采用伏安型电子舌评价低钠盐配方中的苦味

白薇薇，惠延波，牛群峰，阳雨妍

(1.河南工业大学 电气工程学院，郑州 450001；2.南京理工大学 机械工程学院，南京 210094)

采用伏安型电子舌评价低钠盐配方中的苦味

白薇薇1*，惠延波1，牛群峰1，阳雨妍2

(1.河南工业大学 电气工程学院，郑州 450001；2.南京理工大学 机械工程学院，南京 210094)

采用伏安型电子舌对8种低钠盐配方样品进行苦味特性评价研究。使用电子舌系统采集样品信号，利用小波分析进行数据压缩预处理，结合主成分分析、聚类分析对低钠盐配方进行区分分类，利用径向基神经网络建立低钠盐苦味预测模型。结果表明：小波压缩后剩余能量和置零系数比分别为99.23%，99.42%；主成分得分图上，低钠盐配方与苦味参比样品差异明显；聚类分析结果与主成分分析结果相一致，正确反映了样品之间的亲疏关系；径向基神经网络建立的苦味预测模型均方根误差为1.48%，预测结果与实际感官评价结果相吻合。该研究为低钠盐的呈味特性评价提供了一种新的方法和途径。

低钠盐；伏安型电子舌；苦味；小波压缩；主成分分析；径向基神经网络

这些年，为了达到健康饮食的目的，低钠盐逐渐得到人们的青睐[1]。低钠盐通常是利用钾盐代替部分钠盐，虽然食盐替代物能够降低食盐中钠的含量，但是味觉感受需在一定的可接受范围内才能被人们认可。低钠盐的口感是评价低钠盐配方品质的重要指标，当前主要采用感官评价方法对低钠盐的苦涩味进行判别，该方法昂贵、费时，主观意识和周围环境在评价过程中影响较大，使得评价结果不够客观准确，判别的有效性和可靠性较低。在现代分析技术中，电子舌已经开始在食品工业领域发挥着重要作用[2-5]。电子舌技术是一种能快速检测味觉品质的新技术，能对不同的滋味进行客观的评价。目前，电子舌已广泛应用于饮料、水果、肉类、医药等方面的检测研究[6-8]，但在低钠盐配方呈味特性评价中的应用还未见相关报道。

本研究为了有效地评价低钠盐配方的苦味，利用伏安型电子舌对低钠盐配方溶液进行数据采集，收集的数据信号首先通过小波压缩，大量的样品数据经过多层小波分解后除去信号中的冗余，压缩后的数据再通过主成分分析(PCA)、聚类分析(CA)法对样品进行区分分类，结合径向基(RBF)神经网络，构建低钠盐配方苦味得分预测模型，为低钠盐滋味品质的研究提供参考。

1 材料与方法

1.1 实验材料

氯化钠、氯化钾、葡萄糖酸钠、单宁酸：均为分析纯，购自洛阳昊华化学试剂有限公司。8种低钠盐配方和0.1%单宁酸均为自制，低钠盐配方中各物质配比见表1。

表1 配方中各物质配比Table 1 The formula ratios of materials %

1.2 实验仪器

伏安型电子舌系统：金属电极阵列，采用三电级系统，工作电极金、银、钯、铂可选；辅助电极为铂柱电极；参比电极为Ag/AgCl电极；全套电极抛光材料；以上电极材料均购置于天津艾达恒晟科技有限公司。EL204型精密电子天平：梅特勒-托利多仪器有限公司。

1.3 实验方法

1.3.1 感官评价

对各种低钠盐配方进行感官评价，分析各种配方的口感。从专业人员中选出10名身体健康、味觉敏感的感官评价员，男女比例为1∶1。每种样品每人品尝1次，采用量值法，每名感官评价员分别对样品进行打分，评价标准见表2。记录品尝小组中所有感官评价员对所配盐溶液的苦味得分值，将统计的平均值作为感官评价结果。

表2 盐溶液评分标准Table 2 The scoring standard of salt solution

1.3.2 电子舌检测

利用伏安型电子舌对低钠盐配方溶液进行数据采集，该电子舌是三电极系统，工作电极为金、银、钯、铂电极，辅助电极为铂柱电极，参比电极为Ag/AgCl电极。金属工作电极阵列作为感测部分，采用循环伏安的电化学分析方法，将工作电极和辅助电极之间形成的回路电流作为检测信号进行采集分析。循环伏安法的参数设置：扫描电位为-2～2 V，扫描速率为200 mV/s，采样间隔为2 mV。每次采样共输出采样点3986个，每种样品重复采集10次。此外，在电子舌检测过程中，为了避免电极上杂质的积累，每2次样品采样之间设置电极清洗序列(蒸馏水，清洗40 s)。

1.3.3 数据处理

电子舌采样产生了大量的伏安数据，不利于后续的数据分析。将采样数据通过小波分析进行预处理，降低原始数据的维数，从信号中提取显著特征。小波分析具有局部分析和细化的功能，在小波变换中，信号压缩是在信号的小波分解域对小波系数进行量化的过程，对经过量化的数据进行存储或传输便可以达到信号的压缩[9,10]。剩余能量和置零系数比2个参数可评价小波压缩性能，剩余能量：(处理过的小波系数的模平方/原信号的模平方)×100%；置零系数比：(处理后的小波系数中0的个数/原信号的分解系数的个数)×100%。通常，剩余能量随着置零系数比的增加而减小，所以，应选择合适的小波基和分解层数。本文选用了Haar小波进行9层分解，每种信号的3986个数据被压缩到21个数据。

主成分分析(PCA)是将多指标简化为少量综合指标的一种统计分析方法，用少数变量尽可能多地反映原来变量的信息，保证原信息损失小且变量数目尽可能少[11,12]。在主成分分析中，通过变量变换的方法把相关的变量变为若干不相关的综合指标变量，从而实现对数据集的降维，在一定程度上揭示了数据最好的解释变量的隐藏结构(主成分)，使得问题得以简化，将主成分分析应用于实验样品的综合评价上，分析样品之间的相似性。

聚类分析(CA)是根据研究对象的特征对研究对象进行分类的多元分析方法，聚类分析实质上是寻找一种客观反映元素之间亲疏关系的统计量，该统计量可以是距离或者相似系数，然后根据这种统计量把元素分成若干类[13]。聚类分析的思想是先把N种样品各自分为一类，通过合适的聚类分析方法将距离最近的两类合为一个新类，最终将所有样品归为一类。利用基于距离的聚类分析方法，分析样品之间的亲疏关系。

径向基(RBF)神经网络是一种局部逼近网络，是具有输入层、隐含层和输出层的三层前向神经网络[14，15]。影响RBF神经网络性能的参数包括隐含层节点数量、径向基函数、重叠系数、隐含层与输出层之间的权重。为了测试RBF神经网络模型的预测性能，随机选取4种样品(40个样本)作为神经网络的训练集，剩余的4种(40个样本)作为预测集。训练中选用高斯函数作为激活函数，采用K均值聚类算法来确定径向基函数中心，隐含层节点个数的具体值在网络学习过程中按最优准则确定，通过预测集的均方根误差来衡量模型性能。

2 结果与分析

2.1 感官评价结果

依据表2的评价标准得到各配方样品的苦味得分值，配方6和配方7的苦味得分值较低，见表3。

表3 低钠盐配方的苦味得分值Table 3 The bitterness score of low-sodium salt formula

2.2 小波压缩

信号压缩的基本目标是在不损失信号所携带的信息的前提下，尽可能地减少用于存储信号的开销。采用Haar小波，其具有良好的逼近性和稳定性，8种样品的平均剩余能量和置零系数比见表4。分解层数小于4层时，样品的平均置零系数比较小，压缩后数据量仍较大；当分解层数大于9层时，样品的平均剩余能量和置零系数比趋于恒定。

表4 平均剩余能量和置零系数比Table 4 The average remaining energy and zero coefficient ratio

利用Haar小波对信号进行9层分解，选用全局阈值进行信号压缩处理，最终每种信号3986个数据被压缩成21个数据。以配方1为例，电子舌工作电极为钯电极和铂电极时原始信号和压缩后的信号对比图见图1和图2。

图1 钯电极下的原始信号和压缩后的信号Fig.1 The original and compressed signal of Pd

图2 铂电极下的原始信号和压缩后的信号Fig.2 The original and compressed signal of Pt

由图1和图2可知，采集的数据通过小波压缩，能够去除信号中的冗余，保留信号的有用信息。

2.3 主成分分析(PCA)

8种低钠盐配方组分配比不同，其苦味特性存在一定差异，8种低钠盐配方和0.1%单宁酸电子舌主成分分析结果见图3。

图3 主成分分析得分图Fig.3 PCA scores of formula

前2个主成分PC1和PC2分别包含了原来信息量的55.5%和31.8%，累计贡献率能够充分展现原始信息。8种配方在图中位置接近，表明其“味道”相近。单宁酸与其他样品距离较远，差异较大。单宁酸样品和其他样品在PC1(55.5%)上差异明显，区分明显；在PC2(31.8%)上，配方7和配方2、配方1和配方8、配方3和配方6、配方5和配方4分别较为接近。由图3的样品分散程度可知，9种样品分为2大类：低钠盐配方和单宁酸，说明低钠盐配方与单宁酸样品在苦味上有较大差异，低钠盐配方呈苦味不明显。主成分分析反映了样品之间的差异性和亲疏关系。

2.4 聚类分析(CA)

为了进一步研究样品之间的亲疏关系，对8种低钠盐配方和0.1%单宁酸样品进行聚类分析，基于类平均法分类得到树状图，见图4。

图4 聚类分析谱系图Fig.4 Dendrogram of hierarchical cluster analysis

由图4可知，当类平均距离为0.0376时，样品集合被分为2类：8种低钠盐配方和单宁酸样品，这一结果与主成分分析中单宁酸样品和其他样品在PC1上差异明显结果一致。当类平均距离为0.0061时，样品集合被分为5类：单宁酸为一类，剩下的配方1和配方8、配方2和配方7、配方3和配方6、配方4和配方5分别为一类，这一结果和主成分分析中各种配方之间的接近程度结果相一致。单宁酸作为苦味参比，与8种低钠盐配方具有较大差距，说明低钠盐配方呈苦味不明显。聚类分析进一步说明了低钠盐配方与单宁酸之间的差异性，同时更清晰地呈现了配方样品之间的亲疏关系。

2.5 基于RBF神经网络的低钠盐配方样品预测

为了进一步评估电子舌对低钠盐样品的苦味识别能力，尝试使用RBF神经网络建立样品苦味预测模型。利用RBF神经网络对小波压缩后的伏安数据构建低钠盐苦味预测模型，经过系统的研究及优化其拓扑结构后，设计了84-32-1的RBF神经网络结构。输入神经元个数为84(4种工作电极×21个数据)；隐含层设置了32个神经元，隐含层节点个数的具体值在网络学习过程中按最优准则确定；输出层设置了1个神经元，对应样品苦味值。

RBF神经网络的预测结果见图5。

图5 RBF神经网络模型预测结果Fig.5 Prediction results of RBF neural network model

测试样本数是40个，分别对应着4种低钠盐配方样品。X轴表示测试样本数，Y轴表示苦味值，预测集的RMSE为1.48%。结果表明：该模型达到了很好的预测效果。

3 结论

采用电子舌技术对8种低钠盐配方进行了苦味特性评价研究，利用小波压缩、主成分分析、聚类分析和径向基神经网络对电子舌采集的数据进行相关分析。结果显示：小波压缩能有效地压缩样品信号，减少数据量，保留信号特征；利用主成分分析和聚类分析对样品进行区分分类，两种分析方法结果一致，样品之间的亲疏关系得到充分展现；结合感官评价结果，采用径向基神经网络建立低钠盐配方苦味预测模型，预测结果与实际感官评价吻合。电子舌技术能够实现对低钠盐配方的苦味特性评价。

[1]王春晓，崔娟，杨静，等.通过开展减盐行动控制我国心血管疾病流行的可行性与必要性[J].中国卫生政策研究，2010(9)：49-53.

[2]王梦馨，薄晓培，韩善捷，等.不同防冻措施茶园茶汤滋味差异的电子舌检测[J].农业工程学报，2016，32(16)：300-306.

[3]曹仲文.电子舌对酱油的区分识别研究[J].中国调味品，2017,42(3)：110-113.

[4]潘玉成，叶乃兴，江福英，等.电子舌在茶叶检测识别中的应用[J].茶叶科学，2016，36(6):621-630.

[5]Yang Y, Chen Q, Shen C, et al. Evaluation of monosodium glutamate, disodium inosinate and guanylate umami taste by an electronic tongue[J].Journal of Food Engineering,2013,116(3):627-632.

[6]刘瑞新，李慧玲，李学林，等.基于电子舌的穿心莲水煎液的掩味效果评价研究[J].中草药，2013,44(16)：2240-2245.

[7]Banerjee R, Tudu B, Shaw L, et al. Instrumental testing of tea by combining the responses of electronic nose and tongue[J].Journal of Food Engineering,2012,110(3):356-363.

[8]张淼，贾洪锋，李燮昕，等.电子舌在鲜榨橙汁掺假识别中的应用研究[J].食品与机械，2015,31(6)：92-94.

[9]桑燕芳，王中根，刘昌明.小波分析方法在水文学研究中的应用现状及展望[J].地理科学进展，2013,32(9)：1413-1422.

[10]宋志强，张莹，吴江.基于小波包-Haar小波变换的漏磁检测信号降噪数据压缩方法[J].机床与液压，2017,45(2)：126-129.

[11]肖立中，陈洋洋，田怀香，等.基于PCA-BP算法的鸡精风味质量模型研究[J].中国调味品，2016，41(11):78-82.

[12]Sahoolizadeh A H,Heidari B Z, Dehghani C H. A new face recognition method using PCA, LDA and neural network[J]. International Journal of Computer Science and Engineering,2008(4):218-223.

[13]陈欢，曹承富，张存岭，等.基于主成分-聚类分析评价长期施肥对砂姜黑土肥力的影响[J].土壤学报，2014,51(3)：609-617.

[14]彭显刚，胡松峰，吕大勇.基于RBF神经网络的短期负荷预测方法综述[J].电力系统保护与控制，2011,39(17)：144-148.

[15]周维华.RBF神经网络隐层结构与参数优化研究[D].上海：华东理工大学，2014.

Evaluation of Bitterness in Low-sodium Salt by Voltammetric Electronic Tongue

BAI Wei-wei1*, HUI Yan-bo1, NIU Qun-feng1, YANG Yu-yan2

(1.College of Electrical Engineering,He'nan University of Technology, Zhengzhou 450001, China;2.College of Mechanical Engineering,Nanjing University of Science & Technology,Nanjing,210094,China)

A voltammetric electronic tongue is used to evaluate the bitterness of eight kinds of low-sodium salt samples. The signal of sample is collected by voltammetric electronic tongue system.The data are pretreated by wavelet analysis. And then the formula of low-sodium salt is classified by principal component analysis and cluster analysis. The model for predicting the bitterness of low-sodium salt is established by RBF neural network. The results show that the retained energy and the number of zeros are 99.23% and 99.42% after wavelet compression. On the score chart of principal component, the low-sodium salt formula and the bitterness reference samples have obviously differences. The results of cluster analysis and principal component analysis are consistent, and correctly reflect the relationship of samples. The root mean square error (RMSE) of the bitterness prediction model based on RBF neural network is 1.48%. The prediction results are in agreement with the actual sensory evaluation results. This research has provided a new way for the evaluation of flavor characteristics of low-sodium salt.

low-sodium salt；voltammetric electronic tongue；bitterness；wavelet compression；principal component analysis；RBF neural network

2017-03-17 *通讯作者

粮食信息处理与控制教育部重点实验室资助项目(KF11-2015-101)

白薇薇(1992-)，女，硕士，研究方向：粮油食品检测技术与装置；

惠延波(1964-)，男，教授，博士，研究方向：制造业信息化、粮油食品检测技术与装置。

TS311

A

10.3969/j.issn.1000-9973.2017.09.026

1000-9973(2017)09-0109-04