基于電子舌的電子煙甜度評價模型研究

鞏效偉，朱東來，洪鎏，李壽波，牛云蔚，楊繼，吳俊，張霞，李廷華，陳永寬，韓熠

1 云南中煙工業有限責任公司技術中心，昆明市五華區紅錦路367號 650231；2 上海應用技術大學，上海市奉賢區海泉路100號 201418

電子煙（electronic cigarettes），主要由霧化器、電池和控制元件等組成，其產生煙霧的原理是電子煙液在電子煙霧化系統的電加熱元件上氣化成高溫蒸汽向開口端噴出，噴出后的蒸汽在空氣中冷凝成煙狀的微小霧滴，從而形成類似傳統卷煙的煙霧[1]。電子煙的口味是由電子煙液來決定的。電子煙液（E-liquid或E-juice），是電子煙中用于霧化的含有香精（也可能同時含有煙堿）的溶液。煙液主要由甘油、丙二醇、香氣成分、煙堿（也可不含）和其他成分等組成。由于甘油和丙二醇有甜味，造成電子煙普遍存在甜味過重的問題，給電子煙的口味和香氣帶來了不利影響，尤其對煙草口味電子煙的影響較大。為了研究卷煙中化合物的甜度，舒俊生等[2]采用量子化學計算和統計學方法，以30種化合物為訓練集，10種化合物為驗證集，建立了甜味化合物的三維定量構效關系的函數逼近模型，用于預測卷煙煙氣中甜味化學成分的甜度，且對卷煙煙氣中的一些甜味化合物甜度值進行了理論預測。楊陽等[3]為了探尋甜菊糖樣品甜度評價的客觀方法，研究人員采用電子舌技術結合主成分分析，以蔗糖為參比物，對5種不同組成的甜菊糖樣品進行了甜味特性評價，并將評價結果與感官質量進行了對比，結果表明，電子舌技術在代替人工感官進行甜味評價方面有很好的應用前景。在模型建立方面，劉旭等[4]采用基于支持向量機回歸算法，以常規化學分析方法測定的總糖、還原糖、總氮、煙堿的含量為參考值，建立了煙草中主要成分近紅外光譜定量分析定標模型，并與偏最小二乘法、多元線性回歸以及人工神經網絡的定標模型進行比較，結果表明支持向量機模型具有更好的預測能力。

電子舌技術是20世紀80年代發展起來的一種分析、識別液體“味道”的新型檢測技術，它使用一種類似于生物系統的材料作為傳感器的敏感膜，當類脂薄膜的一側與味覺物質接觸時，膜電勢發生變化，從而產生響應信號，對樣品進行量化分析。電子舌技術的優點尤為突出：首先，不需要對樣品進行任何的預處理，直接對樣品進行無損檢測；其次，檢測速度快，電子舌檢測一個樣只需幾十秒至幾分鐘，同時還具有較高的靈敏度、可靠性和重復性；最后，電子舌獲取的是對液體樣本的味覺特征的總體評價，規避了人的感覺器官存在疲勞和主觀傾向性行為的缺陷。

目前，電子煙研發人員均采用人工感官對電子煙甜度進行評價，但人工感官存在主觀性強的問題。為了能夠客觀評價電子煙甜度，本文采用電子舌技術，結合偏最小二乘、人工神經網絡和支持向量機三種方法，以人工感官評價的電子煙甜度值為參考值，建立了三個電子煙甜度的定標模型用于電子煙的甜度評價，經比較，結果顯示支持向量機模型具有更好的預測效果。

1 材料與方法

1.1 材料、試劑和儀器

材料：電子煙液1#-60#，電子煙（深圳合元科技有限公司）。實驗用電子煙見圖1。

圖1 實驗用電子煙Fig.1 E-cigarette for experiment

試劑：甘油（USP級，美國Sigma公司），1,2-丙二醇（USP級，美國Sigma公司），1,3-丁二醇（USP級，美國Sigma公司）；以下試劑均采購自美國Sigma公司，均為分析純級別：羧甲基纖維素鈉，山梨醇，KCl，NaCl，MgCl2·6H2O，無水CaCl2，KH2PO4，NaN3。

儀器：電子舌（法國，Alpha MOS公司），配備7個味覺傳感器和1個參比電極。7個味覺傳感器分別為I（酸味）、II（復合）、III（咸味）、IV（鮮味）、V（復合）、VI（甜味）、VII（苦味）。電子舌實物見圖2。每根傳感器除對目標味覺的響應起主要作用外，對其他味覺也有不同程度的響應；另外，不同味覺之間存在相互作用，如苦味對甜味有抑制作用，而采用單一傳感器測定不出樣品中某一味覺對其他味覺的影響。因此，與單一傳感器測定某一味覺相比，采用多個傳感器，能更加客觀地評價樣品的某一味覺值。為此，本文采用全部7個傳感器對煙液樣品進行測定，并通過建模的方法來評價電子煙的甜度。

圖2 電子舌實物Fig.2 Electronic tongue

1.2 方法

1.2.1 人工唾液的配制

通過查閱文獻[5]，確定人工唾液配方為：羧甲基纖維素鈉1%，山梨醇3%，KCl 0.12%，NaCl 0.085%，MgCl2·6H2O 0.05‰，無水CaCl20.101‰，KH2PO40.35‰，NaN30.0004‰；按以上各成分的配比稱量，先在一燒杯中對羧甲基纖維素鈉單獨加超純水加熱使其溶解，再將其它成分稱取置于另一燒杯中加超純水加以溶解，將二者混勻在容量瓶中定容至1 L，并置于冰箱中低溫保存待用。

1.2.2 電子舌測定及數據采集

將60份煙液樣品均以1%（體積百分含量）的量添加到人工唾液中，用于電子舌分析，每個樣品進樣7次，取中間3次的采集數據進行分析。

1.2.3 人工感官甜度評價

（1）樣品制備：將60個煙液樣品各取1 mL加入煙彈的吸油棉中，待煙液完全浸入吸油棉后，將煙彈安裝在充滿電的電子煙電池桿上，待感官評吸評價。

（2）電子煙甜度評價

采用9分制定量描述對電子煙進行甜度評價，0～3分表示無甜味或甜味較弱；4～6分表示甜味強度中等；7～9分表示甜味非常強烈。

以ISO 8586-1：1993(E)[6]和ASTM STP 758[7]為參考依據對10位感官評價人員進行培訓（4女6男，年齡22-45）：（1）由感官人員對不同的電子煙樣品進行評吸并確定相關感官屬性；（2）評價人員提出并討論各感官屬性的參考標準，確定電子煙樣品的基本味覺為：甜、苦、澀；參照標準物為：甜（30 g/L蔗糖），苦（0.15 g/L硫酸奎寧），澀（1.0 g/L硫酸鋁）。

本次研究主要對電子煙的甜度進行品評，具體步驟為：（1）同時呈遞給感官評價人員一定甜度的電子煙樣品和水溶液，檢驗并訓練其辨別能力，10位感官人員均能把電子煙樣品與水樣品區分開；（2）同時呈遞給感官評價人員不同甜度的電子煙樣品，檢驗并訓練其區分能力，直至所有感官人員均能把電子煙樣品按不同甜度級別區分；（3）呈遞感官評價人員一定甜度的電子煙樣品，讓其進行甜度的描述，檢驗并訓練其對電子煙甜度的定量描述能力。請10位感官評價人員進行抽吸，評價電子煙甜度，統計時計算算術平均值。

注：本文中的感官人員均為來自專業實驗室的長期從事感官評價的相關人員。

1.2.4 電子煙甜度評價模型建立

利用Unscarmbler version 9.7分析軟件（CAMO ASA, Oslo, Norway），采用偏最小二乘法將電子舌測定數據和人工感官甜度評價數據進行關聯分析，并建模；利用IOS 2.0分析軟件（上海恒陽數據有限公司），采用人工神經網絡和支持向量機法，將電子舌測定數據和人工感官甜度評價數據進行關聯分析，并建模。具體為：通過軟件隨機選擇，將60個用于建模的電子煙樣品分成兩部分，一部分為建模集用于模型的建立，另一部分為驗證模型可靠性的測試樣品集。其中選擇總樣本數量的12%（即7個樣品）作為預測樣本，其余53個作為建模樣本。建模完成后，利用建立的模型對7個測試樣本集進行預測，比較測試值和真實值（人工感官值）之間的差異，以此來驗證模型的可靠性。最后對三個模型進行對比分析。

2 結果與討論

2.1 人工感官評價和電子舌測定結果

表1為60個煙液樣品的電子舌測定結果及所對應電子煙的人工感官評價結果。表中，甜度感官值為10位評委評分的算術平均值；電子舌的測定結果包括了7個傳感器的測定值，每個測定值均為3次測定值的算術平均值。

表1 煙液樣品電子舌測定結果和所對應電子煙的人工感官評價結果Tab.1 Electronic tongue determination results of e-liquid and artificial sensory evaluation results of corresponding e-cigarettes

續表1

續表1

2.2 偏最小二乘法建模結果

2.2.1 預測模型建立

以電子舌7根傳感器的響應信號值為自變量，以甜度的感官值為因變量，建立偏最小二乘法校正集模型，并根據此模型對預測樣本集進行甜度的預測。表1列出的共60個樣品中，其中前53個用來建立校正模型，后面7個樣品用來驗證模型。校正模型如圖3所示，模型方程為：

由圖4知，優化后的模型較優化前的模型稍好，相關系數由優化前的0.73提高到模型優化后的0.90。

2.2.2 模型的驗證

根據優化后的模型，通過軟件自帶的預測功能對其余7個樣品進行甜度的感官值預測，預測結果如表2。

圖3 偏最小二乘法建模圖（優化前）Fig.3 Predicting model of the sweetness of e-liquid with partial least squares method (before optimization)

由圖3知，通過偏最小二乘法建立的模型，其相關系數為0.73，樣品11、17、28和29（圖3紅色標記的點）這四個點偏離回歸曲線較大，去除這四個點后，重新建立模型如圖4，模型優化后的預測方程為：

圖4 偏最小二乘法建模圖（優化后）Fig.4 Predicting model of the sweetness of e-liquid with partialleast squares method (after optimization)

表2 利用偏最小二乘法模型對樣品甜度的預測結果Tab.2 Prediction results of the samples’ sweetness by partial least squares model

由表2知：利用改進前的模型對樣本進行預測時，除對樣本54和55的預測值和實際值相差較小外，其余的均較大；而利用改進后的模型對樣本進行預測時，除樣本54和樣本55的預測值和實際值相差較大外，對其余樣本預測時，預測值和實際值較接近。說明改進后的模型對于預測電子煙的甜度值有一定的參考價值。

表3 偏最小二乘模型預測結果的誤差分析Tab.3 Error analysis of partial least squares’ prediction results

由上表知：通過偏最小二乘法建立的模型，預測結果的平均相對誤差為17.42%，均方根誤差為0.74。預測結果的平均相對誤差和均方根誤差越小，其預測的結果越準確[8]，而本模型預測結果的平均相對誤差大于10%，說明采用偏最小二乘法建模對未知樣品的甜度進行預測具有一定的局限性。

2.3 人工神經網絡建模結果

2.3.1 預測模型建立

通過軟件隨機選擇，給出的7個預測樣本分別為3#、41#、43#、12#、31#、20#和7#，其余53個樣本為建模樣本。使用人工神經網絡方法，首先對其進行訓練，即建模過程。訓練給出的建模圖形如圖5。由下圖可以看出，通過人工神經網絡法建模，模型的相關系數達到0.97，模型的相關系數越高，說明模型的預測能力和穩健性越高[9]。

圖5 人工神經網絡建模圖Fig.5 Artificial neural network modeling figure

2.3.2 模型的驗證

利用建立的模型對7個測試樣本集進行預測，比較測試值和感官值之間的差異。如果對樣本的測試值與感官值較接近，則說明模型可靠，可以用來預測未知樣本，若測試值與感官值之間的差別較大，則說明利用人工神經網絡法建立的模型對樣本預測時，預測的結果與實際值有一定的差異。預測的結果和預測結果的誤差分析如表4和表5。

由表4知：利用人工神經網絡法建立的模型對預測樣本進行預測時，對一些樣本的預測偏差較大，如對樣本3的預測值為5.81，而實際值為4.50；對樣本43的預測值為5.02，與實際值4.00相差1.02；對樣本12的預測值為6.23，與實際值5.60相差0.63。但對樣品41、樣品31、樣品20和樣品7的預測較準，與實際值基本一致。

表4 人工神經網路模型的預測結果Tab.4 Prediction results of artificial neural network model

表5 人工神經網路模型預測結果的誤差分析Tab.5 Error analysis of artificial neural network model’s prediction results

由表5知：利用人工神經網絡法建立的模型對樣本進行預測時，預測的平均相對誤差為10.15%，均方根誤差值為0.68。

2.4 支持向量機法建模結果

2.4.1 預測模型建立

通過軟件隨機選擇，給出的7個預測樣本分別為36#、15#、26#、31#、32#、20#、和49#，其余53個作為建模樣本。使用支持向量機法，首先對其進行建模，建模圖形如圖6。

圖6 支持向量機建模圖Fig.6 Support vector machine modeling figure

由上圖可以看出，通過支持向量機法建立的模型，其相關系數達到0.96。

2.4.2 模型的驗證

利用建立的模型對7個測試樣本集進行預測，比較預測值和感官值之間的差異。如果對樣本的預測值與感官值較接近，則說明模型可靠，可以用來預測未知樣本，若預測值與感官值之間的差別較大，則說明利用支持向量機法建立的模型對樣本預測時，預測的結果與感官值有一定的差異。預測的結果和誤差分析如表6和表7。

表6 支持向量機模型的預測結果Tab.6 Prediction results of support vector machine model

由表6知：利用支持向量機法建立的模型對預測樣本進行預測時，對個別樣本的預測偏差較大，如對樣本15的預測值為4.08，而實際值為5.60；但對大部分樣品的預測值與感官值較接近，如對樣本36、樣本26、樣本32和樣本20的預測，預測值基本與感官值一致。

表7 支持向量機模型預測結果的誤差分析Tab.7 Error analysis of support vector machine model’s prediction results

由表7知：利用支持向量機法建立的模型對樣本進行預測時，預測結果的平均相對誤差為7.03%，均方根誤差為0.61。

2.5 三個模型的比較

對電子舌結合偏最小二乘、人工神經網絡和支持向量機法所建立的三個模型進行比較，比較結果見表8。

表8 三個模型的比較Tab.8 Comparison of three models

由上表可知：

（1）從模型的相關系數來看，偏最小二乘法的最小為0.90，均低于人工神經網絡法的0.97和支持向量機法的0.96，人工神經網絡的相關系數與支持向量機的相差不大；從均方根誤差比較，偏最小二乘法的最高，為0.74，高于人工神經網絡法的0.68和支持向量機法的0.61；從建模集和預測結果的平均相對誤差來比較，偏最小二乘法的均最高。說明三個模型相比，偏最小二乘法模型的預測能力低于其他兩個模型。

（2）人工神經網絡和支持向量機法的比較：模型的相關系數基本一致，兩者預測結果的均方根誤差值有一定的差異，支持向量機法的為0.61低于人工神經網絡法的0.68；預測結果的平均相對誤差也有一定的差異，支持向量機法的7.30%也低于人工神經網絡法的10.15%。支持向量機法預測結果的均方根誤差和平均相對誤差均低于人工神經網絡法，說明通過支持向量機法建立的模型更為可靠。

（3）通過以上數據可知，電子舌結合支持向量機法所建立的電子煙甜度評價方法，可以實現對未知電子煙甜度的可靠預測。由于電子舌測定的是電子煙液的響應數據，人工感官評價的是電子煙煙氣的甜度，這也間接證明電子煙液與煙氣的成分具有較強的一致性。

3 結論

利用電子舌對60個電子煙液樣品進行測定得到了60組電子舌測定數據，通過偏最小二乘法、神經網絡法和支持向量機法三種方法對電子舌測定數據與電子煙人工感官甜度數據進行關聯分析，建立了3個電子煙甜度評價模型。3個模型的對比分析結果顯示，支持向量機法所建立的模型對未知電子煙樣品甜度預測結果最為可靠，其中該模型的相關系數為0.96，預測結果的平均相對誤差為7.30%，均方根誤差為0.61。該模型的建立，為電子煙甜度的評價提供了客觀、便捷的定量方法，對于電子煙液配方設計具有參考價值。

[1]韓力.一種非可燃性電子噴霧香煙[P]： 中國, 03111582.9.2004-11-03.HAN Li.A kind of Non-combustible Electronic Spray Cigarette[P]：China, 03111582.9.2004-11-03.

[2]舒俊生, 徐志強, 朱青林, 等.卷煙煙氣中甜味化合物甜度的理論預測[J].食品工業科技, 2013, 34 (19)： 111-114.SHU Junsheng, XU Zhiqiang, ZHU Qinglin, et al.Theoritical predictions for sweetness of some sweet compounds in cigarette smoke[J].Science and Technology of Food Industry, 2013, 34 (19)：111-114.

[3]楊陽, 沈誠, 桑躍, 等.電子舌在甜菊糖甜味特性評價中的應用[J].農業機械學報, 2015, 46 (6)： 239-243.YANG Yang, SHEN Cheng, SANG Yue, et al.Evaluaion of steviol glycosides sweetness taste by electronic tongue[J].Journal of Agricultural Machinery, 2015, 46 (6)： 239-243.

[4]劉旭, 陳華才, 劉太昂, 等.PCA-SVR聯用算法在近紅外光譜分析煙草成分中的應用[J].光譜學與光譜分析, 2007, 27 (12)：2460-2463.LIU Xu, CHEN Huacai, LIU Taiang, et al.Application of PCASVR to NIR prediction model for tobacco chemical composition[J].Spectroscopy and Spectral Analysis, 2007, 27 (12)： 2460-2463.

[5]Amaechi B T, Higham S M.In vitro remineralisation of eroded enamel lesions by saliva[J].Journal of Dentistry, 2001, 29(5)： 371-376.Amaechi B T, Higham S M.In vitro remineralisation of eroded enamel lesions by saliva[J].Journal of Dentistry, 2001, 29(5)： 371-6.

[6]ISO 8586-1：1993 (E).Sensory analysis-General guidance for the selection, training and monitoring of assessors[S].ISO 8586-1：1993 (E).Sensory analysis-general guidance for the selection, training and monitoring of assessors[S].

[7]ASTM STP 758.Guidelines for the selection and training of sensory panel members[S].Philadelphia： 1981.ASTM STP 758.Guidelines for the selection and training of sensory panel members[S].Philadelphia： 1981.

[8]Danfeng Wang, Xichang Wang, Taiang Liu, Yuan Liu.Prediction of total viable counts on chilled pork using an electronic nose combined with support vector machine [J].Meat Science, 2011, 07,025.Danfeng Wang, Xichang Wang, Taiang Liu, Yuan Liu.Prediction of total viable counts on chilled pork using an electronic nose combined with support vector machine [J].Meat Science, 2011, 07,025.

[9]吳從元, 王俊, 韋真博, 等.電子舌預測不同體積分數牛奶的表觀黏度[J].農業工程學報, 2010, 26(6), 226-229.WU Congyuan, WANG Jun, WEI Zhenbo, et al.Prediction of apparent viscosity of milk with different volume fraction using electronic tongue[J].Transaction of the CSAE, 2010, 26(6), 226-229.