基于电子鼻信号处理的牛肉中掺假猪肉判别模型

◎ 刘淑梅，金晓君，李梦平，张晓瑞，韩方凯

（1.安徽创佳安全环境科技有限公司，安徽 宿州 234000；2.江苏大学，江苏 镇江 212013；3.宿州学院，安徽 宿州 234000）

畜禽肉是膳食蛋白的重要来源，消费量巨大。然而，不同种类畜禽肉的经济价值存在较大差异。据农业农村部统计数据，与猪肉、羊肉、鸡肉、鸭肉等其他大宗畜禽肉品类相比，牛肉的价格往往是同期最高的。因此，吸引了不法商贩对牛肉及其制品掺杂掺假，以获得高额的经济收益。马慧娟[1]采用PCR 法鉴别市售牛肉及其制品掺假情况，发现50 批次样本中仅有36 批次样本是纯牛肉。不合格品中，2%的样本为牛肉中掺假鸭肉、6%的样本为牛肉中掺假猪血、6%的样本为猪肉冒充牛肉、14%的样本为猪肉掺牛血冒充牛肉。范维等[2]建立基于数据挖掘的北京地区牛、羊肉串掺假风险预测模型，分析发现，200 份肉样的合格率为82.5%，用猪肉和鸭肉掺入牛肉或羊肉中是造假的主要方式。邹寒艳等[3]采用PCR 法分析市售牛肉制品成分，在40 批次牛肉干中，有3 批次检出猪源成分。这些掺假肉现象极大地损害了消费者的经济权益，扰乱了我国畜禽肉行业的市场秩序。因此，如何便捷、快速且准确地鉴别掺假肉是遏制畜禽肉掺假首要解决的问题。

常规的掺假肉鉴别方法基于特异性标志物（DNA或蛋白质等），如PCR法和酶联免疫技术等，虽然客观、可靠，但存在耗时、操作步骤烦琐或涉及有机试剂使用带来的环境污染等弊端[4-5]。因此，开发一种简便、快速、可靠的掺假肉鉴别绿色技术具有重要的实践价值。

近年来，诸多食品快速检测方法，如近红外、高光谱、机器视觉、拉曼光谱等光谱学技术，以及电子舌、电子鼻等智能感官分析技术，已用于掺假牛肉的鉴别新方法研究中[6-8]。然而，快速光谱技术存在探测深度不高的弊端。曹传花等[9]研究表明近红外在生物组织的最大探测深度约为14 mm。针对体积较大的生鲜畜禽肉，如牛肉丸等，常见的快速光谱学技术或许得不到准确的测试结果，因为肉样中不同深度可能存在掺假比例不一的情况。电子舌需要预处理，无法实现简便测定的技术目标。电子鼻理论上不存在上述弊端，在掺假牛肉的快速鉴别方面具有巨大的潜力。MAHIR 等[10]于1998 年率先尝试采用基于导电聚合物的电子鼻识别牛肉中掺假猪肉。结果显示，纯牛肉、猪肉和牛肉中掺假猪肉的3 类肉样在主成分散点图中展示出明显的区分。然而，或许受限于当时化学计量学理论及计算机实现的难处，他们并没有构建相关预测模型。HAN 等[11]采用试验法筛选出对生鲜纯牛肉、猪肉气味敏感的卟啉、金属卟啉及pH 指示剂等化学显色剂，构建3×4 阵列的嗅觉可视化传感器，结合神经网络算法，建立了牛肉中掺假猪肉的低成本电子鼻检测方法。鉴于金属氧化物半导体（Metal Oxide Semiconductor，MOS）型气体传感器使用的较为普遍，本文对MOS 型电子鼻信号进行处理，构建掺假肉鉴别模型，具有一定的意义。

1 材料与方法

1.1 电子鼻数据

本研究数据来源于WIJAYA 等[12]于2018 年发表在Data in Brief上的论文数据。样本包含纯牛肉、猪肉及不同掺假比例的牛、猪肉混合物（10%、25%、50%、75%和90%）共7 组，每组60 个样品，样本总量为420 个。所用电子鼻传感器为8 种典型的MOS系列气体传感器，其输出信号为电阻率。每个肉样测量时间为120 s，每2 s 采集1 次数据，每个样品电子鼻原始输出8×60 的数据矩阵。鉴于MOS 传感器特性，即信号稳定时，测量准确，因此取每个传感器最后一次采样数据为特征值，作为本研究模型构建的原始数据集。样本传感器均值信息雷达图见图1。

图1 纯牛肉、猪肉及牛肉中掺假猪肉的电子鼻信号雷达图

1.2 模型构建方法

针对牛肉中掺假猪肉的快速无损检测，对MOS型电子鼻信号分析处理，构建判别模型。由于不同MOS 型气体传感器输出信号数值差异较大，先对提取的特征值进行归一化处理，统一将传感器数据归一化到[0,1]。然后，对数据矩阵进行主成分分析（Principal Component Analysis，PCA），以消除模型输入变量之间的相关性。取累计贡献率大于90%的最少个数主成分作为模型的输入。本研究的目的在于构建基于MOS型电子鼻传感器数据的牛肉中掺假猪肉判别模型，因此仅将样本分为3 类，即纯牛肉、猪肉及牛肉中掺假猪肉。模型构建方法对比采用典型线性分类算法，即Fisher 判别分析（Fisher Linear Discriminate Analysis，Fisher LDA）和新型快速人工神经网络非线性算法即极限学习机（Extreme Learning Machine，ELM）。

2 结果与分析

2.1 PCA 结果

对反馈食品信息的阵列式传感器数据进行主成分分析，可消除判别模型输入变量之间的相关性，利于构建稳健的模型。由图2（a）可知，前5 个主成分的累积贡献率已达到93.59%，可认为能够代表原始变量信息；由图2（b）可知，纯牛肉、猪肉及牛肉中掺假猪肉3 种组别肉样的电子鼻信号呈现出一定的分类趋势（如纯牛肉和纯猪肉样本可见明显的区分），表明MOS 型电子鼻在畜禽肉种类区分及掺假识别方面具备一定的潜力。

图2 牛肉中掺假猪肉识别的电子鼻信号主成分分析图

2.2 Fisher LDA 结果

采用经典线性判别算法Fisher LDA 对纯牛肉、猪肉及牛肉中掺假猪肉样本电子鼻数据进行处理，构建预测模型。在模型构建时采用Kennard-Stone 算法分割训练集和测试集，取每类样本总量的2/3，即280 个样本为训练集，其余140 个样本作为测试集，保证了不同模型构建方法输入数据的均一性。

图3（a）是训练集样本在判别式二维空间的散点图，所用判别式（Discriminate Function，DF）为

图3 牛肉中掺假猪肉识别的Fisher LDA 结果图

式中：PCx表示第x个主成分，x=1,2,3,4,5。

由图3（a）可知，纯牛肉、猪肉及牛肉中掺假猪肉3 类样本具有明显的分类趋势，但也有重合的区域（即无法实现准确度为100%的判别）。此时，训练集判别准确率为96.43%，共有10 个样品判别错误，分别为3 个牛肉样品误判给猪肉组；5 个掺假样误判给猪肉组、2 个掺假样误判给牛肉组；猪肉组全部判别准确。图3（b）显示Fisher LDA 模型测试集识别结果，共有34 个样品判别错误，准确率为75.71%。

2.3 ELM 结果

采用与Fisher LDA 判别模型相同的输入，构建ELM 模型。由于隐层激活函数的类型及隐层神经元个数对ELM 模型的预测性能影响较大，在ELM 模型构建过程中对隐层激活函数类型和节点数进行了筛选。ELM 常用的隐层激活函数[13]为

式中：Sig为Sigmod 函数的常用缩写；Sin 表示正弦变换函数；Hardlim为二元阶跃函数中的一种，输出数值仅有0 和1 两种情况；x代表函数的输入。

图4 展示出不同ELM 隐层激活及神经元节点数下，ELM 模型训练集和测试集的判别准确率。可以看出，当激活函数为Sin 和隐层神经元个数为73 时，ELM获得最佳的预测性能，训练集中仅有1 个样品判别错误为掺假样误判给猪肉组、测试集中有8 个掺假样误判给猪肉组，正确识别率分别为99.64%和94.29%，最佳模型结构为5-73-1。

图4 ELM 模型在不同隐层激活函数及隐层神经元个数条件下训练集和测试的正确识别率图

2.4 讨论

MOS 型气敏传感器依赖环境体系中挥发性物质物理吸附于金属氧化物敏感材料表面，改变其电子耗尽层上载流子的浓度，从而引起电阻变化，进而将气体化学信息转化为传感器的电信号，实现气体成分种类及浓度的检测。纵然金属氧化物半导体气敏传感器的气敏机理尚未完全搞清楚，但目前已有数种定性描述模型可供参考，如晶界势垒模型、表面电导模型、氧离子陷阱势垒模型等[14]，其最终响应值可表述为式中：S为电子鼻传感器响应值；R1为待测气体引起的电阻，Ω；R0为空白气体（空气）引起的电阻，Ω[15]。

牛肉和猪肉的基础理化成分如蛋白质、脂类物质、碳水化合物等存在较大差异，因此由这些基础理化成分本身或其间反应产生的挥发性成分在物质种类和含量上存在着较大差异，主要包含碳氢化合物、酮、醇、醛、酸、酯、硫和杂环化合物等。电子鼻传感器可有效识别环境体系挥发性成分，检测快速且无损。因此，利用电子鼻检测畜禽肉挥发性成分，可实现畜禽肉的种类鉴别及掺假检测。

从主成分分析结果可以看出，电子鼻传感器前3 个主成分的累计贡献率已大于80%，表明电子鼻传感器数据之间存在严重的重叠信息，这源于电子鼻传感器阵列之间的交互敏感特性，即不同的传感器可对同一种挥发性物质产生响应，同一个传感器可对多种挥发性成分产生响应。主成分分析可有效消除变量之间的关联，去掉冗余信息，减少自变量个数，有助于构建稳健的判别模型。ELM 模型的预测效果较Fisher LDA 好，主要原因是ELM 作为一种快速神经网络算法，自学习和自调整能力强，在处理非线性关系模式识别问题上，比线性的Fihser LDA 算法更有优势。

3 结论

牛肉掺假严重损害了消费者的利益。本研究对纯牛肉、猪肉及牛肉中掺假猪肉的MOS 型电子鼻传感器信息进行处理，构建了极限学习机判别模型，其训练集和测试集预测准确率均在94.0%以上，能够满足掺假牛肉快速筛查的实际使用要求，可为保障肉制品质量安全贡献积极力量。