贡献率99.446%，第2主成分贡献率0.428 87%，差异达到99.875%，区分度也有显著的增强。

图4 优化后的LDA分析结果Fig.4 LDA analysis results after optimization

图5 优化后的PCA分析结果Fig.5 PCA analysis results after optimization

由于对样品进行了前处理，并对传感器进行了优化，与未优化前（即未处理样品的模板，见图2、图3）模板对比，LDA差异率由62.1%提高至78.942%；PCA差异率由93.659%提高至99.875%，区分度得到提高。

2.5 识别检验

从市场选购31个食醋样品，其中13个是Ⅰ类样品（生产日期不同），其余为非Ⅰ类样品（生产厂家不同），按优化条件进行样品处理后测定，数据归纳总结，得到电子鼻识别结果见表7。

表7 电子鼻识别结果Table 7 Identification results of electronic nose

续表

由表7可知，对比样品已知归类，Ⅰ类样品全部判断正确，非Ⅰ类样品中有2个误判为Ⅰ类，误判率为5.4%，正确判断率为94.6%。

3 结论

电子鼻传感器经优化选择后可以较好区分两类食醋产品。经过样品处理和优化后，电子鼻对两类样品的识别率由81.8%提高至94.6%，误判率由18.2降低至5.4%，准确性有了显著提高。

食醋生产过程复杂，可变因素多，按国家标准检测的项目并不能真实反映样品的真正生产方式，食醋本身的原料标注和它实际生产工艺不符也会导致误判，因此对电子鼻进行训练时样品的准确性至关重要，有助于误判率的降低和判定准确性的提高。

[1]成剑峰，郭文娟，胡红娟.一株耐酸酵母菌的分离及性能测定[J].中国酿造，2013，32（6）：39-42.

[2]华南工学院，无锡轻工业学院，天津轻工业学院，大连轻工业学院.酒精与白酒工艺学[M].北京：轻工业出版社，1980.

[3]傅金泉.中国酿酒微生物研究与应用[M].北京：中国轻工业出版社，2008.

[4]张 杰，侯小歌，王俊英，等.高温大曲中酵母菌的分离、鉴定及耐高温性[J].中国酿造，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]鲁小利，王 俊，海 铮.基于遗传优化神经网络的电子鼻对可乐的检测[J].传感技术学报，2007，20（6）：1211-1214.

[8]孙钟雷.电子鼻技术在猪肉新鲜度识别中的应用[J].肉类研究，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，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.

[11]鲁小利，海 铮，王 俊.可乐饮料的电子鼻检测研究[J].浙江大学学报：农业与生命科学版，2006，32（6）：677-682.

[12]张覃轶，胡 伟，叶卫平，等.一种基于电子鼻的食醋识别新方法[J].传感器与微系统，2008，27（6）：29-32.

[13]张厚博，梅笑冬，赵 万，等.用于食醋品质预评价的电子鼻研究[J].传感器与微系统，2013，32（3）：62-63.

[14]李德茂，陈利梅，马淑凤.电子鼻在酱油识别中的应用研究[J].中国酿造，2010，29（4）：107-109.

[15]杜荣骞.生物统计学[M].北京：高等教育出版社，1985.