基于電子舌技術定量分析黃酒理化指標

湯海青，吳維兒，王曉龍

（1.浙江醫藥高等專科學校食品學院，浙江寧波 315100；2.寧波海關技術中心，浙江寧波 315012）

0 引言

黃酒是以稻米、黍米、玉米、小米、小麥、水等為主要原料，經加曲或部分酶制劑、酵母等糖化發酵劑釀制而成的發酵酒[1]。近年來，伴隨著黃酒市場需求的穩步上升，以及行業收入和利潤的快速增長，黃酒生產企業的規模和數量、產品的品種和產量也在不斷增加，這對黃酒行業的生產質量控制和監督檢驗提出了更高的要求[2]。目前，現行的黃酒產品質量標準為2019年4月正式實施的《GB 13662—2018黃酒》[1]。該標準主要以常規分析方法為主，存在效率低、操作繁瑣等問題，需要開發高效、簡便的方法，以補充檢測手段、提高黃酒檢測水平、完善黃酒質量評價體系，促進行業健康發展。

智能感官評價技術發展于20世紀80年代，其中的電子舌（Electronic Tongue，ET） 系統利用多傳感陣列感測液體樣品的特征相應信號，通過信號模式識別處理及專家系統學習識別，對樣品進行定性或定量分析[3]。ET已被開發應用于許多食品，包括多種蒸餾酒和發酵酒，如白酒、葡萄酒、黃酒和啤酒等[4-7]，具有不需前處理、快速、檢測范圍廣等優點，可以靠近和模擬對樣品滋味的感官整體評價。

使用Astree電子舌系統對66個黃酒樣品的滋味傳感器陣列信號進行采集，應用多種統計分析方法，建立數學模型并進行預測分析，探討電子舌技術在黃酒的理化指標快速檢測方面應用的可行性。

1 材料與方法

1.1 材料與試劑

料酒，購于當地超市，產地為江浙滬地區，共66個樣品。將全部樣品隨機排序編號，其中44個樣品為校正集，用于建模；22個為預測集，用于外部檢驗，驗證模型的穩定性和適應性。所用試劑均為分析純，水為超純水。

1.2 儀器與設備

Astree型電子舌系統，法國Alpha M.O.S公司產品。該系統的傳感器為電勢型，通過各傳感器上脂膜的疏水作用和靜電作用，與黃酒中水溶性的呈味物質發生反應，使膜電勢發生變化，得到相應的信號值。傳感器陣列包括7個電化學傳感器，分別為SRS（酸味）、STS（咸味）、UMS（鮮味）、SWS（甜味）、BRS（苦味）、SPS（復合味Ⅰ） 和GPS（復合味Ⅱ），參比為Ag/AgCl電極。

1.3 試驗方法

1.3.1 電子舌檢測

（1）電子舌活化、校準和診斷。分別使用濃度為0.01 mol/L鹽酸溶液、0.01 mol/L氯化鈉溶液和0.01 mol/L谷氨酸鈉溶液，運行電子舌活化、校準和診斷等程序，待系統穩定性和重復性滿足后，準備測試。

（2） 電子舌測試。樣品于室溫（20℃） 下放置6 h，搖勻樣品，上樣。每個樣品進行6次重復測定，單次信號采集時間為120 s，取100～120 s的響應值作為原始數據。

1.3.2 理化指標測定

黃酒中的總糖、非固形物、總酸、氨基酸態氮、pH值和酒精度的檢測參考GB 13662—2018[1]。其中，總糖測定采用廉愛農法和亞鐵氰化鉀滴定法；非糖固形物采用質量法；pH值采用酸度計法；總酸和氨基酸態氮采用自動電位滴定法；酒精度采用密度瓶法。

1.3.3 定量預測模型的構建

分別采用偏最小二乘法（Partial Least Squares，PLS） 和多元線性回歸 （Multiple Linear Regressing，MLR）進行多元統計分析，建立理化指標的定量預測模型。PLS與主成分回歸有關系，通過投影分別將預測變量和觀測變量投影到一個新空間，來尋找一個線性回歸模型。即除了考慮自變量矩陣外，還考慮了響應矩陣，因此具有預測功能[8-9]。MLR也稱為逆最小二乘法，是一元線性回歸的擴展，能將多個線性的物質之間的變量和自變量之間建立相關度高的線性回歸方程，適用于用2個或2個以上的影響因素作為自變量來解釋因變量的變化。具有代表性樣本選擇、自變量選擇和統計分析能力[10-11]。

1.3.4 模型評價和數據處理

利用校正集交互驗證決定系數R2cal、驗證集交互驗證決定系數R2val、校正均方根誤差RMSEC、預測均方根誤差RMSEP和驗證集標準偏差與預測標準偏差的比值RPD，對模型性能優劣進行評價[12]，并使用未參與建模的樣品進行外部檢驗。上述方法均使用Unscrambler 9.7和Origin 2018軟件對原始數據進行多元統計分析和繪圖。

2 結果與分析

2.1 樣品理化指標統計結果

研究收集的黃酒樣品按類型包括干型、半干型和半甜型，按風格包括傳統型和清爽型，產地均為江浙滬地區。將全部樣品分別進行理化指標測定和電子舌傳感器信號采集。

黃酒樣品的理化指標統計結果見表1，黃酒的味覺雷達圖見圖1。

表1 黃酒樣品的理化指標統計結果

由表1可知，采集樣品的理化數據分布范圍較合理，質量濃度范圍基本涵蓋黃酒國家標準；樣品類型較全面，有一定的樣本代表性。其中，總酸指標的數值范圍為0.04～6.59 g/L，氨基酸態氮為0～0.80 g/L，pH值為2.94～5.21，酒精度為0～18.00%Vol，總糖為0.10～48.74 g/L，非糖固形物為 0.80～57.60 g。

由圖1可知，7種傳感器對黃酒的滋味特征有較好的響應，信號值均大于0，說明樣品中水溶性的呈味物質均與7種傳感器的脂膜發生作用，從而使膜電勢發生變化，得到相應的信號值[13]。所有樣品的傳感器信號響應輪廓線趨勢一致，說明采集的樣品具有相似的黃酒產品特征。各傳感器響應信號值均存在顯著性差異（p＜0.05），說明不同樣品在信號強度上存在差異，采用電子舌可以對樣品進行明顯的區分。其中，SPS、GPS和UMS傳感器上的信號強度差別最大，說明黃酒樣品在復合味Ⅰ、復合味Ⅱ和鮮味傳感器上貢獻的差異較大。

2.2 PLS預測模型

采用PLS法，對電子舌傳感器信號強度和國標法理化指標結果進行化學計量學分析，使用內部交叉驗證，建立黃酒各理化指標的定量分析檢測模型。

PLS建模條件和檢驗結果見表2。

表2 PLS建模條件和檢驗結果

由表2可知，6個理化項目中，總酸的PLS模型性能評價較好，其決定系數R2接近0.9，說明回歸方程的擬合優度高，預測濃度值較接近測量值；RMSEC和RMSEP比值為0.86，說明模型的穩定性較好；RPD值為2.3，說明模型預測精度不夠，不適合進行定量分析。其他理化項目的決定系數接近或小于0.80，RPD值也均小于2.5，說明回歸方程的擬合優度一般，模型的穩定性較弱，也不適合進行定量分析[14]。

2.3 MLR預測模型

采用MLR法，對電子舌傳感器信號強度和國標法理化指標結果進行化學計量學分析，使用內部交叉驗證，建立黃酒各理化指標的定量分析檢測模型。

MLR建模條件和檢驗結果見表3。

表3 MLR建模條件和檢驗結果

由表3可知，pH值、總酸、酒精度和氨基酸態氮的模型性能評價較好。這4個理化指標的決定系數R2接近0.9，說明回歸方程的擬合度高，預測濃度值較接近測量值；RMSEC和RMSEP比值范圍為0.8～1.2，說明模型的穩定性較好；RPD值均＞2.5，說明模型可用于定量分析；特別是pH值對應的MLR模型的RPD＞3，說明模型定標效果良好，建立的定標模型可以用于實際檢測。總糖和非糖固形物各項評價指標均表現不良，模型擬合優度差，穩定性較弱，不適合進行定量分析[14]。可見，在模型精度和穩定性方面，MLR優于PLS。使用MLR法，比PLS法更適合進行黃酒理化項目的定量預測分析。另外，總糖和非糖固形物2項指標在MLR和PLS模型中的定標精度和穩定性均不滿足定量分析的要求，黃酒中的總糖成分以葡萄糖為主，非糖固形物以糊精為主[15]，說明對于黃酒樣品中這2類成分的定量分析，試驗所使用的電子舌傳感器可能有一定局限性。

2.4 MLR模型的驗證

使用MLR-內部交叉驗證所得到的模型，對預測集（22份未參與建模的黃酒樣本）的pH值、總酸、酒精度和氨基酸態氮的含量進行了預測。將預測值與化學值進行t檢驗，顯著水平α=0.05，查臨界值表[16]的結果t（0.05，18） 為2.110，pH值、總酸、酒精度和氨基酸態氮的t檢驗結果分別為0.684，1.083，1.176，1.212，均小于2.110，表明電子舌法與理化方法不存在顯著差異，可以達到常規理化分析的精度要求。魯小利等人[17]使用Astree電子舌結合BP神經網絡，對24個黃酒樣品的理化指標進行定量分析，發現對氨基酸態氮的預測效果良好，其他指標的效果不理想。周牡艷等人[18]使用電子舌結合PLS模型，對108個黃酒樣品的理化指標進行定量分析，發現對總酸和酒精度的預測效果良好，其他指標的效果不理想。由此可見，使用電子舌預測分析黃酒理化指標，影響因素較多，如樣本集的性質和數量、檢測儀器型號和多元統計方法等，都可能對模型效果產生影響。

3 結論

通過電子舌技術結合化學計量學方法，實現了黃酒部分理化指標的快速同時測定。如pH值、總酸、酒精度和氨基酸態氮，可運用MLR模型對其進行準確預測，外部檢驗同樣說明其與理化檢測方法具有一致性，檢測結果無顯著性差異，有一定的實用性。該技術可應用于黃酒理化指標的批量檢測和動態監測，為電子舌技術快速分析黃酒中的理化指標提供了應用技術基礎。今后研究可增加不同產地和類型的黃酒樣品，以進一步提高模型的準確性和適應性。