基于電子鼻與多元統計分析判別三七品質

劉元林，龍 鳴，張 希，田曉靜，2*，柏家林，2，宋 禮

(1.西北民族大學生命科學與工程學院，甘肅 蘭州 730124；2.西北民族大學生物醫學研究中心，中國-馬來西亞國家聯合實驗室，甘肅 蘭州 730030；3.云南中醫藥大學中藥學院，云南 昆明 650500；4.甘南牦牛乳研究院，甘肅 合作 747000）

五加科植物三七Panax notoginseng(Burk.) F.H.Chen 主要生長于濕潤陰涼、溫差小的環境中,在我國云南、廣西、四川等地均有種植,其中云南省文山州三七質量最好,是其道地產區［1］。三七具有散瘀止血、消腫定痛、補益氣血、免疫調節等藥理作用［2］。三七主根、支根和根莖的有效成分含量也存在一定差異［3］。因此不同產地、不同部位三七價格上存在較大差異,不法商販為獲得較高利益,往往以其他產區冒充道地產地三七、以支根和根莖三七粉冒充主根三七粉。因此,鑒別不同部位、不同產地的三七特征可以為三七質量控制提供重要依據。目前用于三七產地區分的方法有傅里葉變換紅外光譜［4-5］、核磁共振指紋圖譜［6］、紫外指紋圖譜技術［7］。

電子鼻技術可以將氣味成為可量化的指標,在食品工業、醫療工業、環境監測、中藥質量控制等方面有著廣泛應用［8-9］,如區分紫蘇［10］、人參［11］與高良姜［12］品種；判別當歸［13］、南五味子［14］產地；應用于鹿茸片［15］、藏紅花［16］、枸杞子［17-18］品質評估等方面。三七具有獨特氣味,適合于電子鼻的檢測,且檢測過程不需要添加任何試劑,Yang等［19-20］運用電子鼻對三七摻假與品質鑒別進行研究；汪萌等［21］研究表明通過氣味識別法可區分不同等級云南三七。本研究采用單因素試驗優化電子鼻檢測條件,結合多元統計與多層感知器神經網絡分析,研究運用電子鼻判別三七主根、支根及產地的可行性,以期為三七品質市場監控提供數據支撐。

1 材料與方法

1.1 材料與前處理 所用三七樣品于2017 年11月采集云南4 個不同地區,每個產地采集40～50顆。樣品經干制后,分別將每個產地的主根和支根粉碎后過60 目篩,密封保存于4 ℃冰箱待用。將樣品恢復至室溫后,進行電子鼻檢測。信息見表1,其中羅平產三七用于電子鼻檢測條件優化,丘北、個舊、沾益三七用于主根、支根及產地判別研究。

表1 樣品信息Tab.1 Information of samples

1.2 儀器 實驗采用德國Airsense 公司的PEN3型便攜式電子鼻進行檢測,該設備包括氣體傳感器陣列(表2)、模式識別系統、信號處理系統3 個部分。

表2 電子鼻傳感器陣列與性能特點Tab.2 E-nose sensor array and performance characteristics

1.3 因素水平確定 受樣品量、頂空生成時間、頂空體積和載氣體積流量等因素影響,頂空揮發物濃度會發生變化,從而影響傳感器響應信號。本研究采用單因素實驗研究樣品量、頂空生成時間、頂空體積和載氣體積流量4 個因素對電子鼻傳感器響應信號的影響,因素水平設計見表3。此外,電子鼻清洗時間設置為80 s、采樣時間為90 s。樣品檢測過程中,每種樣品均隨機稱取36 個重復樣品分析其氣味信息。數據分析時,為避免樣品氣味信息的干擾,將電子鼻適應過程的前3 個樣品氣味信息剔除后,提取傳感器第89 s 響應信號值進行分析。

表3 因素水平Tab.3 Factors and levels

1.4 數據處理 采用單因素方差分析研究樣品量、頂空生成時間、頂空體積和載氣體積流量對電子鼻傳感器響應的影響,結合典則判別分析獲得較佳檢測條件。采用主成分分析和典則判別分析對三七主根、支根及產地進行定性分析；采用多層感知器(Multilayer Perceptron,MLP) 神經網絡對三七主根、支根及產地進行定量分析。方差分析、主成分分析和典則判別分析均由SAS (V8) 完成；MLP分析由SPSS (V17) 完成；結果由Origin8.0 軟件完成繪圖。

2 結果與分析

2.1 電子鼻檢測條件 采用單因素試驗研究樣品量、頂空生成時間、頂空體積和載氣體積流量對電子鼻10 個傳感器響應信號的影響。提取傳感器第89 s 的響應值,利用SAS (V8) 進行單因素方差分析,得到4 個因素對電子鼻各個傳感器響應信號的影響,見表4。采用典則判別分析對4 個因素不同水平的結果進行分析,以數據點的聚集性和對樣品的區分效果來確定較佳檢測條件。

表4 方差分析Tab.4 Analysis of variance

2.1.1 樣品量 在頂空體積250 mL,頂空生成時間10 min、載氣體積流量300 mL/min,清洗時間80 s,采樣時間90 s 條件下,研究三七樣品量(0.5、1、1.5 g) 對電子鼻傳感器響應信號的影響。方差結果表明樣品量對傳感器S4、S5 影響無統計學意義(P＞0.05),對其余8 個傳感器響應影響有統計學意義(P＜0.01)。典則判別分析表明成分1 占92.21%,成分2 占7.79%,反映出全部的原始信息,見圖1。不同樣品量數據點彼此有重疊,但規律性分布明顯,沿成分1 增大的方向,樣品量逐漸增大；樣品量為1.5 g 時較0.5、1.0 g 時的數據點更為聚集。

2.1.2 頂空生成時間 在三七樣品量1.5 g,樣品頂空體積250 mL、載氣體積流量300 mL/min、清洗時間80 s、采樣時間90 s 條件下,研究頂空生成時間(5、10、15 min) 對電子鼻傳感器響應信號的影響。方差結果表明樣品頂空生成時間對傳感器S5、S7 影響無統計學意義(P＞0.05),對其余8個傳感器響應影響有統計學意義(P＜0.01) (表4)。典則判別分析表明成分1 占68.80%,成分2占31.20%,反映出全部的原始信息,見圖1。與樣品量規律相同,沿成分1 增大的方向,頂空生成時間逐漸增大,頂空生成時間15 min 的數據點較5、10 min 的數據點更為聚集。

2.1.3 頂空體積 在三七樣品量1.5 g、頂空生成時間15 min、載氣體積流量300 mL/min、清洗時間80 s、采樣時間90 s 條件下,研究樣品頂空體積(150、250、500 mL) 對電子鼻傳感器響應信號的影響。方差結果表明樣品頂空體積對傳感器S4、S5 影響無統計學意義(P＞0.05),對S7 響應影響有統計學意義(P＜0.05),對其余7 個傳感器響應影響有統計學意義(P＜0.01) (表4)。典則判別分析表明成分1 占63.74%,成分2 占36.26%,反映出全部的原始信息,見圖1。頂空體積250 mL的數據點較150 mL 時更為聚集,且數據區分性較500 mL 時更佳。

圖1 單因素典則判別分析結果Fig.1 Results of single factor canonical discriminant analysis

2.1.4 載氣體積流量 在三七樣品量1.5 g、樣品頂空體積250 mL、頂空生成時間15 min、清洗時間80 s、采樣時間90 s 條件下,研究載氣體積流量(200、300、400 mL/min) 對電子鼻傳感器響應信號的影響。方差結果表明載氣體積流量對傳感器S5 影響無統計學意義(P＞0.05),對其余9 個傳感器響應影響有統計學意義(P＜0.01) (表4)。典則判別分析表明成分1 占84.95%,主成分占15.05%,反映出全部的原始信息,見圖1。載氣體積流量為 400 mL/min 的數據點較 200、300 mL/min的數據點更為聚集。

按表3 各因素和水平設計量,采用單因素方差分析樣品量、頂空生成時間、頂空體積和載氣體積流量對電子鼻10 個傳感器第89 s 的響應信號值,采用典則判別對4 個因素不同水平樣品進行分析,以數據點的聚集性和對樣品的區分效果來分別確定各較佳檢測條件為樣品1.5 g、頂空生成時間15 min、頂空體積250 mL、載氣體積流量400 mL/min、清洗時間80 s、采樣時間89 s。

2.2 三七傳感器特征響應曲線 在較佳檢測條件下,對表1 中3 個不同產地三七主根進行檢測,繪制傳感器特征響應曲線,見圖2。前30 s 傳感器對三七樣品中的揮發物快速響應,之后逐漸平衡；但不同產地三七達到平衡的時間不一樣,QB、GJ 和ZY 達到平衡的響應信號分別為65、60、55 s。不同產地三七對響應信號強度也不同,QB 最強、ZY較弱,特別是傳感器S6、S7,其次是S2、S8、S9,這為利用電子鼻判定三七產地提供數據支持,為進一步對比不同產地的差異,提取第89 s 響應信號均值繪制雷達圖,見圖3。響應信號強度大的QB在最外層,其次是GJ,ZY 在最里層,利用原始信號可初步實現對不同產地三七的區分,后續數據分析時均用提取的第89 s 數據。

2.3 基于氣味信息對三七品質定性判別

圖2 不同產地三七主根電子鼻特征響應信號Fig.2 E-nose characteristic response for taproots of P.notoginseng from different growing areas

圖3 不同產地三七主根電子鼻特征響應信號雷達圖Fig.3 Radar map of E-nose characteristic response signals for taproots of P.notoginseng from different growing areas

2.3.1 三七主根與支根定性判別 為實現三七主根與支根定性判別,對電子鼻檢測結果進行主成分分析與典則判別分析,見圖4,前者結果表明成分1 占42.26%,成分2 占32.67%,共解釋原始數據74.93%的信息。不同產地三七主根樣品部分重疊,分布于圖下方,不同產地三七支根樣品也有重疊,分布于圖上方,成分2 大于0 的區域為三七支根樣品,成分2 小于0 的區域為三七主根樣品,故依據成分2 可區分主根與支根,見圖4。典則判別分析結果表明成分1 占93.77%,成分2 占3.77%,共解釋了原始變量97.54% 的信息。不同產地三七主根樣品部分重疊性較強,分布于圖左側,不同產地三七支根樣品分布于圖右側,成分1 大于0 的區域為三七支根樣品,成分1 小于0 的區域為三七主根樣品,故依據成分1 也可將主根與支根區分開,見圖4。2 種分析方法中主根與支根區分明顯,相較于主成分分析結果,典則判別分析結果數據的聚集性更強,更容易進行區分。

2.3.2 三七產地定性判別 為區分不同三七產地,分別對3 個產地的三七主根、支根進行典則判別分析,見圖5。不同產地主根典則判別分析結果表明成分1 占67.83%,成分2 占32.17%,反映出全部的原始信息。沿成分1 逐漸變大的方向,呈現ZY、GJ、QB 分布的趨勢,3 個產地區分效果明顯。不同產地支根典則判別分析結果表明成分1 占81.80%,成分2 占18.20%,反映出全部的原始信息。3 個產地區雖能實現區分,但產地與產地之間距離較近,沒有主根區分效果好,因此電子鼻檢測可實現三七產地溯源,三七主根、支根在產地判斷上均具有可行性。

圖4 三七主根與支根判別結果Fig.4 Discriminant results of taproot and rootlet of P.notoginseng

2.4 三七品質定量判別分析 MLP 是一種前向結構的人工神經網絡,由多個節點層組成,每一層全連接到下一層,在每一層中有一些神經元與加權連接有關,這些神經元的數量取決于模型的輸入和輸出變量的數量［22］。為實現三七主根與支根及產地的定量判別,對電子鼻響應信號進行MLP 神經網絡分析。

圖5 不同產地三七典則判別分析結果Fig.5 Canonical discriminant analysis results for P.notoginseng from different growing areas

在主根和支根判別時,以電子鼻10 個傳感器響應作為輸入層,主根和支根兩類為輸出層,采用10-6-2 網格結構,即輸入層10 個神經元、隱藏層6個神經元和輸出層2 個神經元；判斷結果表明應用MLP 可很好區分三七主根與支根,只有1 個支根樣品被錯分為主根樣品,樣品分類準確率達99.49%,見表5。10-6-2 網格混淆矩陣［23］的4 個基本指標準確率、精確率、靈敏度、特異度、以及AUS 的平均值分別為99.49%、99.49%、99.50%、99.50%、99.50%,見表6。

在三七產地判別時,分別以主根、支根傳感器響應作為輸入層,采用10-6-3 網格作為最終結構,即輸入層10 個神經元、隱藏層6 個神經元和輸出層3 個神經元,判斷結果表明應用MLP 可區分三七產地,見表7。所建主根產地判別中,1 個QB主根樣品錯分為GJ 主根樣品,樣品分類準確率達99.49%；所建支根產地判別中,2 個QB 支根被錯判為GJ 支根,2 個GJ 支根樣品錯分為ZY 支根,樣品分類準確率達95.95%。10-6-3 網格混淆矩陣表明主根產地判別準確率、精確率、靈敏度、特異度以及AUS 的平均值分別為99.32%、98.98%、99.01%、99.50%、99.25%,見表8；支根產地判別準確率、精確率、靈敏度、特異度以及AUS 的平均值分別為 97.29%、95.95%、96.07%、98.00%、97.03%；綜上所述,MLP 神經網絡分析對三七主根與支根及產地的判定準確率均在95.00%以上。結合MLP 神經網絡,電子鼻信號可以實現對三七主根與支根及產地的定量區分。

表5 主根和支根混淆矩陣鑒別結果Tab.5 Results of confusion matrix for identification of taproot and rootlet

表6 MLP 分類10-6-2 網格性能參數（%）Tab.6 Performance parameters of 10-6-2 grid MLP classifier （%）

表7 產地判別混淆矩陣結果Tab.7 Results of confusion matrix for discrimination of growing areas

3 結論

結合模式識別方法,電子鼻技術在中草藥產地、品種、來源及加工方式判別研究中有較多應用。Wang 等［24］采用深卷積神經網絡算法分析了石斛電子鼻氣味信息對石斛產地進行分類,且其準確率為87.56%。結合主成分分析和判別因子分析,劉曉梅等［25］運用電子鼻可以區分地龍及其炮制品。在姜黃屬4 種中藥的鑒別中,利用氣味指紋圖譜建立的XG-Boost 判別模型可以快速判別其種屬,訓練集、測試集正判率分別達99.39%、95.65%［26］。對不同來源的南北五味子,利用其氣味指紋圖譜進行判別因子分析,正確識別率可達100%［27］。此外,電子鼻氣味信息結合色度信息在厚樸產地判別中也顯示了其優勢,分類準確率達99.53%［28］。

表8 MLP 分類10-6-3 網格性能參數（%）Tab.8 Performance parameters of 10-6-3 grid MLP classifier （%）

三七中揮發性呈香物質主要為萜烯類、醇類、醛類、烯烴類和烷烴類等,尤其是萜烯類發揮了重要作用［29］。而三七的質量、產地和采摘季節等均對其內部成分有影響,外部表現為其氣味的細微差異,利用氣味信息評價三七綜合品質具有可行性。本研究應用單因素方差分析結合典則判別分析建立了電子鼻檢測三七的最佳條件為樣品量1.5 g、頂空生成時間15 min、頂空體積250 mL、載氣體積流量400 mL/min。結合主成分分析與典則判別分析可實現電子鼻對三七主根與支根的定性區分,典則判別分析能實現三七產地的定性區分,其中主根產地區分效果比支根產地區分效果好。MLP 神經網絡分析能實現對三七主根、支根的定量區分,準確率高達99.49%；在主根產地判別時,準確率為99.49%；在支根產地判別時,準確率為95.95%。本實驗優化得到的電子鼻檢測條件較理想,可實現對三七主根、支根及產地的定性、定量判別。在今后的研究中,可嘗試將電子鼻氣味信息應用到三七內部活性成分含量的檢測中,實現其內部品質的快速、無損評價,以期為市場監控三七品質和產地判別提供新的檢測方法。