基于电子鼻气味信息和多元统计分析的枸杞子产地溯源研究

田晓静，龙 鸣，王 俊，马忠仁，韦真博陈士恩，高丹丹，丁 波

(1.西北民族大学 生命科学与工程学院，甘肃 兰州 730124；2.浙江大学 生物系统工程与食品科学学院，浙江 杭州 310058)

枸杞子(LyciumbararumL.)，属茄科(Solanaceae)枸杞属(Lycium)，多分枝灌木，其栽培品系的干燥成熟果实具有增强免疫力、降血压、降血脂、抗氧化及抗肿瘤等多方面的药理作用，是常见的药食同源品种之一[1-3]。目前，枸杞栽培规模较大的地区有宁夏、甘肃、青海、新疆和内蒙五省[4]。枸杞是西北地区的重要经济作物，尤其是宁夏中宁的支柱产业[5]。但近年来市场上频繁出现以次充好的现象，故而应加强品质控制与检测要求。传统感官评价宁夏枸杞子品质的结果受个人主观因素影响，且无法评价内部成分含量，使其应用受限；理化成分分析[6]和指纹图谱技术在枸杞子产地区分[7-10]、品种鉴别和区分[11]中得到广泛应用，但存在样品前处理复杂、检测周期长等问题，且各成分受外部条件影响而使所测图谱的可靠性受到影响[12]；可实现无损检测的光谱技术虽在枸杞子产地溯源[13-21]和品种区分中得到广泛应用，但为保证样品均一性和光谱数据的稳定性，须将样品粉碎过筛[21-23]、粉碎[18-19，23]或压片处理[24]，难以实现无损检测。而关于枸杞产地无损鉴别的研究仅有陈晓峰等[25]以枸杞图像特征进行产地识别。因此，对宁夏枸杞子品质实施快速、无损的判别与预测具有重要的科学意义。

电子鼻技术于20世纪90年代末兴起并迅速发展，它利用气敏传感器阵列对挥发性气味物质的响应来识别简单和复杂气味信息，实现了气味的客观化表达，使气味成为可以量化的指标，从而辅助专家进行系统化与科学化的气味监测、鉴别、判断和分析。以其检测快速、结果客观、无需复杂的样品前处理过程、可分析有毒样品或成分等优势，电子鼻技术已在食品、农畜产品品质检测、环境监测、医学诊断、爆炸物检测等领域得到广泛应用。对枸杞子挥发物组成和含量的研究发现，不同品种、同品种不同产地枸杞子挥发物在组成和含量上存在明显差别[26-33]，这为电子鼻检测不同品质、产地的枸杞子奠定了理论基础。本研究采用单因素试验研究了顶空体积、样品质量和顶空生成时间对电子鼻传感器响应的影响，优化电子鼻检测枸杞子的条件，探讨电子鼻判别枸杞产地的可行性，为枸杞子市场品质监控提供技术依据。

1 材料与方法

1.1 材料与前处理方法

试验用的枸杞子样品购自宁夏中宁枸杞市场，来源于甘肃瓜州、青海柴达木和宁夏中宁3个产地。样品购回后，置于-18 ℃冷冻待用。试验前，将枸杞子取出恢复室温后进行电子鼻检测。样品详细信息见表1。

1.2 仪器

试验采用德国Airsense公司的PEN2型便携式电子鼻进行检测。该电子鼻系统由10个金属氧化物传感器(表2)、模式识别系统和信号处理系统3部分组成。在采集枸杞子气味信息时，于室温条件下(20 ℃)，将一定质量(5～20 g)恢复至室温的枸杞子置于烧杯内，并以保鲜膜密闭后静置一定时间(15～60 min)，使顶空气体达到平衡；在设定载气(洁净空气，200 mL·min-1)流速条件下，由载气泵将样品顶空气体泵入传感器室，与传感器接触后产生响应信号，并由信号采集系统记录。每采样一次，采用洁净氮气(99.99%)对进样通道进行清洗，以减少对下一样品的影响。

表1不同产地枸杞子样品信息表

Table1Profiles of wolfberry samples

序号No.样品名Samples粒度Granularity/(seed·50 g-1)百粒重100 seed weight/g等级Grade (Granularity)1甘肃瓜州Gansu Guazhou560±99.07±0.39甲级Grade A (≤580)2青海柴达木Qinghai Chaidamu306±516.27±0.73特级Top grade (≤370)3宁夏中宁1 Ningxia Zhongning1392±312.55±0.45甲级Grade A (≤580)4宁夏中宁2 Ningxia Zhongning2328±215.09±0.78特级Top grade (≤370)5宁夏中宁3 Ningxia Zhongning3663±47.67±0.30乙级Grade B (≤900)

表2PEN2电子鼻传感器阵列及其性能特点

Table2Sensors used and their main applications in PEN2 electronic nose

传感器序号Sensor short name传感器名称Sensor name性能特点Sensor properties参考物质及检测限LimitationsS1W1C对芳香成分灵敏Sensitive to aroma componentsToluene, 10 mg·L-1S2W5S对氮氧化物很灵敏Very sensitive to nitrogen oxideNO2, 1 mg·L-1S3W3C对氨水、芳香类化合物灵敏Sensitive to ammonia and aromatic compoundsPropane, 1 mg·L-1S4W6S对氢气有选择性Selective to hydrogenH2, 100 μg·L-1S5W5C对烷烃、芳香类化合物及极性小的化合物灵敏Sensitive to alkanes, aromatic compounds and polar compoundsPropane, 1 mg·L-1S6W1S对甲烷灵敏Sensitive to methaneCH3, 100 mg·L-1S7W1W对硫化物、含硫有机化合物灵敏Sensitive to sulfides and sulfur containing organic compoundsH2S, 1 mg·L-1S8W2S对乙醇及部分芳香族化合物灵敏Sensitive to ethanol and some aromatic compoundsCO, 100 mg·L-1S9W2W对芳香族化合物、有机硫化物灵敏Sensitive to aromatic compounds and organic sulfidesH2S, 1 mg·L-1S10W3S对烷烃灵敏Sensitive to alkanesCH3, 100 mg·L-1

1.3 试验方法

受顶空体积、样品质量和顶空生成时间等因素的影响，造成的顶空挥发物浓度差异直接影响传感器响应信号。采用表3中因素水平设计，研究顶空体积、样品质量和顶空生成时间对电子鼻各传感器响应信号的影响。在单因素优化试验条件的基础上，采用电子鼻检测不同产地枸杞子气味信息，并采用多元统计分析进行定性判别和产地的定量预测。

1.4 数据分析方法

采用单因素方差分析(one-way-analysis of variance，one-way-ANOVA)研究各因素对传感器响应的影响，结合典则判别分析(canonical discriminant analysis，CDA)确定较佳检测参数。采用主成分分析(principle component analysis，PCA)和典则判别分析对不同产地枸杞子进行定性判别；采用BP神经网络对枸杞子的产地进行定量预测。方差分析、PCA和CDA分析均由SAS V8完成，BP神经网络由DPS数据处理系统完成，结果由Origin8.0软件完成绘图。

表3单因素试验因素水平表

Table3Different levels of each factor

因素Factor水平Level1234顶空体积150200250500Headspace volume/mL样品质量Sample weight/g5101520顶空生成时间15304560Headspace-generated time/min

2 结果与分析

2.1 较佳检测条件确定

采用单因素试验，研究样品质量、顶空生成时间、顶空体积对电子鼻各传感器响应信号的影响。提取各传感器第70秒的响应值，采用SAS V8软件进行单因素方差分析，观察上述3因素对电子鼻各传感器响应信号的影响，结果见表4。采用典则判别分析分别对3因素不同水平样品数据进行分析，以数据点集聚性和对不同组样品的区分效果为依据，确定较佳检测参数。

2.1.1 样品质量的影响

取样品顶空体积500 mL、顶空生成时间30 min和载气流速300 mL·min-1，研究样品质量(5、10、15和20 g)对电子鼻传感器响应信号的影响。方差分析和典则判别分析结果分别见表4和图1-a。方差分析结果(表4)表明，样品质量对传感器S7响应影响显著(P<0.05)，对其余9个传感器响应影响极显著(P<0.01)；典则判别分析结果中第一成分占81.58%，第二成分占12.31%，总贡献率为93.89%，能较好地反映原始数据信息。图1-a中，不同样品质量数据点彼此有重叠，但规律性分布明显，即沿第一成分减小的方向，样品质量逐渐增大。从数据点的聚集性来看，选择20 g作为较佳样品质量。

表4单因素方差分析

Table4Results of ANOVA

因素 FactorsS1S2S3S4S5S6S7S8S9S10顶空体积F63.8613.6568.386.872.0462.637.6349.0410.937.57Headspace volumeSig.<0.0001<0.0001<0.00010.0004<0.0001<0.00010.0001<0.0001<0.00010.0001样品质量F27.9316.3721.588.5424.3413.512.920.3632.658.85Sample weightSig.<0.0001<0.0001<0.0001<0.0001<0.0001<0.00010.0405<0.0001<0.0001<0.0001顶空生成时间F19.382.6218.094.6218.0731.430.3225.322.701.78Headspace-generated timeSig.<0.00010.0571<0.00010.0051<0.0001<0.00010.8120<0.00010.05150.1576

图1 典则判别分析结果Fig.1 Results of CDA

2.1.2 顶空生成时间的影响

取样品20 g、样品顶空体积500 mL和载气流速300 mL·min-1，研究顶空生成时间(15、30、45和60 min)对电子鼻传感器响应的影响。方差分析和典则判别分析结果分别见表4和图1-b。方差分析结果(表4)表明，顶空生成时间对传感器S2、S7、S9和S10影响不显著(P>0.05)，对其余6个传感器响应影响极显著(P<0.01)。典则判别分析结果中第一成分占67.75%，第二成分占12.91%，总贡献率为80.66%，基本能反映原始数据信息。图1-b中，不同顶空生成时间的数据点中，从区分效果上看，15 min的数据能与另3组数据很好地区分；从数据点的聚集性来看，30 min数据点较为集中，且仅有个别数据点与60 min数据有重叠。故选择30 min作为较佳的样品顶空生成时间。

2.1.3 顶空体积的影响

取样品20 g、顶空生成时间30 min和载气流速300 mL·min-1，研究顶空体积(150、200、250和500 mL)对电子鼻传感器响应信号的影响。方差分析和典则判别分析结果分别见表4和图1-c。方差分析结果(表4)表明，顶空体积对各传感器响应均有极显著影响(P<0.01)；典则判别分析结果中第一成分占73.07%，第二成分占21.66%，总贡献率为94.73%，能较好地反映原始数据信息。图1-c中，不同顶空体积样品的数据点较为分散；从区分度上看，150 mL和200 mL数据点彼此重叠，且与250 mL数据点有部分重叠，500 mL数据点仅与250 mL数据有个别重叠。采用500 mL顶空体积采样时，数据点聚集性较佳，选择顶空体积500 mL为较佳顶空体积。

2.2 传感器特征响应曲线

在2.1节优化的电子鼻检测条件下，对3个不同产地5种枸杞子进行检测。图2给出了电子鼻传感器对3个产地枸杞子的特征响应曲线。如图2所示，横坐标为检测时间，纵坐标为传感器响应信号值。检测初期，传感器对枸杞子样品中的挥发物迅速响应，之后逐渐趋于平衡；3种不同产地枸杞子(瓜州、青海和中宁)达到平衡的时间略有不同，青海枸杞子的响应信号30 s时基本趋于平衡，瓜州枸杞子的响应信号约于40 s时平衡；中宁枸杞子的响应信号最晚达到平衡(60 s左右)；对信号强度，不同产地枸杞子的响应信号有所不同，瓜州>青海>中宁，尤其是传感器S2、S9，其次为S1、S3、S5，这为基于电子鼻信号的枸杞产地区分奠定基础。本研究均选取第70秒稳态值作为特征值进行分析。

2.3 定性识别不同产地枸杞子

在上述较佳检测条件(样品质量20 g、顶空体积500 mL、顶空生成时间30 min及载气流速300 mL·min-1)，对瓜州、青海和中宁3个产地的枸杞子进行电子鼻检测。提取电子鼻传感器第70秒响应数据，采用SAS软件进行主成分分析和典则判别分析，结果见图3。图3-a给出了PCA分析结果，第一主成分为64.63%，第二主成分为20.39%，第三主成分为9.62%，共解释了原始变量94.64%的信息。主成分分析可以将3个产地的枸杞子区分开，其中青海枸杞子居于最右侧，瓜州枸杞居于中间，3个不同等级的中宁枸杞子居于图中最左侧，不同等级中宁枸杞数据点有较多重叠。图3-b给出了CDA分析结果，图中第一成分和第三成分共解释了原始变量92.36%的信息，对3个产地枸杞子的区分效果更好，且数据点的集聚性和类间距更大，中宁枸杞1基本能与中宁枸杞2、中宁枸杞3区分开，而中宁枸杞2、中宁枸杞3之间重叠较多。结合CDA分析，电子鼻可实现不同产地枸杞子的快速鉴别，而对3种不同等级中宁枸杞的区分效果有待进一步提高。

2.4 定量预测枸杞子产地

为实现枸杞子产地的定量分析，以BP神经网络建立定量预测模型。设定宁夏枸杞子的真实值为1，青海枸杞子的真实值为2，瓜州枸杞子的真实值为3。设定品种预测结果偏差在±0.1以内，为品种区分的界限，结果见表5。由表5可知，仅有1个未知样品超出偏差范围，得到对未知样本预测的正确识别率为96%。

图2 不同产地枸杞子的电子鼻特征响应信号Fig.2 Response curves of electronic nose for wolfberry with different geographical origin

图3 不同产地枸杞子的电子鼻PCA和CDA判别结果Fig.3 PCA and CDA plots of wolfberry with different geographical origin based on E-nose responses

表5BPNN对25个未知产地样品的预测结果

Table5Prediction results of 25 unknown wolfberry samples by BPNN model

预测样Unknown wolfberry samples真实值True value预测值Predicted value预测样Unknown wolfberry samples真实值True value预测值Predicted value111.00221411.0024211.00291511.0049311.01431621.9784411.00041721.9142511.00111821.9199611.00041921.9336711.00292021.9430811.00222132.6786911.02762232.92621011.00422332.99041111.00062432.98931211.00082532.98921311.0043

真实值中：1表示宁夏中宁枸杞子；2表示青海柴达木枸杞子；3表示甘肃瓜州枸杞子。

In the true value， 1 represented the wolfberry from Zhongning Ningxia; 2 represented the wolfberry from Chaidamu Qinghai; 3 represented the wolfberry from Guazhou Gansu.

3 结论

采用基于金属氧化物传感器阵列的电子鼻测定不同产地枸杞子，样品无需前处理，操作简单；顶空体积、样品质量和顶空生成时间3个因素对大部分传感器响应的影响极显著，1个传感器影响显著，4个传感器影响不显著；方差分析结合典则判别分析结果获得载气流速为300 mL·min-1时的较佳检测条件为样品质量20 g、顶空体积500 mL和顶空生成时间30 min。对3个产地的枸杞子电子鼻响应稳态值进行PCA和CDA分析发现3种产地枸杞子样品点彼此区分，中宁枸杞3批次产品数据的彼此重叠，采用BPNN建立的预测模型能有效预测不同产地枸杞子。电子鼻在无损检测枸杞子的研究中具有可行性，为监控市售枸杞子品质提供了新的研究思路和有效的监控方法。