基于電子鼻和人工神經網絡對魚露產地的區分與識別

付奧，趙利，袁美蘭，白春清，江勇

（江西科技師范大學生命科學學院，南昌 330013）

基于電子鼻和人工神經網絡對魚露產地的區分與識別

付奧，趙利，袁美蘭，白春清，江勇＊

（江西科技師范大學生命科學學院，南昌 330013）

為建立一種快速無損檢測魚露產地的方法，采購不同產地（泰國、廣東、越南、實驗室自制）的魚露，利用電子鼻檢測其風味物質。通過主成分分析（PCA）對不同產地的魚露進行區分，人工神經網絡（ANN）對魚露的產地進行預測。結果顯示：在主成分析圖上，總貢獻率為98.37%，不同產地魚露能夠被較好地區分；負荷加載分析（Loading）表明P30/1（對烴類、氨類和乙醇類物質敏感）和LY2/GH（對氨類和胺類化合物敏感）傳感器在區分魚露產地中起主要作用，徑向基人工神經網絡（RB）和梯度下降人工神經網絡（GD）對魚露產地進行預測的準確率分別為95.56%和91.04%，表明采用電子鼻技術鑒別不同產地的魚露是可行的。

魚露；電子鼻；產地；主成分分析；人工神經網絡

魚露，別名魚醬油，是一種以價值低的魚蝦或水產品加工的下腳料為原料，利用其體內酶及微生物的共同作用對原料中的蛋白質、脂肪等物質進行發酵分解而成的調味品。其風味咸鮮，營養豐富，含有人體必需氨基酸、牛磺酸、維生素及鈣、碘等礦物質［1］。魚露的生產主要分布在東南亞如越南，泰國，我國東部沿海地帶如廣東、福建，日本及菲律賓北部。20世紀80年代后魚露產業迅速發展，目前國內產量每年約10萬噸以上，但一些不法分子偽造進口魚露，甚至利用鹽水和醬色勾兌冒充魚露的新聞已屢見不鮮，因此鑒別不同產地魚露是十分有必要的。

魚露的風味物質主要包括氨基酸、肽、有機酸、核酸關聯物、揮發性酸、揮發性含氮化合物等［2］，不同產地的不同釀造方法對魚露風味物質的組成成分都會有影響。目前對魚露中揮發性物質的檢測方法大多為GC-MS（gas chromatography-mass spectrometer）［3］，但利用這些檢測方法檢測魚露的產地存在著耗時費力、儀器昂貴、人為主觀等方面的不足。20世紀90年代以來，電子鼻技術發展迅速，其具有操作和樣品前期處理簡單，響應時間短，檢測速度快，測定評估范圍廣，人為誤差小，重復性好等優點，逐漸在食品檢測方面發揮的重要作用。

電子鼻是模仿生物嗅覺功能，由多個性能重疊的氣敏傳感器和適當的分類模式組成的能夠識別單一和復雜氣味的裝置［4］，在醫學［5，6］、環境［7，8］和食品［9，10］等領域得到了廣泛應用。目前利用電子鼻鑒別產地和區分種類主要集中在酒［11，12］和中藥藥材［13，14］方面。本實驗用電子鼻采集不同產地魚露的嗅覺指紋信息，再運用主成分分析（principal component analysis，PCA）對不同產地的魚露風味物質進行區分，然后運用人工神經網絡（artificial neural network，ANN）對魚露的產地進行預測，為判別不同產地魚露提供理論依據。

1 材料與方法

1.1 材料

選取的5種魚露分別來自泰國、廣東、越南、東莞這4個不同產地，見表1，分別用A，B，C，D，E來表示。

表1 5種魚露樣品信息Table 1Five kinds of fish sauce samples information

1.2 儀器

電子鼻：Gemini系統，法國Alpha M.O.S公司，它由6個金屬氧化物傳感器（MOS）陣列組合而成，分別為T70/2，PA/2，P30/1，P40/2，LY2/GH，LY2/gCTL，傳感器及其對應的香氣類型見表2；手動進樣針：2.5mL，美國漢密爾頓。

表2 傳感器及其對應的香氣類型Table 2The sensor and the corresponding aroma types

1.3 實驗方法

1.3.1 電子鼻參數設置

載氣為合成干燥空氣，流速為150mL/min；樣品氣味體積為1mL；頂空加熱溫度為40℃，頂空加熱時間為15min；攪動速度為500r/min；注射速度為1mL/s；獲取時間300s；延滯時間300s。每個樣品做3個平行，每個平行測3次。

1.3.2 數據處理

采用PCA對不同產地魚露樣品的電子鼻數據進行統計學分析，再用MATLAB 7.0自行編寫的徑向基人工神經網絡（radial basis，RB）和梯度下降人工神經網絡（gradient descent，GD）模型建立預測不同產地魚露的數學模型。

2 結果與分析

2.1 電子鼻分析結果

圖1 魚露樣品的電子鼻響應圖Fig.1Electronic nose response curves of fish sauce samples

由圖1可知，不同產地魚露樣品的電子鼻氣味指紋圖譜存在差異，不同傳感器的指紋圖譜能夠很好地區分不同產地魚露樣品中的風味物質。

2.2 統計學分析

2.2.1 PCA分析

PCA一般用于數據探索或查看，是在對樣品特性一無所知的前提下，通過對原始數據向量進行降維，從而從一定的視角來尋找樣品間差異的一種算法。

圖2 魚露樣品電子鼻響應的PCA分析圖Fig.2PCA plot of electronic nose response curve of fish sauce samples

由圖2可知，PC1的貢獻率為95.46%，PC2的貢獻率為2.91%，累計貢獻率為98.37%，說明不同產地不同品牌的魚露樣品在風味物質上存在著較大的差異。在PCA圖上，可以清楚地看出5個不同產地魚露樣品氣味信號圖大致被分成3個區域，A和B樣品在一個區域，但在PCA2上能被電子鼻區分；C和E樣品在一個區域；D樣品單獨在一個區域，這可能與不同產地魚露樣品的生產原料有關，A和B都是以鮮魚為原料發酵而成，由不同廠家生產，C和E是同一廠家以鳀魚為原料不同批次生產的不同規格的魚露，D是以淡水魚下腳料為原料生產的魚露，這說明相同原料生產的魚露在風味物質上具有相似性，而電子鼻能夠區分不同品牌不同原料魚露樣品風味物質的差異性。

不同產地魚露樣品的Loadings分析結果顯示了電子鼻的6個傳感器在區分不同產地魚露樣品貢獻率的大小，貢獻率的大小和傳感器的區分能力呈正相關。P30/1傳感器在PCA1圖上貢獻最大，LY2/GH傳感器在PCA2上貢獻最大。P30/1傳感器對烴類、氨類、乙醇類物質敏感，LY2/GH傳感器對氨、胺類化合物敏感，表明魚露中的烴類物質、氨類物質、乙醇類物質和胺類物質是區分不同產地的主要風味物質。

2.2.2 ANN分析

人工神經網絡是由人工建立的、以有向圖為拓撲結構的動態系統，它通過對連續或斷續的輸入做狀態響應而進行信息處理［15］。在估計預測方面解決了許多實際問題，表現出很好的智能性，如李瑞盈［16］利用反向人工神經網絡對寧夏枸杞產地進行識別，結果令人滿意；劉宇佳等［17］優化了近紅外-人工神經網絡模型用于銀耳的產地識別。

本實驗采用RB和GD兩種人工神經網絡對魚露的產地做預測分析。RB的結構較簡單，輸入層神經元數與輸入變量相同，通過調整延展系數，當延展系數為0.78時，準確率最優為95.56%，9號和28號樣預測錯誤；GD算法是標準的反傳算法，構建反傳人工神經網絡（back-propagation，BP）模型要優化以下幾個因素：神經元的數目、學習速率、步長和訓練函數，經過優化神經元數目為13，學習速率為0.021，步長為1000，目標設為10－5，迭代次數設為14000，當迭代次數超過15000或目標小于10－5，訓練過程則會停止，其準確率為93.33%，其中10號，12號和41號樣品預測錯誤。

建立人工神經網絡模型，進行交叉驗證時，理論值1，2，3，4分別對應廣東魚露、越南魚露、泰國魚露和實驗室自產魚露。預測值在0.5～1.5之間，判定樣品為廣東魚露；預測值在1.5～2.5之間，判定樣品為越南魚露；預測值在2.5～3.5之間，判定樣品為泰國魚露；預測值在3.5～4.5之間，判定樣品為實驗室自產魚露。采用本文建立的人工神經網絡模型鑒定魚露樣品的留一法交叉驗證結果見表3。留一交叉驗證法是將每一個樣本作為測試樣本，余下N－1個樣本作為訓練樣本，得到了N個分類器或模型，用這N個分類器或模型的分類準確率作為此分類器的性能指標，因為每一個分類器或模型都是用幾乎所有的樣本來訓練模型，實驗沒有隨機因素，所得結果比較可靠。

表3 魚露樣品的人工神經網絡模型交叉驗證結果Table 3The cross validation results of artificial neural network model of fish sauce samples

3 結論

本實驗用電子鼻對不同產地魚露的風味物質進行檢測，通過PCA對電子鼻進行數據分析，可知越南、泰國以及國內生產的魚露的風味物質在組成成分上差異明顯，在PCA圖上能很好地被區分，P30/1（氨類、乙醇類、烴類化合物）和LY2/GH（氨類、胺類化合物）在判別不同產地的魚露樣品中起到了較大作用，本研究成功地利用人工神經網絡建立數學模型，對魚露樣品的產地進行預測，預測準確率分別為95.56%和93.33%，這為更好地利用電子鼻鑒定魚露產地提供了依據。

［1］江航，王錫昌.頂空固相微萃取與GC-MS聯用的魚露揮發性風味成分分析［J］.安徽農業科學，2008，36（23）：9838-9841.

［2］趙華杰，何炘，楊榮華，等.魚露風味的研究進展［J］.食品與發酵工業，2007，33（7）：123-128.

［3］楊遠帆，陳申如，吳光斌，等.魚露風味成分的萃取及氣相色譜分離條件的優化［J］.食品科學，2008，29（6）：346-349.

［4］Gopel W，Schierbaum K D.SnO2sensors：current status and future prospects［J］.Sensors and Actuators B，1995（26/27）：1-12.

［5］Gardner J W，Shin H W，Hines E L.An electronic nose system to diagnose illness［J］.Sensors and Actuators B：Chemical，2000，70（1）：19-24.

［6］李東云，梁建平，陸秋天，等.電子鼻咽喉鏡在阻塞性睡眠呼吸暫停綜合征上呼吸道狹窄定位診斷中的應用［J］.中國內鏡雜志，2005，11（9）：917-918.

［7］Baby R E，Cabezas M，De Reca E N W.Electronic nose：a useful tool for monitoring environmental contamination［J］.Sensors and Actuators B：Chemical，2000，69（3）：214-218.

［8］Nicolas J，Romain A C，Ledent C.The electronic nose as a warning device of the odour emergence in a compost hall［J］.Sensors and Actuators B：Chemical，2006，116（1）：95-99.

［9］安瑩，孫桃.基于電子鼻不同識別模式對不同品牌醬油的區分與識別［J］.中國調味品，2016，41（2）：60-64.

［10］陶興寶，盧一，解達帥，等.基于機器視覺及電子鼻技術的藤椒產地區分研究［J］.中國調味品，2016，41（6）：122-125.

［11］繆璐，何善廉，莫佳琳，等.電子鼻技術在朗姆酒分類及原酒識別中的應用研究［J］.中國釀造，2015，34（8）：106-110.

［12］邱桂華.不同產地黃酒鑒別方法的比較研究［D］.杭州：浙江農林大學，2013.

［13］韓邦興，趙楊陽，朱志祥，等.基于電子鼻技術的不同產地大白菊鑒別研究［J］.現代中藥研究與實踐，2012，26（1）：16-18.

［14］汪云偉，鐘戀，譚茂蘭，等.基于電子鼻技術的附子（黑順片）等級及產地的區分研究［J］.中成藥，2014，36（12）：2565-2569.

［15］毛健，趙紅東，姚婧婧.人工神經網絡的發展及應用［J］.電子設計工程，2011，19（24）：62-65.

［16］李瑞盈.寧夏枸杞產地特征識別技術研究［D］.保定：河北大學，2013.

［17］劉宇佳，賀麗蘋，張泳.近紅外光譜-人工神經網絡的模型優化用于銀耳產地識別研究［J］.食品工業科技，2016，37（3）：303-311.

Distinction and Recognition of the Fish Sauce Origin Based on Electronic Nose and Artificial Neural Network

FU Ao，ZHAO Li，YUAN Mei-lan，BAI Chun-qing，JIANG Yong＊
（School of Life Science，Jiangxi Science and Technology Normal University，Nanchang 330013，China）

Establish a rapid and non-destructive detection method for fish sauce production，purchasing fish sauce from different areas（Thailand，Guangdong，Vietnam，laboratory self-made），and using electronic nose to detect the flavor.Use principal component analysis（PCA）to distinguish different origins of fish sauce，then using artificial neural network（ANN）to predict the origins of fish sauce.The results show that in PCA plot，the total contribution rate is 98.37%，different origins of fish sauce could be separated well；loading analysis results show that the sensor P30/1（hydrocarbons，ammonia and ethanol）and LY2/GH（ammonia and amines）play a main role in distinguishing fish sauce production，and the predicted values of origins of fish sauce in both radial basis（RB）and gradient descent（GD）are 95.56%and 91.04%.Therefore，using the electronic nose technology to identify different origins of fish sauce is feasible.

fish sauce；electronic nose；origin；principal component analysis（PCA）；artificial neural network（ANN）

TS207.3

A

10.3969/j.issn.1000-9973.2017.03.010

1000-9973（2017）03-0040-05

2016－09－15 ＊通訊作者

江西省現代農業產業技術體系建設專項資金資助項目（贛財教指2013-258）；江西省教育廳2014年度科學技術研究項目（GJJ14575）；江西省科技廳科技支撐重大項目（20152ACF60008）；江西省青年科學基金計劃（20151BAB214023）

付奧（1992－），女，湖北洪湖人，碩士，研究方向：食品檢測；江勇（1969－），男，江西南昌人，主任技師，研究方向：分析化學、食品科學。