基于电子鼻技术判别黄山毛峰的储存期和陈化度

高静，王淑娟，刘思彤，江俞蓉，戴前颖*

（安徽农业大学茶树生物学与资源利用国家重点实验室，安徽合肥 230036）

绿茶的香气是影响其品质和消费者选择的重要因素之一。然而，在储存的过程中，绿茶极易受温度，氧气，湿度，光线等外界环境条件影响，发生一定程度的自动氧化及其他伴随反应，使原有的清香消散，失去鲜活感，表现出气味陈滞的特点[1]。基于专业的感官审评可以评判茶叶的储存时间和香气的陈化度，但是因为评茶员的经验自主性比较强，存在一定的误判率；而且香气的评茶术语中多运用“较、尚、纯正、平和”等模糊程度词，不易被普通消费者理解和运用。

电子鼻是模拟人类鼻子嗅觉原理的仿生体系，它包括信号的产生、信号的处理与传输、信号的判别，具有成本低、简便和灵活等优点[2]。近年来，在酒[3-4]、可乐[5]、肉类[6-7]、鱼[8]等食品的识别和质量分析上都得到了成功的应用。Dutta等[9]开创性的利用电子鼻建立了红茶在不同加工阶段的香气评价体系。随后有研究者在前人的基础上，把电子鼻的响应信号与评茶员的感官评分结合在一起，把分值转变为电子信息，来分析茶叶的品质特征[10-11]。

由于电子鼻传感器对茶叶香气的灵敏度具有选择性和限制性，因此除了需要选择合适的传感器外还需要多样化的模式识别。Mara Mirasoli等[12]选用备有 6个金属氧化物半导体（MOS）传感器阵列的电子鼻对长期保存的绿茶样品进行质量检测，通过线性判别分析能够正确的区分新鲜绿茶和陈年的绿茶。Bipan Tudu等[13]针对红茶定制了由5个传感器（TGS）组成的电子鼻，通过增量学习的RBF神经网络对红茶的香气分类进行模式识别。典则判别函数能够考察各类别观测值之间的相关关系而对其进行分类，然后根据建立的分类规则对原始样本重新进行分类[14]。孙威江等[15]在因子分析的基础上采用典则判别分析对福建和广东的84个乌龙

茶进行产地、品种和级别的鉴定，建立判别函数；通过交叉验证和回代样本验证得到了较高的正判率。Bayes判别法是根据不确定的信息进行推理和决策以最终确定构造各体的概率函数。J Ning等[16]对云南、湖南、湖北、四川和广西5个地区的 38种黑茶样品进行主要化学成分分析，选择GA、EGC、咖啡因、总儿茶素4类物质作为主成分建立Bayes判别模型，模型对5个地区的黑茶达到了 100%的正确判别率，说明了Bayes判别法对区分茶叶的产地是可行的。

目前电子鼻技术多应用在绿茶产地及等级划分，而对储存期及陈化度的研究较少。为此以4℃、室温、35℃条件储存一定时期的黄山毛峰为研究对象，用PEN3电子鼻检测不同储存期茶汤的挥发性成分，分析比较电子鼻传感器响应信号的变化趋势。结合感官审评，通过典则判别分析三个温度条件下毛峰的储存期和香气的陈化度，同时构建储存期和陈化度的Bayes判别模型。

1 材料与方法

1.1 实验材料

供试毛峰为安徽市场销售的新茶，包括2种特级二等毛峰（T1、T2）、2 种特级三等毛峰（T3、T4）；1种二级毛峰T5和1种三级毛峰T6。将收集的新鲜茶样置于60℃烘箱中烘至足干，统一均匀分样后用避光的锡箔纸袋包装成 50g/袋密封，分别置于4℃、室温、35℃条件下储存，每隔一个月取出一袋进行感官审评和电子鼻检测。验证茶样：安徽市场销售的新鲜绿茶，有舒城毛峰、霍山黄芽、炒青和六安瓜片，同样置于4℃、室温、35℃条件下储存，每隔一个月取出一袋进行感官审评和电子鼻检测。

1.2 主要仪器设备

PEN3型电子鼻，实验选用W1C、W5S、W3C、W6S、W5C、W1S、W1W、W2S、W2W和W3S等10个传感器组成阵列，德国Airsense公司；培养箱（35℃恒温），电热鼓风干燥箱，上海一恒科学仪器有限公司；美菱冰箱（4℃冷藏）；AJF-2001-P超纯水机，重庆颐洋有限公司；AB-104-N电子分析天平，梅特勒-托力多仪器有限公司。

1.3 实验方法

按照GB/T 23776-2009中绿茶的感官审评方法，由三位国家级茶叶审评技师对茶叶的香气进行描述并给出相应的评语。同时使用线性标度法[17]和排序法[18]对茶叶香气的陈化度进行打分，采用0-3分制，其中0-无陈气，1-微有陈气，2-有陈气但感觉不强烈，3-能明显感觉到陈气。

1.4 电子鼻的测试方法

供试样品的制备：参照茶叶感官审评 1:50的茶水比，取1.5g茶叶用75ml沸水冲泡，静置5min，将茶水分离置于 500ml烧杯中用双层保鲜膜覆盖密封，放在 25±0.5℃环境中静置45min后将电子鼻的探头刺入烧杯上空进行检测，每个茶样重复5次。电子鼻的工作条件：传感器清洗120s、传感器归零时间5s、采样时间70s、进样流量400ml/min。

1.5 数据处理

本文表和图中数据均为平均值，主成分分析、判别分析等由SPSS PASW Statistics v18.0软件进行处理分析。

2 结果与分析

2.1 不同温度储存毛峰的感官审评结果与分析

表1显示的是六种毛峰在4℃、室温、35℃三个温度条件下储存一定时间后的感官审评结果，可以看出随着储存温度的升高，毛峰的香气品质变化明显。在4℃条件下，储存210d后毛峰香气变化不大，几乎保持原茶的香气，仅T5、T6两种毛峰在储存180d时出现微弱的陈气。室温条件下，毛峰的香气呈现出无陈气-微陈气-稍有陈气的变化趋势。35℃条件下，毛峰陈化速度剧烈，储存60d后产生微弱的陈气，储存120d后达到稍陈的程度，在储存210d后T5和T6毛峰出现明显的陈气。

2.2 基于电子鼻的毛峰陈化分析

表1 不同储存温度毛峰的感官审评结果

2.2.1 供试样品制备条件的优化

影响电子鼻传感器接收信号的因素有很多，包括茶汤体积、顶空体积、采样时间等。于慧春等0在利用电子鼻检测分析不同等级和贮藏时间龙井的香气品质时，比较分析了影响电子鼻响应特性和香气成分检测的各项因素：顶空体积、富集时间、采样及清洗时间等。实验在此基础上进一步探讨茶汤体积对传感器信号的影响，选取了75ml和250ml体积的茶汤，结果如图1所示。从图中可以看出，250ml茶汤的 W5S、W1W和 W2W传感器的响应值明显高于 75ml茶汤，但是 250ml茶汤响应值的曲线不稳，波动性大，可能的原因是大体积的茶汤在放置至室温的过程中，顶空聚集的水蒸气比较多，大量水蒸气会对传感器造成影响。因此实验选择1.5g茶样，用75ml沸水冲泡，将茶汤置于500ml烧杯中密封，放在25±0.5℃环境中富集45min后进行检测。

图1 不同体积茶汤的电子鼻图谱

2.2.2 电子鼻对不同储存时间毛峰的响应

电子鼻传感器信号值变化大多是随采样时间增加先上升、然后趋于平稳、最后又下降的过程。根据响应曲线的趋势以及变化情况，选择响应曲线趋于平稳后 15s到 25s内的平均值作为特征提取值。以T2毛峰为代表探究储存温度对传感器响应值（G/G0）的影响，结果如图2所示。毛峰在储存一段时间后，响应值变化明显。其中W1W、W2W显著下降，分别对硫化物、芳香成分和有机硫化物灵敏；W5S在茶叶储存的过程中出现先增加后又减少的情况，在4℃温度下表现明显，其主要对氮氧化合物灵敏。对硫化物灵敏的 W1W 传感器响应值在储存的过程 中下降明显，且随着温度的升高而下降剧烈。

图2 不同温度储存的黄山毛峰（T2）电子鼻响应值的变化

2.3 毛峰储存期的Bayes判别分析

2.3.1 典则判别分析

为了探究电子鼻对毛峰储存期的分辨能力，首先对电子鼻原数据进行主成分分析。4℃条件得到了三个主成分，累积贡献率为91.76%其中第一主成分的贡献率为57.55%；室温条件三个主成分的累积贡献率为92.43%，第一主成分的贡献率为66.16%；35℃条件三个主成分的累积贡献率为 93.92%，而第一主成分的贡献率为65.89%。表明在三个温度条件下对提取的第一主成分可以作为新变量来解释原始数据。通过Kaiser标准化的正交旋转法提取主成分的因子，三个温度下共得到六个相同的成分，包括W1C、W3C、W5C、W1S、W1W和W2W传感器，对香气指纹的影响大于其他传感器。这些传感器分别对芳香族成分、氨水、烷烃、甲烷、有机硫化物和芳香成分灵敏。

表2 毛峰储存期判别分析的特征值与Wilks’s Lambda 分析表

在主成分分析和因子推广的基础上以储存期为分组变量进行判别分析，4℃得到了6个显著的判别函数，室温和35℃均得到7个判别函数，其中6个为显著的判别函数。各样本的前两条判别函数的特征值与Wilks’s Lambda见表2，累积的解释变异量均大于80%。

由各样本在前两条判别函数上得分值的空间散点图（图 3）可知，三个温度下 0d～210d毛峰随着时间分别聚类，但是不同温度区分效果不同。4℃的区分效果不明显，特别是 0d～120d的毛峰几乎聚集在一起。感官审评结果显示，在4℃下储存120d毛峰香气几乎无变化，与判别分析一致，说明冷藏可以使毛峰在一段时间内保鲜。室温的区分效果明显，以120d为分界线，120d前的茶叶样品交界处重叠较多，重叠处样品几乎没有差异。感官审评显示室温存放 120d的茶样出现陈气，与判别分析一致。35℃条件下，0d～120d的聚类效果差，质心点几乎集中在一起，但是随着储存时间延长区分明显，在150d后明显分离。结合感官审评，储存60d后茶叶开始陈化，储存120d后陈化度进一步增加，与分类效果一致。

2.3.2 Bayes判别模型的建立及验证分析

在上述判别分析的基础上，建立的模型如下：

（1）4℃条件下，毛峰储存期的Bayes判别模型

（2）室温条件下，毛峰储存期的Bayes判别模型

（3）35℃条件下，毛峰储存期的Bayes判别模型

注：Y0表示储存0天的判别模型（下标表示毛峰储藏时间）；X表示传感器的响应值（下标表示电子鼻传感器类型）

对三个温度下建立的毛峰储存期Bayes判别模型进行验证分析，将验证茶样（同样条件储存的毛峰、黄芽、炒青和瓜片）的电子鼻响应值（G/G0）作为变量代入以上线性方程中计算出相应的Y值，最大的Y值由哪条判别函数计算得出，就可知茶样所属的储存时间。验证结果如表2所示，三个温度的判别正确率均大于85%，符合统计分析要求，毛峰早期储存时间的判别模型具有实际意义。

表3 不同温度毛峰储存期Bayes判别模型验证

2.4 毛峰陈化度的Bayes判别分析

2.4.1 典则判别分析

感官审评显示4℃储存210d的毛峰香气变化不明显，只有两种经过揉捻的毛峰在储存180d后达到了1的陈化度；室温条件下储存210d后，毛峰能够达到0、1、2的陈化度；而35℃储存210d后，毛峰达到了0、1、2、3的陈化度。以毛峰的感官陈化度（0、1、2、3）为分组变量进行判别分析，4℃只得到了一个判别函数，室温得到2个判别函数，35℃则得到3个判别函数，前两条判别函数的累积解释变异量为96.4%；三个储存温度得到的判别函数的特征值与Wilks’s Lambda见表4。

表4 毛峰陈化度判别分析的特征值与Wilks’s Lambda 分析表

室温和35℃在前两条判别函数上得分值的空间散点图如图4所示，从图中可以看出，毛峰随着陈化度分别进行聚类，室温条件各陈化度毛峰在空间上的重叠部分较多，特别是0和1的交界处，函数的区别力较差。在35℃条件下，毛峰随陈化度的聚类效果明显，同样在0和1、1和2以及2和3交界处有重叠，表明在陈化度过度时毛峰香气差异不大，容易误判。从分类效果图上得出在陈化度过度时区分度低，但是随着陈化度的增加区分效果越明显，综上所述，可以通过电子鼻对毛峰陈化度进行初步判别。

2.4.2 陈化度 Bayes判别模型的建立及验证分析

基于以上的判别分析建立3个温度下毛峰陈化度的Bayes判别模型：

（1）4℃条件下，毛峰陈化度的Bayes判别模型

（2）室温条件下，毛峰陈化度的Bayes判别模型

（3）35℃条件下，毛峰陈化度的Bayes判别模型

注：Y0表示感官陈化度为0的判别模型（下标表示毛峰的陈化度）；X表示传感器的响应值（下标表示电子鼻传感器类型）

对建立的三个温度下毛峰陈化度的 Bayes判别模型进行验证分析，将待测茶样的电子鼻响应值（G/G0）作为变量代入以上线性方程中计算出相应的Y值，最大的Y值由哪条判别函数计算得出，就可知茶样所属的陈化度。验证结果如表3所示，模型判别正确率均大于80%，说明 3个储存温度下毛峰陈化度的判别模型具有实际意义。

表5 不同温度下毛峰陈化度的Bayes判别模型验证

3 讨论

绿茶的香气不稳定，在储存过程中容易劣变，其品质评判主要运用感官审评、化学分析方法等。目前关于绿茶陈化主要是探究在储藏过程中其品质的变化和新陈茶的评判[12][20-21]。对一些组成成分相近或者类似的样品，电子鼻技术分析有着传统感官审评不可比拟的优点，其快捷、无损、客观的检测方法在判别茶叶的等级和产地以及加工过程中的品质监测，都有成功的应用[22-23]。而电子鼻在对新陈绿茶的评判中也着重于正确区分储存一定年限的绿茶和当年新制作的绿茶[12][24]，对绿茶早期储存时间和陈化程度的评判研究较少。

本实验利用电子鼻检测对黄山毛峰的挥发性成分进行分析，检测显示对硫化物敏感的W1W传感器有显著的下降趋势，且随储存温度的升高而下降剧烈。有研究表明二甲基硫是茶叶中主要的含硫化合物，由茶叶炒制过程中的甲基蛋氨酸硫盐受热分解产生，其在高品质的茶叶中有较高含量[25]，可与残留的青叶醇共存形成绿茶的“新茶香”[26]。新茶香会随着茶叶储存期的延长而挥发散失，二甲基硫可以作为判别新、陈绿茶重要的化合物之一[27]。在4℃储存90d后，W1W传感器响应值的变化加剧，说明4℃冷藏90d后毛峰开始有明显的失去其新鲜茶香的现象。判别分析显示，三个温度条件下毛峰储存期和陈化度的模型正判率均大于80%，所得毛峰陈化度的评定与判别模型对毛峰储存期品质的判别提供了一种量化、简易的参考方法。

4 结论

本研究基于电子鼻技术结合典则判别分析和Bayes判别模型，探究毛峰在早期储存时香气变化规律。发现硫化物的含量在毛峰储存的过程中下降明显，且随着温度的升高变化剧烈。实验建立的 Bayes模型对毛峰早期的保鲜储存有一定的指导意义，能够实时监测毛峰在4℃、室温和35℃条件下的储存期和陈化度。但是由于检测技术的原因，不能确定硫化物与毛峰陈化之间的关系。需要进一步采用适宜的香气萃取及检测手段，了解毛峰陈化机理，最终建立完善的保鲜措施，为黄山毛峰产品质量的稳定提供一定的保障。

[1]宛晓春. 茶叶生物化学[M]:北京:中国农业出版社;2003.

[2]毕丽君, 高宏岩. 电子鼻(EN)及其在多领域中的应用[J].医学信息.2006, 19(7): 1283-1286.

[3]Lozano J, Santos J P, Aleixandre M, et al. Identification of typical wine aromas by means of an electronic nose[J]. IEEE Sensors Journal, 2006, 6(1):173-178.

[4]Li S, Li X R, Wang G L, et al. Rapid discrimination of Chinese red ginseng and Korean ginseng using an electronic nose coupled with chemometrics[J]. J Pharm Biomed Anal,2012, 70(21):605-608.

[5]Bahram G. Kermani, Susan S. Schiffman, H. Troy Nagle.Performance of the Levenberg–Marquardt neural network training method in electronic nose applications[J]. Sensors and Actuators B: Chemical, 2005, 110(1):13-22.

[6]Dorothy D&#x a;H Boothe, Arnold J W. Electronic nose analysis of volatile compounds from poultry meat samples,fresh and after refrigerated storage[J]. Journal of the Science of Food & Agriculture, 2002, 82(3):págs. 315-322.

[7]Barbri N E, Llobet E, Bari N E, et al. Electronic Nose Based on Metal Oxide Semiconductor Sensors as an Alternative Technique for the Spoilage Classification of Red Meat[J]. Sensors, 2008, 8(1):142.

[8]O’Connell M, Valdora G, Peltzer G, et al. A practical approach for fish freshness determinations using a portable electronic nose[J]. Sensors & Actuators B Chemical, 2001,80(2):149-154.

[9]Dutta R, Hines E L, Gardner J W, et al. Tea quality prediction using a tin oxide-based electronic nose: an artificial intelligence approach[J]. Sensors & Actuators B Chemical, 2003, 94(2):228-237.

[10]Bhattacharyya N, Bandyopadhyay R, Bhuyan M, et al.Electronic Nose for Black Tea Classification and Correlation of Measurements With “Tea Taster” Marks[J]. IEEE Transactions on Instrumentation & Measurement, 2008,57(7):1313-1321.

[11]Chen Q, Zhao J, Chen Z, et al. Discrimination of green tea quality using the electronic nose technique and the human panel test, comparison of linear and nonlinear classification tools[J]. Sensors & Actuators B Chemical, 2011, 159(1):294-300.

[12]Mirasoli M, Gotti R, Di F M, et al. Electronic nose and chiral-capillary electrophoresis in evaluation of the quality changes in commercial green tea leaves during a long-term storage[J]. Talanta, 2014, 129(21):32-38.

[13]Tudu B, Jana A, Metla A, et al. Electronic nose for black tea quality evaluation by an incremental RBF network[J].Sensors & Actuators B Chemical, 2009, 138(1):90-95.

[14]林薇, 李胜, 曹治清. 基于判别分析的基因分类[J]. 西南民族大学学报(自然科学版), 2014,40(1):97-100.

[15]孙威江, 董青华, 周卫龙,等. 乌龙茶品质评定与产品判别研究[J]. 茶叶科学, 2011, 31(4):305-312.

[16]Ning J, Fang J, Luo X, et al. Identification of Dark Tea(Camellia sinensis (L.)) Origins According to Chemical Composition Combined with Bayes Classification Pattern Recognition[J]. Advance Journal of Food Science &Technology, 2016, 12(3):150-154.

[17]Sensory analysis. Guidelines for the use of quantitative response scales[J]. Iso International Standard, 2003.

[18]Institution B S. Sensory analysis. Methodology.Sequential analysis[J]. Iso International Standard, 2004.

[19]于慧春. 基于电子鼻技术的茶叶品质检测研究[D]. 浙江大学, 2007.

[20]Lee J, Chambers D H. FLAVORS OF GREEN TEA CHANGE LITTLE DURING STORAGE[J]. Journal of Sensory Studies, 2010, 25(4):512-520.

[21]鲍忠赞, 董荣建, 邓昭浦,等. 基于陈茶特征香气成分的绿茶新茶和陈茶鉴定方法的研究[J]. 茶叶科学,2015(6):583-588.

[22]Yu H, Wang J. Discrimination of LongJing green-tea grade by electronic nose[J]. Sensors & Actuators B Chemical,2007, 122(1):134-140.

[23]Chen Q, Liu A, Zhao J, et al. Classification of tea category using a portable electronic nose based on an odor imaging sensor array[J]. Journal of Pharmaceutical & Biomedical Analysis, 2013, 84(5):77.

[24]Zhang H M, Chang M X, Yu Y C, et al. Detection of XinyangMaojian Green Tea Quality and Age by Electronic Nose[J]. Advanced Materials Research, 2011, 239-242:2096-2100.

[25]Wang L, Wei K, Cheng H, et al. Geographical tracing of Xihu Longjing tea using high performance liquid chromatography.[J]. Food Chemistry, 2014, 146(1):98.

[26]Pino J A, Mesa J. Contribution of volatile compounds to mango (Mangifera indica L.) aroma[J]. Flavour & Fragrance Journal, 2006, 21(2):207-213.

[27]舒畅. 龙井茶特征香气成分分析及鉴定研究[D]. 上海应用技术学院, 2016.