基于統計空間映射和電子鼻的豬肉風味物質檢測

王炳蔚，楊 璐，*，鄭麗敏，2，王智凝

（1.中國農業大學信息與電氣工程學院，北京 100083；2.食品質量與安全北京實驗室，北京 100083）

基于統計空間映射和電子鼻的豬肉風味物質檢測

王炳蔚1，楊 璐1，*，鄭麗敏1，2，王智凝1

（1.中國農業大學信息與電氣工程學院，北京 100083；2.食品質量與安全北京實驗室，北京 100083）

為有效地檢測并識別不同豬肉量本揮發性風味的差異，利用電子鼻和頂空固相微萃取-氣相色譜-質譜聯用技術分別對豬肉量本進行檢測，針對2 種方法檢測物質的相似性，應用系統聚類分析2 種方法的檢測數據，建立二者之間的線性回歸模型，獲得電子鼻檢測數據與豬肉揮發性風味物質間的映射關系，并利用映射關系完成電子鼻檢測數據的分類。結果顯示，豬肉的電子鼻檢測數據與揮發性成分間展現了較為一致的聚類結果，回歸方程顯示2 種檢測數據存在顯著的線性關系，利用聚類結果進行判別分析，量本識別正確率達到了90%，表明了利用電子鼻檢測并識別不同豬肉間揮發性風味物質差異可行。

電子鼻；固相微萃取；統計空間映射；模式識別

王炳蔚， 楊璐， 鄭麗敏， 等. 基于統計空間映射和電子鼻的豬肉風味物質檢測［J］. 食品科學， 2016， 37（8）: 102-107.

WANG Bingwei， YANG Lu， ZHENG Limin， et al. Detection of pork flavor compounds based on statistical space mapping and electronic nose［J］. Food Science， 2016， 37（8）: 102-107. （in Chinese with English abstract） DOI:10.7506/spkx1002-6630-201608018. http://www.spkx.net.cn

肉制品中的揮發性化合物決定了其芳香特性，并對肉制品的特征風味起到了最重要的作用［1-2］。氣味和味道的形成受內源酶、微生物水平影響，也與天然成分間的化學反應相關［3-7］。豬肉的揮發性風味物質主要包括碳氫化合物、醇類、酚類、酮類、酯類、羧酸類、醚類、醛類、含氮化合物和含硫化合物。豬肉風味的形成是及其復雜的過程，也是多種揮發性成分的綜合反映［8］。在肉制品的揮發性風味物質檢測過程中，固相微萃取（solid phase micro-extraction，SPME）技術與氣相色譜-質譜（gas chromatography-mass spectrometry，GC-MS）聯用技術是常用的方法。SPME技術集采量、萃取、濃縮進量于一體，廣泛應用于環境污染物、農藥殘留、臨床藥理公安案件分析、制藥、化工、食品分析等領域［9-11］。但該方法成本較高，以相對含量定量表示揮發性物質的方法帶有一定的模糊性。一般研究中利用該方法僅能給出各種揮發性風味物質的含量，難以以此表征個體間風味的差異。電子鼻模仿人類的嗅覺原理，利用傳感器陣列對不同氣味的交叉敏感性，可以檢測到豬肉揮發性成分的差異，易于操作且成本較低［12］。電子鼻檢測到的不是被測量本揮發性物質的定性或定量的結果，而是量本揮發性物質的整體信息（指紋數據）［13］。

柴春祥等［14］研究表明在不同的實驗條件下，電子鼻可以檢測到豬肉揮發性成分的變化。洪雪珍等［15］研究表明不同豬肉量品質量對電子鼻響應信號的影響極為顯著，能夠很好地區分不同貯藏時間的豬肉量品。王智凝［16］利用Bayes判別等方法對電子鼻采集的不同廠家的豬外脊數據進行了有效分類，并利用線性回歸方法建立了電子鼻檢測數據與SPME檢測數據間的回歸方程。潘見等［9］研究表明利用SPME-GC-MS方法能夠有效區分不同豬肉量本間的風味差異。

基于上述研究現狀，本實驗應用如下的研究方法：利用電子鼻和SPME-GC-MS技術對不同豬肉量本進行檢測，針對量本的電子鼻檢測數據和揮發性成分對量本進行層次聚類，建立電子鼻檢測數據與豬肉揮發性風味物質間的線性回歸模型。利用電子鼻檢測數據與豬肉揮發性成分間的映射關系對豬肉量本進行統計映射關系有效性的驗證。通過基于統計映射的模式識別方法［17］，表明利用電子鼻檢測并識別不同豬肉間揮發性風味物質差異的可行性。

1　材料與方法

1.1材料與儀器

實驗選用來自北京資源集團當天宰殺的40 頭豬的新鮮外脊，每條外脊分成2 份，一份攪碎用于電子鼻檢測，一份送往中國肉類食品綜合研究中心進行GC-MS聯用檢測。

E-Nose 10001型電子鼻由中國農業大學計算機實驗室研發；Trace1310-TSQ8000 GC-MS聯用儀 美國Thermo Fisher Scientific公司；Fiber 75 μm手動SPME進量器、碳分子篩/聚二甲基硅氧烷（divinylbenzene/carboxen/ polydimethylsiloxane，CAR/PDMS）型萃取頭 美國Supelco公司。

1.2方法

1.2.1量品處理

按照GB/T 9695.19—2008《肉與肉制品取量方法》進行取量。在5～10 ℃環境中將量品完全粉碎，混勻，準確稱取5 g量品培養皿中，并立即進行檢測。

1.2.2電子鼻檢測

將外脊量品置于電子鼻盛物槽中，采用頂空吸氣法進行電子鼻檢測分析。測定條件為：盛物槽溫度恒定，空氣流量為3 L/min，傳感器清洗時間60 s，采量時間300 s。電子鼻共16 個氣敏傳感器構成傳感器陣列，各傳感器性能見表1。分別對40 組外脊進行檢測，統計分析16 個傳感器的響應曲線。

表1　E-Nose 1001電子鼻傳感器陣列Table 1 E-Nose 1001 electronic nose sensor array

1.2.3揮發性成分測定

將外脊量品置于量品萃取瓶中，采用SPME的方式進行量品富集，萃取頭材料為PDMS，50 ℃保溫，吸附40 min，取出插入進量口進量。GC-MS聯用分析得到不同產品揮發性組分的質譜圖，比較其特征揮發性風味組分［18］。

GC-MS條件：TG-wax石英毛細柱（30 m× 0.25 mm，0.25 μm）；進量口溫度230 ℃；升溫程序：40 ℃保持3 min，以5 ℃/min升至200 ℃，保持3 min，然后以5 ℃/min上升到230 ℃，保持3 min，載氣為氦氣；流速1.4 mL/min。傳輸線溫度260 ℃；離子源溫度280 ℃。

根據所得質譜圖，檢索NIST、Demo和Willey數據庫，定性通脊肉的揮發性組分，并根據峰面積歸一化法求得各化學成分在豬肉揮發性風味物質中的相對含量即以量品中被測組分經校正過的峰面積占量品中各組分經校正過的峰面積總和的比例來表示量品中各組分的相對含量。

1.3數據處理

E-Nose 10001型電子鼻主要包括：數據采集部分、數據調理部分、接口電路和計算機。電子鼻工作原理：氣敏傳感器構成氣敏傳感器陣列，通過表面吸附氣體分子，產生電壓變化，通過信號調理電路進行去噪、濾波、放大等處理，通過A/D轉換將響應值輸入計算機。

針對模式識別過程中的不同需求，需要對氣敏傳感器響應值進行特征提取和特征選擇。電子鼻獲得各個傳感器的電阻響應信號，其傳感器響應曲線如圖1所示。

圖1　電子鼻響應曲線Fig.1 Electronic nose response curves

傳感器響應值隨揮發性氣體分子的吸附過程逐漸改變，當吸附過程飽和后電阻呈穩定狀態。這一過程中，曲線的相對平均值表示了氣體分子的濃度信息，傳感器響應值隨時間變化率表示傳感器對揮發性成分的吸附速率。特征值選取響應曲線的相對平均值、相對變化值，并利用二次函數與對數函數量合響應曲線，提取二次量合函數的二次項系數、一次項系數、對數量合函數系數和常數項系數。每條響應曲線共提取6 個特征值。

針對SPME-GC-MS檢測數據的類別，選取酮類、酸類和含氮類3 種揮發性成分的相對含量，根據各類物質相對含量的相似性，應用層次聚類方法［19-20］對量本完成模式聚類。統計各類揮發性成分的相對含量，對數據進行標準化處理后完成線性回歸分析［21-22］。最后利用電子鼻檢測數據驗證揮發性風味空間的模式分類。

2　結果與分析

2.1豬肉揮發性成分檢測結果

圖2　豬肉揮發性成分的總離子流圖Fig.2 Total ion chromatogram of volatile components in pork

本實驗選取30 組量本作為建模數據，選取揮發性風味物質中酮類（y1）、酸類（y2）和含氮類（y3）3 種物質為因變量，構成豬肉揮發性成分的特征空間。

由圖2、表2可知，豬肉揮發性成分中各酸類物質的相對含量累計達到17.04%；各酮類物質相對含量累計為9.44%，各含氮類物質相對含量累計為2.57%。

表2　豬肉揮發性物質組成Table 2 Composition of volatile compounds in pork

利用逐步回歸分析對96 個電子鼻響應變量進行篩選，其基本思路是：在所考慮的全部解釋變量中，按對被解釋變量的貢獻大小逐個引入回歸方程，引入或剔除一個變量都要進行F檢驗，以保證在引入新變量前回歸方程中只含有對被解釋變量影響顯著的變量，而不顯著的變量已被剔除［23-24］。選取對豬肉揮發性特征空間影響顯著的變量，共選取19 個電子鼻響應變量。將篩選后的電子鼻響應變量進行主成分分析［25］，并提取特征值大于1的變量，共獲得3 個主成分，累計貢獻率為87%，即解釋了原始數據中87%的信息。

2.2揮發性成分模式聚類結果

將主成分分析結果和揮發性成分相對含量經標準化處理后，作為層次聚類的輸入，采用組間聯接方法，利用SPSS 19.0軟件的系統聚類模塊分別進行分析。由圖3可知，30 組量本數據間存在較為明顯的模式劃分。當類別數K=2時，量本1、2為一類，其他量本為一類，通過原始數據可知量本1、2的酮類物質相對含量較高，分別為90.4%和68.7%，酸類和含氮類物質的相對含量均低于3%；當K=3時，量本25、26、27、28、29自成一類，較高的含氮類物質相對含量是該類數據的主要特征；當K=4時，量本17～24與量本3～11分離，兩類在酸類物質相對含量上展現了較大的差異，其中量本17～24的酸類物質相對含量平均值為14.69%，量本3～11酸類物質相對含量平均值為3.98%。即可以定義：高酮類、高氮類、高酸低酮類、低酸高酮類，如表3所示。

圖3　揮發性成分聚類樹狀圖Fig.3 Clustering dendrogram of volatile components

表3　豬肉揮發性成分聚類結果Table 3 Clustering results of volatile components in pork

電子鼻數據經主成分分析后的聚類結果顯示：除異常數據，當K=3時，量本存在與揮發性成分較為一致的劃分，即可劃分為：高氮類、高酸低酮類、低酸高酮類。該劃分顯示了電子鼻可以較好地區分豬肉在含氮類物質和酸類物質相對含量上的差異。在揮發性成分聚類中與其他量本區分顯著的高酮類量本，在電子鼻檢測數據中不能明顯與低酸高酮類區分開，可能的原因是電子鼻不能夠區分酮類物質上的差異。

如圖4所示，基于上述聚類分析，建立類別劃分：1、2、3、4、5、6、7、8、9、10、11為第1類，12、 13、14、15、16、17、18、19、20、21、22、23、24為第2類，25、26、27、28、29、30為第3類。依照上述模式劃分，求得分類模式如表4所示。

圖4　電子鼻主成分聚類樹狀圖Fig.4 Clustering dendrogram from principal component analysis of the electronic nose data

表4　豬肉揮發性成分聚類結果Table 4 Clustering results of volatile components in pork

2.3線性回歸分析結果

利用電子鼻檢測數據與揮發性風味數據間的映射關系，獲得電子鼻檢測數據空間的類別中心、量本與類別間的距離、判別準則。利用電子鼻檢測數據提取特征值做為自變量。通過逐步線性回歸獲得回歸方程式如（1）～（3）：

式（1）中：x11為s14對數量合函數一次項系數；x12為s2相對變化值；x13為s4對數量合函數一次項系數；x14為s11對數量合函數常數項系數；x15為s10二次量合函數一次項系數；x16為s11對數量合函數一次項系數。

式（2）中：x21為s1對數量合函數一次項系數；x22為s8二次量合函數二次項系數；x23為s6相對平均值；x24為s4對數量合函數常數項系數；x25為s4二次量合函數一次項系數；x26為s2對數量合函數常數項系數。

式（3）中：x31為s13對數量合函數一次項系數；x32為s13二次量合函數二次項系數；x33為s1二次量合函數二次項系數；x34為s11相對平均值；x35為s14相對平均值；x36為s15相對平均值；x37為s8相對變化值。

表5　回歸模型運算結果Table 5 Calculation results from regression models

對上述3 個回歸方程做顯著性檢驗，結果如表5所示。3 個回歸方程的調整的決定系數R2均達到了0.9以上，說明超過90%以上的因變量的改變可由該回歸模型解釋，達到了0.01的顯著性水平，表明回歸模型的量合效果較好。通過統計3 個回歸方程中除常數項以外的各回歸系數的t統計量，可知其顯著性概率均小于0.05，表明了各個回歸參數的有效性。

上述3 個回歸模型所選取的自變量存在較為顯著的差異，通過對回歸模型的顯著性檢驗，表明以多傳感器融合的方式，能夠在電子鼻數據空間描述豬肉量本在揮發性成分含量空間上的差異。

基于上述分析結果，將10 組量本的電子鼻檢測數據進行回歸分析并利用聚類分析結果對量本進行模式判別，在10 個預測量本中，9 個預測正確，1 個預測錯誤，判別有效性達到了90%。

3　結 論

本實驗首先應用電子鼻和SPME方法對豬外脊進行揮發性成分檢測的實驗，然后利用層次聚類方法建立了基于豬肉量本中酮類、酸類和含氮類等揮發性成分的模式劃分，利用多元線性回歸方法，建立了電子鼻檢測數據與揮發性成分中酮類、酸類和含氮類相對含量的回歸模型，并對模型的有效性進行了評價；最后基于上述的層次聚類判別模式劃分和回歸方程驗證了電子鼻檢測數據與揮發性成分之間的映射關系。結果表明：1）豬肉的揮發性成分空間存在較為明顯的類別劃分，其劃分模式與電子鼻檢測數據間存在較為一致的映射關系；2）電子鼻能夠識別豬肉量本間的揮發性成分差異，電子鼻檢測數據經特征提取后可建立與豬肉揮發性成分間的線性回歸方程，回歸方程具有較好的量合效果；3）應用基于統計空間映射的模式識別方法對豬肉揮發性成分空間的分類預測，可以得到較為準確的預測結果。

豬肉量本間的揮發性成分相對含量差異較大，各種揮發性成分對豬肉風味的貢獻作用較為復雜，因此可考慮針對豬肉風味的顯著差異對揮發性成分做更加細致的劃分，使豬肉揮發性風味的模式空間更具可解釋性；GC-MS聯用儀的峰面積歸一化法在定量檢測揮發性成分上具有一定的局限性，需考慮更為準確的揮發性成分測定方法；針對豬肉揮發性風味物質特點，可設計更加適合檢測豬肉揮發性風味的傳感器陣列，提高電子鼻檢測的準確性。

［1］ MOTTRAMDS. Flavor formation in meat and meat products: a review［J］. Food Chemistry， 1998， 62（4）: 415-424. DOI:10.1016/ S0308-8146（98）00076-4.

［2］ 李順民， 程定均， 宋振碩. 風味評價技術及其在評定豬肉品質中的應用［J］. 肉類研究， 2009， 23（6）: 56-58. DOI:10.3969/ j.issn.1001-8123.2009.06.015.

［3］ AL-BACHIR M， MEHIO A. Irradiated luncheon meat:microbiological，chemical and sensory characteristics during storage［J］. Food Chemistry，2001， 75（2）: 169-175. DOI:10.1016/s0308-8146（01）00192-3.

［4］ INSAUSTI K， BERIAIN M J， PURROY A， et al. Shelf life of beef from local Spanish cattle breeds stored under modified atmosphere［J］. Meat Science， 2001， 57（3）: 273-281. DOI:10.1016/s0309-1740（00）00102-9.

［5］ NATTRESS F M， JEREMIAH L E. Bacterial mediated off-flavours in retail-ready beef after storage in controlled atmospheres［J］. Food Research International， 2000， 33（9）: 743-748. DOI:10.1016/s0963-9969（00）00064-8.

［6］ 陳其美， 曾勇慶， 魏述東， 等. 不同豬種肌肉風味前體物質及其營養和食用品質特性研究［J］. 浙江大學學報， 2010， 36（3）: 299-305. DOI:10.3785/j.issn.1008-9209.2010.03.010.

［7］ CRISTINA S， OLIVEIRA I， SILVA J A， et al. Implementation of multivariate techniques for the selection of volatile compounds as indicators of sensory quality of raw beef［J］. Journal of Food Science and Technology， 2015， 52（6）: 3887-3898. DOI:10.1007/s13197-014-1447-y.

［8］ 鄒英子， 楊俊杰， 潘見. 黑香豬肉揮發性風味成分的提取和分析［J］. 肉類研究， 2012， 26（7）: 124-127. DOI:10.13684/j.cnki. spkj.2012.07.016.

［9］ 潘見， 楊俊杰， 鄒英子. 不同涂層SPME與GC-MS聯用比較分析兩種豬肉揮發性風味成分［J］. 食品科學， 2012， 33（12）: 169-172.

［10］ 廖濤， 熊光權， 楊玉平， 等. 輻照豬肉揮發性成分研究［J］. 北京工商大學學報， 2010， 28（6）: 14-17. DOI:10.3969/j.issn.1671-1513.2010.06.003.

［11］ 郭美娟， 柴春祥， 魯曉翔， 等. 頂空固相微萃取氣質聯用技術在水產品揮發性成分檢測中的應用現狀與前景展望［J］. 食品工業科技，2014， 35（9）: 368-376. DOI:10.13386/j.issn1002-0306.2014.09.072.

［12］ 賈洪峰， 盧一， 何江紅， 等. 電子鼻在牦牛肉和牛肉豬肉識別中的應用［J］. 農業工程學報， 2011， 27（5）: 358-363. DOI:10.3969/ j.issn.1002-6819.2011.05.062.

［13］ 蘆曉菲， 鄭麗敏， 張曉梅， 等. 電子鼻技術在干酪識別上的應用［J］. 中國乳業， 2008， 1（6）: 52-55. DOI:10.3969/ j.issn.1671-4393.2008.06.014.

［14］ 柴春祥， 杜利農. 電子鼻檢測豬肉新鮮度的研究［J］. 食品科學， 2008，29（4）: 444-447. DOI:10.3321/j.issn:1002-6630.2008.09.102.

［15］ 洪雪珍， 王俊. 豬肉儲藏時間的電子鼻區分方法［J］. 浙江大學學報，2010， 36（5）: 568-572. DOI:10.3785/j.issn.1008-9209.2010.05.014.

［16］ 王智凝. 電子鼻在豬肉新鮮度檢測中的應用研究［D］. 北京: 中國農業大學， 2015.

［17］ 徐正光， 王海濤， 瞿壽德. 基于統計空間映射的模式識別及在線質量推斷［J］. 北京科技大學學報， 2001， 23（2）: 181-183. DOI:10.3321/ j.issn:1001-053X.2001.02.024.

［18］ 黃業傳， 賀稚非， 李洪軍， 等. 皮下脂肪和肌內脂肪對豬肉風味的作用［J］. 中國農業科學， 2011， 44（10）: 2118-2130. DOI:10.3846/ j.issn.0578-175.2011.10.017.

［19］ 包為民， 萬新宇， 靳燕東， 等. 基于主成分分析的河流洪水系統聚類法［J］. 河海大學學報， 2008， 36（1）: 1-5. DOI:10.3876/ j.issn.1000-1980.2008.01.001.

［20］ 王典， 劉晉浩， 王建利. 基于系統聚類的林地內采育目標識別與分類［J］. 農業工程學報， 2011， 27（12）: 173-177. DOI:10.3969/ j.issn.1002-6819.2011.12.033.

［21］ 黃雙萍， 洪添勝， 岳學軍， 等. 基于高光譜的柑橘葉片氮素含量多元回歸分析［J］. 農業工程學報， 2013， 29（5）: 132-138. DOI:10.3969/ j.issn.1002-6819.2013.05.018.

［22］ WILLIAM M， TERRY S. 統計學［M］. 梁馮珍， 史道濟， 關靜， 等. 譯.北京: 機械工業出版社， 2009.

［23］ 劉明， 王仁曾. 基于t檢驗的逐步回歸的改進［J］. 統計與決策， 2012，6（6）: 16-19. DOI:10.13546/j.cnki.tjyjc.2012.06.012.

［24］ 周紀薌. 實用回歸分析方法［M］. 上海: 上海科學技術出版社， 1990.

［25］ 宋江峰， 李大婧， 劉春泉， 等. 甜糯玉米軟罐頭主要揮發性物質主成分分析和聚類分析［J］. 中國農業科學， 2010， 43（10）: 2122-2131. DOI:10.3864/j.issn.0578-1752.2010.10.019.

Detection of Pork Flavor Compounds Based on Statistical Space Mapping and Electronic Nose

WANG Bingwei1， YANG Lu1，*， ZHENG Limin1，2， WANG Zhining1
（1. College of Information and Electrical Engineering， China Agricultural University， Beijing 100083， China；2. Beijing Laboratory of Food Quality and Safety， Beijing 100083， China）

In order to effectively detect and identify their volatile flavor， pork samples were detected by electronic nose and solid-phase micro-extraction gas chromatography-mass spectrometry （HS-SPME-GC-MS）. In view of the similarity between the two detection methods， hierarchical clustering was used to analyze the detection data. A linear regression model was established to obtain the mapping relationship between the electronic nose detection data and the volatile flavor compounds in pork for the classification of the electronic nose data. Consistent results were obtained from the clustering analysis of the electronic nose detection data and volatile components of pork. The regression equation showed that a linear relationship existed between the two detection data. Sample recognition accuracy reached 90%. This study demonstrated the feasibility of using electronic nose to detect the difference in volatile flavor compounds of pork.

electronic nose； solid phase micro-extraction； statistical space mapping； pattern recognition

10.7506/spkx1002-6630-201608018

TP274；TP212

A

1002-6630（2016）08-0102-06

10.7506/spkx1002-6630-201608018. http://www.spkx.net.cn

2015-09-16

“十二五”國家科技支撐計劃項目（2012BAD288B02；2014BAD04B05；2013BAD19B09）

王炳蔚（1991—），男，碩士研究生，研究方向為人工智能。E-mail：bingwangat573@gmail.com

楊璐（1967—），女，副教授，博士，研究方向為網絡工程。E-mail：yanglumail@263.net

引文格式：