基于電子鼻的豬肉冷凍儲藏期的無損檢測方法

楊瀟，郭登峰，王祖文，趙素娟，舒曉夢，王羚佳，陳祥貴

(西華大學 食品與生物工程學院，四川 成都， 610039)

豬肉是我國消費量最大的肉類，長期占據城鄉居民肉類消費量的60%以上[1]。由于豬肉生產特殊的周期性和對我國經濟的重要影響，需要大量的儲備豬肉用于應對突發事件、平抑肉價波動等，使得冷凍儲藏豬肉成為我國肉類儲備、調節肉價和肉類進出口貿易的重要手段[2]。在嚴格的凍藏條件下冷凍肉可儲藏較長的時間，但是儲藏時間過長或儲藏和運輸過程中環境溫度變化過大都會引起冷凍肉品質的劣變從而帶來潛在的食品安全風險。因此各國對冷凍肉品的儲藏期都作了規范，如美國農業部(USDA)、美國衛生和公共服務部(HHS)和食品與藥品管理局(FDA)推薦的冷凍肉品在-18 ℃下的儲藏期限為6～12個月[3-5]，我國在2007年施行的《中央儲備肉管理辦法》中也規定：凍豬肉原則上每輪儲存4個月左右。而目前許多對冷凍豬肉的研究表明，隨著冷凍儲藏時間的延長豬肉的風味、色澤、嫩度、持水力、失液率、脂質氧化(TBARS)、揮發性鹽基氮(TVB-N)等反映豬肉品質的重要指標均出現顯著的劣變，嚴重降低其商業價值，甚至造成潛在的食品安全風險，因此普遍認為，冷凍豬肉的凍藏期不應超過4～6個月[6-12]。不過目前已有的研究，尚無直接針對豬肉凍藏期的檢測方法，雖然 冷凍豬肉的品質指標與冷凍儲藏期有密切的聯系，但是其檢測方法大都存在檢測時間長、操作步驟繁瑣、需對樣品進行解凍的缺點。這極大的限制了對冷凍豬肉狀態監督檢測的開展，造成了對冷凍肉品監管的漏洞。

電子鼻是由選擇性的化學傳感器陣列與適當的模式識別算法組成的一種嗅覺分析系統，具有識別簡單或復雜氣味的功能。由于冷凍豬肉儲藏過程中會發生脂肪與蛋白質的氧化進而引起風味的顯著變化[7, 13]，而電子鼻可以有效的檢測這些變化，再根據適當的模式識別算法，就可以建立起豬肉冷凍儲藏期的預測模型。目前，食品行業已成功的采用電子鼻系統建立了谷物糧食的儲藏品質[14]、葡萄酒鑒別[15]、水產品的貨架期[16～18]、豬肉TVB-N[19]、白酒品質鑒別[20]、水果品質[21]、茶葉品質[22]等快速無損檢測方法，取得了較好的效果。而對利用電子鼻系統建立豬肉冷凍儲藏期無損檢測方法的研究還鮮有報道。

因此本研究旨在利用電子鼻系統采集不同凍藏前狀況和不同冷凍儲藏期豬肉的氣味信號數據，應用主成分分析(PCA)、重復測量的方差分析對其數據特點進行分析，再分別利用線性判別分析(LDA)和基于多層感知器的人工神經網絡(ANN)等模式識別算法建立預測模型，從而建立針對豬肉冷凍儲藏期和凍藏前是否經過長時間冷藏的電子鼻快速無損檢測方法。該方法對于加強冷凍肉品監督管理，保證廣大消費者的食品安全提供了一種可行的檢測手段。

1 材料與方法

1.1　實驗材料

市售宰后24 h內的新鮮榮昌豬后腿冷鮮肉(取自5只豬)。實驗樣品分為A、B兩組，A組直接切割成5 cm×5 cm×5 cm肉塊(質量約25 g)，置于100 mL 燒杯中，用保鮮膜封口后，置于-20 ℃冷凍儲藏；B組于4 ℃冷藏 7 d(冷鮮肉4 ℃下保質期為7 d)后，按A組方法進行處理后置于-20 ℃冷凍儲藏。每組樣本量為30個，其中每只豬提供6個樣本。

1.2　儀器設備

PEN3型電子鼻，購自德國Airsense公司，包含10個金屬氧化物傳感器分別為W1C(識別芳香成分)、W5S (識別氮氧化物)、W3C (識別氨類和芳香型化合物)、W6S(識別氫氣)、W5C(識別烷烴和芳香型化合物)、W1S (烴類物質)、W1W (識別硫化氫)、W2S (識別醇類和部分芳香型化合物)、W2W(識別芳香化合物和有機硫化物)、W3S(識別烷烴)。

1.3　電子鼻檢測

樣品凍結后，分別在第0、25、80、134、161、200、250天對樣品進行電子鼻檢測。檢測參數為：洗氣時間60 s、調零時間5 s、樣品準備時間5 s、進樣時間100 s、流速300 mL/min。檢測時，樣品從-20 ℃取出后直接吸取樣品頂端空間的氣體，以傳感器電導率G與基準氣體通過時傳感器電導率G0的比值(即G/G0)為檢測數據進行分析，共計獲得420個檢測數據。樣品每次檢測完成后，迅速用保鮮膜重新密封燒杯放回-20 ℃繼續冷凍儲藏，檢測過程中保持低溫使樣品不發生解凍。

1.4　數據處理

采用SPSS 22.0(IBM)軟件對60 s處的G/G0值數據進行處理。分別選用用主成分分析(principle component analysis，PCA)、重復數據的方差分析和獨立樣本的非參數檢驗來觀察電子鼻區分不同冷凍儲藏時間和凍藏前是否經過長時間冷藏的能力，同時通過線性判別分析(linear discriminant analysis，LDA)和人工神經網絡(artificial neural network，ANN)算法來建立豬肉冷凍儲藏時間和凍藏前是否經過長時間冷藏的預測模型，并對預測模型的性能進行驗證。

2　結果與討論

2.1　電子鼻檢測數據的主成分分析與重復測量的方差分析

在多元數據的統計分析中，PCA是一種常用的降維分析方法，不僅可以解決多個實驗指標的共線性問題，還可以通過產生“主成分”來降低指標維度并利用主成分得分進行2D或3D作圖來反映樣本間的分布情況[23]。本研究通過對電子鼻檢測數據的PCA分析共提取2個主成分(特征值>1)，總貢獻率為85.04%，其中第一主成分貢獻率為59.37%，主要代表芳香類化合物的變化；第二主成分貢獻率為25.67%，主要代表氫氣、烷烴等小分子的變化。利用主成分得分數據繪制散點圖見圖1。

圖1　凍藏豬肉電子鼻檢測數據的PCA結果Fig.1　PCA of electronic nose data of frozen pork

從圖1中可知，經過PCA 分析后，除了儲藏0、25、80 d 的數據重合外，第134、161、200、250天數據都能較好區分。而儲藏0～80 d 的數據相對集中，這可能是由于在這一時間段內凍藏豬肉的品質劣變不顯著，其風味成分的差異也較小。但是隨著凍藏時間的不斷延長其品質劣變不斷加劇，其風味成分的差異也不斷加劇。這一結果從揮發性風味成分的角度也證明了凍藏豬肉品質發生劣變的時間拐點是在4個月左右，而在已有的凍藏豬肉品質變化的研究中也得出了相似的結果[8-9]。

但是通過第一、第二主成分的2D散點圖并不能明顯區分相同凍藏時間的A，B兩組樣品。由于在現實中存在將過期冷鮮肉回收轉為凍藏肉的情況，為進一步了解A，B兩組樣品的多指標結果是否具有顯著的差異，利用A，B兩組樣品電子鼻檢測數據的第一、第二主成分得分計算所得綜合主成分得分作為因變量，進行重復測量的方差分析，結果見表1, 表2。從表1可知，由于不滿足Mauchly 的球形度檢驗(P<0.05), 故采用Greenhouse-Geisser 、Huynh-Feldt 、下限等3種方法矯正的組內效應檢驗均表明凍藏時間對檢測結果影響顯著，而A，B分組的因素對檢測結果隨凍藏時間的變化影響不顯著(即凍藏時間與A，經正態分布檢驗發現，在第80, 134, 250天的數據并不服從正態分布(p<0.05)。為了解在不同凍藏時間點A，B兩組間檢測結果的差異是否顯著，采用兩獨立樣本的非參檢驗對數據進行分析，結果見圖2。

表1　電子鼻重復測量數據的組內效應方差檢驗Table 1　Group effect variance test of repeat measurement data by electronic nose

表2　電子鼻重復測量數據的組間效應方差檢驗Table 2　Intergroup effect variance test of repeatmeasurement data by electronic nose

*, p<0.05; **, p<0.01圖2　冷凍儲藏過程中豬肉電子鼻檢測結果的變化Fig.2　Changes of electronic nose data during porkFrozen storage

同時從表2可知，A，B分組的因素對檢測結果具有極顯著的影響，這表明在4 ℃經過長時間冷藏的冷鮮肉再轉為凍藏肉與新鮮凍藏豬肉的電子鼻檢測結果是有顯著差異的。

從圖2可見，在第0, 80, 134，161，250天時A，B兩組間檢測結果差異顯著，而第25和200天時A，B兩組間檢測結果差異不顯著(p>0.05)。這表明經過7 d冷藏后再凍藏的豬肉與新鮮凍藏的豬肉相比可能已經發生了變化，但在凍藏過程中發生劣變可能又掩蓋了其本身的差異，但隨著凍藏時間的增加其氣味成分的差異又逐漸加大。盡管200 d時的差異也不顯著，則是可能是由于組內變異過大掩蓋了組間差異造成的，其平均值之間的差異仍在增大。

通過這一系列分析發現，不同凍藏前狀態和不同凍藏時間的豬肉樣品的電子鼻檢測數據，在整體上均有顯著的差異，這為利用這些數據建立針對豬肉凍藏前狀態和凍藏時間的預測模型提供的基礎條件。

2.2　電子鼻檢測數據的線性判別分析

為建立相應的預測模型，采用LDA方法對數據進一步分析。LDA一種常用的分類方法，立足與找到反映兩類物體或事件特征的一個線性組合，以特征化或區分不同的樣本集[24]。對冷凍儲藏0、25、80、134、161、200、250 d 共420個豬肉樣品數據按照分組方式和凍藏時間分為14個類別進行LDA 分析，結果如圖3所示。用于作圖的判別函數其總貢獻率為78.7%，其中第一判別函數貢獻率為53.3%，第二判別函數貢獻率為25.4%。由圖3可知，經過LDA 分析后，除了凍藏第0和25 d 的數據重合度較高外，其余第80～250 d的數據都能較好區分，說明在凍藏1個月內豬肉樣品的劣變幾乎沒有發生，但隨著凍藏時間的增加凍藏豬肉的變化越來越顯著。同時在第134, 161, 200和250 d 處A、B組樣品的組質心分離明顯，與主成分得分的非參檢驗結果類似。

圖3　凍藏豬肉電子鼻檢測數據的LDA分析Fig.3　LDA of electronic nose data of frozen pork

為評估LDA對豬肉凍藏時間和凍藏前是否經過長時間冷藏的鑒別能力，采用“留一法”對樣品進行交叉驗證，結果見表3。結果表明對這14類樣品的交叉驗證的正確率為78.1%，值得注意的是即使發生錯判的樣品也主要是在相同凍藏時間點的A、B兩組之間，如僅以凍藏時間分組其交叉驗證的正確率高達95.6%。這表明利用LDA對豬肉凍藏時間和凍藏前是否經過長時間冷藏均具有較好的鑒定能力。

表3　凍藏豬肉電子鼻檢測數據LDA分析的交叉驗證結果Table 3　Cross-validation results of LDA for frozen pork electronic nose test data

2.3　電子鼻檢測數據的人工神經網絡分析

為建立更好的豬肉凍藏時間及凍藏前冷藏時間的預測模型，采用基于多層感知器的人工神經網絡算法對數據進行進一步分析。ANN是一種模仿生物神經網絡(動物的中樞神經系統，特別是大腦)的結構和功能的數學模型或計算模型，目前已被廣范的應用于多元數據的估計或預測[25]。在處理中將420個樣品利用隨機函數分為3組，其中訓練樣品219個，測試樣品132個，支持樣品69個。最終生成包含10個協變量(即電子鼻10個傳感器的數據)的輸入層，1個含有11個單元的隱藏層和包含凍藏時間和A，B組分類的輸出層。該模型對支持組數據的凍藏時間預測的相對錯誤僅為0.008，對凍藏前是否經過長時間冷藏的分組錯誤率僅7.2%(即預測正確率為92.8%，由于支持組數據不參與建模，其給出的誤差可比較真實的反映模型的預測能力。)模型對冷凍儲藏時間和凍藏前是否經過長時間冷藏的預測結果見圖4。從圖4中可知，該模型對豬肉凍藏時間和凍藏前是否經過長時間冷藏均有較好的預測能力。由于ANN生成的預測模型對凍藏時間生產的是一個回歸模型具有更大的預測范圍，而對凍藏前是否經過長時間冷藏的分組也有更高的準確率，因該ANN模型與LDA模型相比具有更好的預測性能。

a-豬肉凍藏時間預測結果；b-凍藏豬肉是否經過長時間冷藏的分組預測結果圖4　基于多層感知器的神經網絡預測結果Fig.4　Neural network predictive results based onmultilayer perceptron

3　結論

(1)通過電子鼻無損頂空檢測及PCA和重復測量的方差分析對電子鼻檢測數據進行分析發現，不同凍藏前狀態和不同凍藏時間的樣品均表現出不同的多元數據分布特點。這為通過電子鼻檢測數據的模式識別算法建立豬肉凍藏時間和凍藏前是否經過長時間冷藏的預測模型提供了基礎條件。

(2)線性判別分析和基于多層感知器的神經網絡算法均能建立豬肉凍藏時間和凍藏前是否經過長時間冷藏的預測模型。不過采用基于多層感知器的神經網絡算法所建立的預測模型對凍藏時間預測的線性更大，回歸函數的相關性更好，對凍藏前是否經過長時間冷藏也有更高的分組預測的準確率。

(3)本研究所建立的無損頂空檢測電子鼻檢測方法，使整個檢測過程無需解凍樣品和進行復雜的前處理，快速高效可實現現場檢測。

[1]程廣燕, 劉珊珊, 楊禎妮,等. 中國肉類消費特征及2020年預測分析[J]. 中國農村經濟, 2015,2(2)：76-82.

[2]董曉霞. 中國生豬價格與豬肉價格非對稱傳導效應及其原因分析——基于近 20 年的時間序列數據[J]. 中國農村觀察, 2015, 4 (4): 26-38.

[3]USDA. Freezing and food safety-freezer storage time [EB/OL]. (2013-06-15) [2017-04-15]. https://www.fsis.usda.gov/ wps/portal/fsis/topics/food-safety-education/get-answers/food-safety-fact-sheets/safe-food-handling/freezing-and-food-safety.htm.

[4]FDA. Food safety for moms to be: Educator tools-refrigerator freezer chart [EB/OL]. (2015-01-13) [2017-04-15]. https://www.fda.gov/food/resourcesforyou/healtheducators/ucm109156.htm.

[5]HHS U. S. Storage times for the refrigerator and freezer [EB/OL]. (2017-04-15) [2017-04-15]. https://www.foodsafety.gov/ keep/charts/storagetimes.html.

[6]LEE Y C, YANG H S, KIAI D H. Shelf‐life determination of precooked frozen pork meat patties at various temperatures[J]. Journal of food processing and preservation, 2002, 26(3): 165-177.

[7]HUANG L, XIONG Y L, KONG B, et al. Influence of storage temperature and duration on lipid and protein oxidation and flavour changes in frozen pork dumpling filler[J]. Meat science, 2013, 95(2): 295-301.

[8]王丹竹. 不同貯存溫度和時間對冷凍豬肉品質的影響[D]. 長沙：湖南農業大學, 2013：23-30.

[9]夏秀芳. 凍藏溫度和時間對豬肉品質影響的研究[C]. 中國機械工程學會包裝與食品工程分會 2010 年學術年會論文集, 北京：中國機械工程學會包裝與食品工程分會, 2012:1-6.

[10]BISWAS A K, KESHRI R C, BISHT G S. Effect of enrobing and antioxidants on quality characteristics of precooked pork patties under chilled and frozen storage conditions[J]. Meat Science, 2004, 66(3): 733-741.

[11]黃鴻兵, 徐幸蓮, 周光宏. 冷凍貯藏對凍豬肉冰晶形態、TVB-N及TBARS的影響[J]. 食品工業科技, 2008(2):117-119.

[12]蔣立鳳, 葉扣貫. 豬肉在凍藏中揮發性鹽基氮含量的變化[J]. 肉類工業, 2001(12):17-18.

[13]LEYGONIE C, BRITZ T J, HOFFMAN L C. Impact of freezing and thawing on the quality of meat: Review[J]. Meat science, 2012, 91(2): 93-98.

[14]EIFLER J, MARTINELLI E, SANTONICO M, et al. Differential detection of potentially hazardous Fusarium species in wheat grains by an electronic nose[J]. PloS one, 2011, 6(6): e21026.

[15]CAPONE S, TUFARIELLO M, FRANCIOSO L, et al. Aroma analysis by GC/MS and electronic nose dedicated to Negroamaro and Primitivo typical Italian Apulian wines[J]. Sensors and Actuators B: Chemical, 2013, 179(2): 259-269.

[16]TORRI L, SINELLI N, LIMBO S. Shelf life evaluation of fresh-cut pineapple by using an electronic nose[J]. Postharvest Biology and Technology, 2010, 56(3): 239-245.

[17]GUOHUA H, LVYE W, YANHONG M, et al. Study of grass carp (Ctenopharyngodonidellus) quality predictive model based on electronic nose[J]. Sensors and Actuators B: Chemical, 2012, 166(5): 301-308.

[18]GIOVENZANA V, BEGHI R, BURATTI S, et al. Monitoring of fresh-cut Valerianella locusta Laterr. shelf life by electronic nose and VIS-NIR spectroscopy[J]. Talanta, 2014, 120(3): 368-375.

[19]HUANG L, ZHAO J, CHEN Q, et al. Nondestructive measurement of total volatile basic nitrogen (TVB-N) in pork meat by integrating near infrared spectroscopy, computer vision and electronic nose techniques[J]. Food Chemistry, 2014, 145(7): 228-236.

[20]XIAO Z, YU D, NIU Y, et al. Characterization of aroma compounds of Chinese famous liquors by gas chromatography-mass spectrometry and flash GC electronic-nose[J]. Journal of Chromatography B, 2014, 945(2): 92-100.

[21]HUI G, JIN J, DENG S, et al. Winter jujube (ZizyphusjujubaMill.) quality forecasting method based on electronic nose[J]. Food Chemistry, 2015, 170(3): 484-491.

[22]QIN Z, PANG X, CHEN D, et al. Evaluation of Chinese tea by the electronic nose and gas chromatography-mass spectrometry: Correlation with sensory properties and classification according to grade level[J]. Food research international, 2013, 53(2): 864-874.

[23]CHENG H, QIN Z H, GUO X F, et al. Geographical origin identification of propolis using GC-MS and electronic nose combined with principal component analysis[J]. Food Research International, 2013, 51(2): 813-822.

[25]CEVOLI C, CERRETANI L, GORI A, et al. Classification of Pecorino cheeses using electronic nose combined with artificial neural network and comparison with GC-MS analysis of volatile compounds[J]. Food Chemistry, 2011, 129(3): 1 315-1 319.