基于電子鼻技術對羊奶粉中摻假牛奶粉的快速檢測

馬利杰，賈茹，楊春杰，丁武

（西北農林科技大學食品科學與工程學院，陜西楊凌712100）

0 引言

羊奶因其獨特的營養價值，在歐美國家有“貴族奶”之稱[1]。近年來，發生在乳制品上的食品安全事件層出不窮，令人觸目驚心。其中，不法分子在乳制品中摻入外來物質是造成這類事件的主要原因之一[2]。為了牟取暴利，某些不法商販對羊奶及其制品進行摻雜摻假[3]，因此對摻雜摻假的現象亟待解決。

目前，研究摻假的范圍大多是圍繞著乳及乳制品的摻假，而關于羊奶粉中摻入牛奶粉這種情況卻鮮有研究報道；檢測摻假的方法主要有色譜法[4]、光譜法[5]、電泳、PCR[6-7]和ELISA[8]等，但這些方法大多費時費力且對樣品具有破壞性。電子鼻技術是一種操作簡單、快速、準確的無損分析技術[9]。目前，電子鼻技術在乳品工業中的應用主要集中在乳制品的產地鑒別[10]、貨架期及成熟期的判定[11-16]、以及摻假分辨[17,18]等方面,電子鼻在乳品工業中應用的深度和廣度還在不斷擴大[19-20]。本研究以羊奶粉中摻入不同比例的牛奶粉為研究對象，用電子鼻檢測不同摻假比例樣品的揮發性成分，進而利用PCA和FLDA實現摻假奶的快速定性判別，并利用線性回歸擬合分析實現摻假物質的定量分析。

1 材料與方法

1.1 材料與試劑

美羚全脂羊奶粉，伊利全脂奶粉(市售)；溴硝醇，純度≥98%。

表1 PEN3電子鼻傳感器名稱及性能描述

1.2 儀器與設備

PEN3電子鼻(含有10個金屬氧化物傳感器陣列，各個傳感器的名稱及性能描述見表1)；XHF-DY超聲波清洗機。

1.3 方法

按羊奶粉與牛奶粉混合比例的不同分為5組，即：分別摻入0%、0.1%、1%、5%和10%牛奶粉的羊奶粉。將摻假羊奶粉與純凈水按1∶7.2（質量比）攪拌混合，超聲15 min乳化均質，并加入溴硝醇標準液至其質量濃度為400 mg/L[21]，制得摻假奶樣品。

將制備好的奶樣取10 mL移入50 mL潔凈玻璃瓶中，每組奶樣做21個平行，為了減小試驗誤差，每組奶樣在室溫下現做現配。電子鼻檢測時，將每個密封樣品依次置于25℃環境平衡30 min后頂空進樣測量。

電子鼻試驗參數設置：樣品準備時間5 s，檢測時間55 s，測量計數1 s，自動調零時間10 s，清洗時間300 s，內部流量400 mL/min，進樣流量400 mL/min。

1.4 數據分析

采用基于最小協方差(MCD)估計的穩健馬氏距離異常值檢測方法[22]剔除異常值后，分別對數據進行主成分分析(PCA)、Fisher線性判別分析(FLDA)及線性回歸擬合分析。異常值檢測采用Matlab R2010a處理；PCA和FLDA采用SPSS20.0處理，線性回歸擬合分析采用Minitab15.0處理。

2 結果與分析

2.1 樣品傳感器信號分析

對5組不同摻假比例的樣品進行電子鼻檢測，最終獲得了電子鼻對各樣品的響應圖，以未摻假純羊奶粉樣品為例(見圖1)。圖中每條曲線代表每根傳感器對該樣品揮發性成分的響應強度G/G0(G電導率，G0初始電導率)隨時間變化而變化的情況，G/G0的值越偏離1(大于或者小于1)，表明響應氣體濃度越大；如果濃度低于檢測限或者沒有感應氣體，G/G0則接近甚至等于1。進樣后，揮發性成分被傳感器吸附，G/G0隨之發生改變，電子鼻10根傳感器的響應值先迅速偏離1，然后趨于平穩并在50 s后基本達到穩定狀態，因此試驗選取51～54 s內的平均響應值作為特征值分析。另外，不同傳感器對奶樣的響應不同，對照發現S6，S7，S8，S10號傳感器對奶樣的響應較大。這幾根傳感器分別對甲烷、乙醇、芳香物、硫化物等敏感，而奶類主要風味物質是乙醛、雙乙酰以及揮發性脂肪酸和含硫有機物等，因此電子鼻能較好反映奶樣的整體信息。

為了直觀比較電子鼻對5組奶樣響應值的差異，將每組奶樣的平均特征值用雷達圖表示(見圖2)。從圖中可以看出，不同組奶樣的響應結果存在差異且S6，S7，S8，S10號傳感器的響應值差異較大，因此可以根據電子鼻對不同組奶樣的響應差異來區分它們。

圖1 電子鼻對對照組奶樣揮發成分的響應

圖2 電子鼻對不同組奶樣響應的雷達圖

2.2 異常值檢測

試驗共得到105組數據，異常值會對試驗結果產生很大的影響，甚至會出現錯誤的分析結果，因此有必要對異常值進行診斷和處理。基于最小協方差(MCD)估計的穩健馬氏距離異常值檢測方法采用迭代方式構造了一個穩健的協方差矩陣和穩健的均值向量，由此消除了多個異常值的掩蓋作用[22]，使得異常值能夠被正確識別。對純羊奶粉樣品組應用該方法檢測異常值，如圖3所示，14，17，18號共3個樣品異常值被檢出，將這些異常值剔除。用同樣方法分別對5組奶樣數據做MCD估計，剔除異常值后共得到90組數據用于進一步分析。

2.3 主成分分析(PCA)

圖3 對照組MCD估計檢測異常值

PCA是一種無監督分類方法，它是利用降維的思想，在損失較少信息的前提下把原來多個變量線性轉化為幾個新變量(主成分)，選取較少數量的新變量就可以解釋原有變量的大部分變異[23]。PC1和PC2是散點圖中的兩個坐標軸，包含了在PCA轉換中得到的第1主成分和第2主成分的貢獻率，貢獻率越大，說明主要成分越具有代表性。一般總貢獻率超過70%～85%，此方法即可使用[24-26]。PCA主要用于客觀分析樣品之間的差異。

在PCA二維圖中(見圖4)，PC1的方差貢獻率為86.48%，PC2的方差貢獻率為9.79%，合計為96.27%。未摻假奶和摻假奶區分明顯；5%和10%摻假組雖有個別重疊，但基本上能區分開來。

圖4 各類奶樣主成分析二維分圖

2.4 Fisher線性判別分析(FLDA)

FLDA是一種有監督分類方法，側重對樣品在空間中的分布狀態以及彼此之間的距離分析，將高維模式樣本投影到最佳鑒別矢量空間，以達到抽取分類信息和壓縮特征空間維數的效果，投影后保證模式樣本在新的子空間有最大的類間距離和最小的類內距離，使得各類樣品能夠更好的區分，然后再根據樣本到每個類中心點的距離遠近判定將其歸于哪一個類別[27-28]。

在FLDA二維圖中(見圖5)，LD1方差貢獻率為88.2%，LD2方差貢獻率為7.1%，合計為95.3%。總體上看，各摻假濃度的樣品之間分布區域明顯，隨著摻假質量分數的增加，摻假組與對照組的距離增大，呈規律性分布，這說明不同質量分數的牛奶粉對羊奶粉揮發性氣體的影響能夠被電子鼻區分。因此，LDA可以將含有不同摻假濃度的樣品區分開。雖然兩種定性分析方法都能將不同樣品區分開來，但LDA分析中，各組采集點更加集中，且分布規律更明顯，所以，LDA區分效果優于PCA。

2.5 線性回歸擬合分析

圖5 各類奶樣線性分析二維圖

回歸分析的任務就是揭示出呈因果關系的相關變量間的聯系形式，建立它們之間的回歸方程，利用所建立的回歸方程，由自變量（原因）來預測、控制因變量（結果）。本研究用Minitab15.0做線性回歸擬合模型進行定量分析，并用決定系數的大小來評判回歸方程估測可靠程度的高低或回歸直線擬合度的高低，此模型的決定系數是0.9550，考慮到自變量個數的影響，對決定系數進行校正，調整后的決定系數為0.9500，表明此回歸方程估測可靠程度高。羊奶粉的實際摻假比例和模型預測摻假比例的關系如圖6所示。所建立的回歸方程為

Y=2.56+4.11X1-0.142X2-5.42X3-0.262X4-0.790X5-0.272X6+0.272X7+0.346X8-0.259X9+0.179X10，

式中：Y為預測摻假比例；X1～X10為10根傳感器的響應值。

圖6 實際摻假比例和預測摻假比例關系

由圖6可以看出，摻假比例的預測值和真實值比較接近，說明電子鼻可以較好的預測出羊奶粉中摻假牛奶粉的比例。電子鼻對摻假質量分數為0%和0.1%的預測結果很接近，但是從線性擬合的情況來看，電子鼻對0.1%摻假濃度的預測值在真實值附近，說明電子鼻對羊奶粉中摻假牛奶粉的檢測濃度可精確到0.1%。

3 結論與討論

（1）異常值的檢測是影響模型性能的重要因素，采用MCD估計法消除了掩蓋作用，進而正確識別并剔除了異常值。

（2）定性分析時，選用PCA和FLDA這兩種方法都能夠區分不同摻假比例的奶粉，且FLDA區分的效果好于PCA區分的效果，這是因為FLDA主要突出樣本的判別(差異)特征，而PCA主要顯示樣本的描述特征。

（3）定量分析時，建立線性回歸擬合模型進行分析，模型的預測精度可達0.1%，從而驗證了電子鼻技術應用于羊奶粉摻假牛奶粉的快速定性判別和定量分析的可行性。

（4）回歸模型建立時采用的樣本比較單一，因此，模型應用于實際時還需要進行深入的研究。實際應用時建模的樣本量應該遠遠大于本試驗中的樣本量，同時應注意對不同樣品（如不同產地、不同廠商等）分別建立相應的回歸模型，以降低模型的復雜度和預測風險。

[1]RIBEIRO A C,RIBEIRO S D A.Specialty Products Made from Goat Milk[J].Small Ruminant Research,2010,89(2-3):225-233.

[2]彭攀,林慧,杜如虛.利用近紅外光譜技術同時檢測奶粉中的多個摻假成分[J].計算機與應用化學,2011,28(3):307-310.

[3]王坤,葉興乾,關榮發.羊乳及其奶酪中摻入牛乳檢測的研究[J].食品與發酵工業,2005,31(10):136-138.

[4]CHEN R K,CHANG L W,CHUNG Y Y,et al.Quantification of Cow Milk Adulteration in Goat Milk Using High-Performance Liquid Chromatography with Electrospray Ionization Mass Spectrometry[J].Rapid Commun Mass Spectrom,2004,18(10):1167-1171.

[5]褚瑩,丁武,丁丁.近紅外光譜法用于摻假羊奶的快速無損鑒別[J].中國乳品工業,2012,40(2):51-54.

[6]LOPEZ-CALLEJA I M,GONZALEZ I,FAJARDO V,et al.Application of an Indirect ELISA and a PCR Technique for Detection of Cow,s Milk in Sheep,s and Goat Milk cheeses[J].International Dairy Journal,2007,17(1):87-93.

[7]尹艷,李通,姜艷彬,等.運用PCR技術進行5種液態奶的鑒別[J].中國乳品工業,2013,41(1):59-63.

[8]宋宏新,韓燕.免疫學檢測羊乳中摻入牛乳成分[J].中國乳品工業,2007,35(10):43-46.

[9]BALASUBRAMANIAN S,PANIGRAHI S,LOGUE C M,et al.Independent component analysis-processed electronic nose data for predicting Salmonella typhimurium populations in contaminated beef[J].Food Control,2008,19(3):236-246.

[10]PILLONEL L,AMPUERO S,TABACCHI R,et al.Analytical methods for the determination of the geographic origin of Emmental cheese:volatile compounds by GC/MS-FID and electronic nose[J].European Food Research?and?Technology,2003,216(2):179-183.

[11]龐旭欣,鄭麗敏,朱虹,等.電子鼻對不同存儲時間純牛奶的檢測分析[J].傳感器與微系統,2012,31(9):67-70.

[12]郭奇慧,白雪,胡新宇,等.應用電子鼻區分不同貨架期的酸奶[J].食品研究與開發,2008,29(10):109-110.

[13]LABRECHE S,BAZZO S,CADE S,et al.Shelf life determination by electronic nose:application to milk[J].Sensors and Actuators B:Chemical,2005,106(1):199-206.

[14]ORIORDAN P J,DELAHUNTY C M.Characterisation of commercial Cheddar cheese flavor.1:traditional and electronic nose approach to quality assessment and market classification[J].International Dairy Journal,2003,13(5):355-370.

[15]伍慧方,薛璐,胡志和,等.借助電子鼻對中式傳統奶酪貨架期進行預測[J].食品與發酵工業,2010,36(2):150-154.

[16]張虹艷,丁武.電子鼻對不同溫度下生鮮羊奶貯藏時間的判定[J].食品科學,2011,32(16):257-260.

[17]徐亞丹,王俊,趙國軍,等.基于電子鼻的對摻假的“伊利”牛奶的檢測[J].中國食品學報,2006,6(5):111-118.

[18]李照,邢黎明,云戰友,等.電子鼻測定牛奶中摻入外來脂肪[J].乳業科學與技術,2008,(1):39-41.

[19]劉志東,郭本恒,王蔭愉,等.電子鼻在乳品工業中的應用[J].食品與發酵工業,2007,33(2):102-107.

[20]蘭會會,胡志和.電子鼻技術在乳品生產與質量控制中的應用[J].食品科學,2010,31(17):467-472.

[21]ERIKSSONA A,PERSSON WALLER K,SVENNERSTEN-SJAUNJAA K,et al.Detection of mastitic milk using a gas-sensor array system(electronic nose)[J].International Dairy Journal,2005(15)1193-1201.

[22]VERBOVEN S,HUBERT M.LIBRA:a MATLAB library for robust analysis[J].Chemometrics and Intelligent Laboratory Systems,2005,75(2):127-136.

[23]PERIS M,ESCUDER-GILABERT L.A 21st century technique for food control:electronic noses.Analytica Chimica Acta,2009,638(1):1-15.

[24]胡桂仙,王俊,海錚.不同儲藏時間柑橘電子鼻檢測研究[J].浙江農業學報,2006,18(6):458-461

[25]龐林江,王俊,路興花.電子鼻判別小麥陳化年限的檢測方法研究[J].傳感技術學報,2007,20(8):1717-1722

[26]張曉華,張東星,劉遠方.電子鼻對蘋果貨架期質量的評價[J].食品與發酵工業,2007,33(6):20-23.

[27]袁志發,周靜芋.多元統計分析[M].北京:科學出版社,2002:220-230.

[28]SNEER D.Validation of regression models:methods and examples[J].Technometrics,1977,19(4):415-428.