基于電子鼻技術(shù)的信陽毛尖茶咖啡堿檢測方法*

張紅梅，王 俊，余泳昌*，高獻坤，花恒明，何玉靜

(1.河南農(nóng)業(yè)大學(xué)機電工程學(xué)院，鄭州 450002;2.浙江大學(xué)生物系統(tǒng)工程與食品科學(xué)學(xué)院，杭州 310029)

茶葉香氣由含量少而種類繁多的揮發(fā)性物質(zhì)組成，至今報道已分離鑒定的有650種［1］。這些研究雖然取得了一定成果，但從定性角度出發(fā)，這些成分分析方法的作用還是非常有限的。長期以來，茶葉科研工作者都致力于茶葉品質(zhì)的量化識別研究，期望采用科學(xué)的儀器測定茶葉，用科學(xué)計量的品質(zhì)指標(biāo)來評價茶葉品質(zhì)。水分、茶多酚、咖啡堿和氨基酸是茶葉中主要品質(zhì)成分，它們影響茶色、茶香和茶味的形成。傳統(tǒng)的茶葉成分測定方法，比如咖啡堿含量的測定通常采用碘量法、重量法、紫外分光光度法等，茶多酚含量的測定通常采用高錳酸鉀滴定法和酒石酸鐵比色法。這些測定方法需要繁瑣的化學(xué)處理，不僅速度慢、費用高、測定結(jié)果差異大，而且易產(chǎn)生污染、具有破壞性。因此研究綠茶品質(zhì)成分的快速準(zhǔn)確測定方法具有重要的現(xiàn)實意義［2］。近年來，電子鼻技術(shù)的興起，讓我們看到了一種通過氣味來評價茶葉品質(zhì)的快速無損新方法。于慧春等［3－4］采用電子鼻技術(shù)以5組不同等級的茶葉、茶水、葉底以及4個不同等級的龍井茶為研究對象，對茶葉品質(zhì)進行了系統(tǒng)研究。Ritaban Dutta等［5］利用電子鼻技術(shù)對5種不同加工工藝的茶葉進行分析和評價，結(jié)果表明采用RBF的模式識別方法時，可以100%區(qū)分5種不同加工工藝的茶葉。Nabarum Bhattacharyya等［6］用電子鼻技術(shù)對紅茶發(fā)酵過程中的氣味進行實時監(jiān)測，以便預(yù)測最佳的發(fā)酵時間，避免發(fā)酵時間不當(dāng)影響成品茶葉品質(zhì)。Yang Ziyin等［7］檢測日本綠茶中濃縮香豆素含量以及其獨特的香氣，結(jié)果表明電子鼻技術(shù)結(jié)合主成分分析和聚類分析方法能正確識別7個不同香豆素含量的茶葉樣本。

信陽毛尖茶是中國十大名茶之一，但有關(guān)它的品質(zhì)檢測方面的研究報道并不多。郭桂義等［8－9］對信陽毛尖的滋味成分進行過系統(tǒng)的研究，也探討過信陽毛尖茶春季不同時期化學(xué)成分與品質(zhì)的變化。霍權(quán)恭等［10］對比研究了信陽毛尖春茶和夏茶的揮發(fā)性成分的差異。筆者采用電子鼻技術(shù)，對信陽毛尖茶中咖啡堿的含量進行快速檢測，旨在探討信陽毛尖品質(zhì)和成分的檢測方法，使茶葉品質(zhì)評審更加科學(xué)化和定量化。

1 材料和方法

1.1 試驗材料

茶葉樣品來自河南信陽同一茶園和采用同一加工工藝的2009年明前信陽毛尖炒青茶，共有3個品質(zhì)等級，分別為T1、T2和T3。T1為1級茶葉、T2為2級茶葉、T3為3級茶葉。對3個等級的信陽毛尖茶各取30個樣品，每個樣品5 g。這些子樣品分別被盛放在500 mL燒瓶內(nèi)，用保鮮膜密封后，置于25±1℃的室內(nèi)，60 min后進行電子鼻頂空取樣。待測茶葉樣本的揮發(fā)氣味在傳感器陣列室內(nèi)與傳感器陣列反應(yīng)，產(chǎn)生電信號，通過采集電路把數(shù)據(jù)采集到計算機進行處理。

1.2 化學(xué)成分測定

咖啡堿的測定采用GB8312—87《茶 咖啡堿測定》，紫外分光光度法(UV－2501紫外分光光度儀)。

1.3 電子鼻

試驗是用德國Airsense公司的PEN2電子鼻，該電子鼻包含有l(wèi)0個金屬氧化物傳感器組成的陣列。10個傳感器名稱分別為 W1C、W5S、W3C、W6S、W5C、W1S、W1W、W2S、W2W 和 W3S。傳感器對不同的化學(xué)成分有不同的響應(yīng)值。響應(yīng)信號為傳感器接觸到樣品揮發(fā)物后的電導(dǎo)率G與傳感器在經(jīng)過標(biāo)準(zhǔn)活性碳過濾氣體的電導(dǎo)率G0的比值。測量時記錄10個不同選擇性傳感器的G/G0比值，作為進一步統(tǒng)計分析的數(shù)據(jù)。每次測量前后，傳感器都進行清洗，這有效地保證了電子鼻測量數(shù)據(jù)的穩(wěn)定性和精確度。結(jié)合電子鼻自帶WinMuster軟件對數(shù)據(jù)進行采集、測量和分析。儀器組成主要包含:傳感器通道、采樣通道、計算機。該電子鼻具有自動調(diào)整、自動校準(zhǔn)及系統(tǒng)自動富集的功能。本試驗研究中，檢測時間設(shè)定為60 s，清洗時間設(shè)置為90 s，可以基本使傳感器響應(yīng)恢復(fù)到初始狀態(tài)。

2 結(jié)果和討論

2.1 咖啡堿檢測結(jié)果

咖啡堿是構(gòu)成茶湯滋味的重要物質(zhì)，也是茶葉中主要的藥理活性成分。雖然其本身味苦，但是與多酚類及其氧化產(chǎn)物形成絡(luò)合物以后便具有一種鮮爽滋味。因此，茶葉咖啡堿含量與品質(zhì)之間呈正相關(guān)，咖啡堿含量高，茶葉品質(zhì)好［11］。圖1所示是三個等級的信陽毛尖茶咖啡堿含量平均值，從圖1中可以看出，茶葉等級越高，咖啡堿含量越高。試驗結(jié)果與前人研究結(jié)果吻合。

圖1 不同信陽毛尖茶葉等級的咖啡堿含量

2.2 氣敏傳感器陣列對不同品質(zhì)茶葉氣味的響應(yīng)

圖2所示是3個等級信陽毛尖茶氣味的傳感器陣列響應(yīng)平均值的變化。圖2可以看出傳感器S2對茶葉氣味反應(yīng)比較大，響應(yīng)值也比較大。傳感器S5正向略偏離1，響應(yīng)值有所增強。傳感器S6和S8負向偏離1，信號有所變化。傳感器S1、S3、S4、S7、S9 和S10響應(yīng)值變化不大。從S2的響應(yīng)值看，傳感器對1級茶葉響應(yīng)較大，對3級茶葉響應(yīng)較小。

圖2 三個等級信陽毛尖茶傳感器響應(yīng)值變化

2.3 傳感器陣列的優(yōu)化

對傳感器陣列所得的原始數(shù)據(jù)進行標(biāo)準(zhǔn)化處理后再進行傳感器陣列的優(yōu)化。Loading分析用于反應(yīng)因子與各個變量間的密切程度，常應(yīng)用于指標(biāo)(變量)分類。在電子鼻應(yīng)用中把各個傳感器當(dāng)成變量，通過Loading分析可以直觀的對傳感器進行分類，為傳感器取舍提供一種依據(jù)［12］。Loading分析結(jié)果如圖3所示。圖3顯示出了，傳感器S7、S5各為為一類，在第二主軸上比重較大;S4和S10為一類，S1、S3、S2、S6、S8 和 S9 為一類在第一主軸的比重較大。下面再通過相關(guān)分析，分析一下各個傳感器之間的相關(guān)程度。

表1 各傳感器之間的相關(guān)系數(shù)

圖3 Loading分析圖

相關(guān)分析主要用來分析傳感器之間的相關(guān)程度，如果兩個傳感器測試結(jié)果的相關(guān)程度大，說明兩個傳感器包含相似的信息。傳感器之間的相關(guān)程度用相關(guān)系數(shù)來表示，相關(guān)系數(shù)越大，說明傳感器之間的相似程度越大，包含越多的冗余信息，可考慮去除。相關(guān)系數(shù)越小，傳感器之間的相似度越低，傳感器之間包含的冗余信息越少，應(yīng)優(yōu)先考慮［12］。通過相關(guān)分析10個傳感器之間的相關(guān)系數(shù)如表1所示。通過Loading分析，傳感器S5和S7各為一類，通過計算S5和S7的相關(guān)系數(shù)為－0.15，說明二者相似程度較少，可以優(yōu)先考慮采用。S4和S10為一類，二者相關(guān)系數(shù)為0.85，相關(guān)系數(shù)較大，說明二者之間的相似程度很大，考慮去除 S4。S1、S2、S3、S6、S8和S9為一類，綜合考慮與其他傳感器之間的相關(guān)系數(shù)以及傳感器對茶葉響應(yīng)值的大小，在這一類中選擇S2。S2、S7、S10和S5為最終的新傳感器陣列，用于信陽毛尖茶的品質(zhì)識別。

2.4 PCA 分析

對傳感器陣列對信陽毛尖茶葉響應(yīng)值的數(shù)據(jù)矩陣進行主成分分析，圖4是前兩個主成分PC1和PC2組成的二維圖，前兩個主成分的貢獻率分別為72.89%和17.63%，累計貢獻率為90.52%。因為PCA只對原始數(shù)據(jù)分析，不考慮分類情況，其區(qū)分情況與品質(zhì)實際情況一致。按照1級、2級、3級茶葉的情況，可以將不同等級的茶葉完全區(qū)分開，而且效果比較好。說明電子鼻可以檢測到不同品質(zhì)信陽毛尖茶的氣味差異。

圖4 不同品質(zhì)茶葉的PCA分析圖

2.5 基于氣敏傳感器陣列的咖啡堿預(yù)測模型

提取優(yōu)化后的氣敏傳感器陣列 S2、S5、S7和S10四個傳感器對信陽毛尖1級、2級、3級茶葉樣品的穩(wěn)態(tài)信號即45s時刻的響應(yīng)信號進行分析，所提取的數(shù)據(jù)矩陣為90行4列。每個等級茶葉樣品試驗時測試了30個子樣品，3個等級共90個試驗數(shù)據(jù);從每個等級茶葉30個子樣本中隨機抽取27個，共81個作為訓(xùn)練集，剩余9個作為測試集。將4個傳感器對信陽毛尖茶的響應(yīng)信號作為自變量，3個等級的茶葉咖啡堿含量作為因變量。利用主成分回歸(PCR)、多元線性回歸(MLR)和二次多項式逐步回歸(QPSR)方法分別建立信陽毛尖茶基于氣敏傳感器陣列的咖啡堿預(yù)測模型。

在對S2、S5、S7和S10四個傳感器對信陽毛尖1級、2級、3級茶葉樣品的穩(wěn)態(tài)信號即45 s時刻的響應(yīng)信號進行主成分分析過程發(fā)現(xiàn)，第一主成分與第二主成分的貢獻率分別為64.27%和27.93%，累積貢獻率達92.2%，說明前兩個主成分可以解釋所有變量的信息。所以選擇第一和第二主成分建立回歸模型如下所示。

式(1)中y表示咖啡堿的含量;x1到x4分別表示傳感器S2、S5、S7和S10對茶葉的響應(yīng)信號。

模型(1)訓(xùn)練集預(yù)測值與實測值之間的相關(guān)系數(shù)，預(yù)測標(biāo)準(zhǔn)誤差SEP，平均誤差百分比分別為:0.75、0.17和3.08%。測試集預(yù)測值與實測值的關(guān)系如圖5所示。預(yù)測集預(yù)測值與實測值之間的相關(guān)系數(shù)，預(yù)測標(biāo)準(zhǔn)誤差SEP，平均誤差誤差百分比分別為:0.66、0.32 和 3.42%。

圖5 PCR模型對測試集預(yù)測值與實測值的擬合圖

多元線性逐步回歸(MLR)利用4個傳感器對茶葉的響應(yīng)信號建立與茶葉咖啡堿含量之間的多元線性關(guān)系。MLR回歸模型如下:

式(2)中自變量的含義與式(1)相同。

式(2)訓(xùn)練集預(yù)測值與實測值之間的相關(guān)系數(shù)，預(yù)測標(biāo)準(zhǔn)誤差SEP，平均誤差百分比分別為:0.89、0.12和1.92%。測試集預(yù)測值與實測值的關(guān)系如圖6所示。預(yù)測集預(yù)測值與實測值之間的相關(guān)系數(shù)，預(yù)測標(biāo)準(zhǔn)誤差SEP，平均誤差誤差百分比分別為:0.80、0.19 和 2.8%。

前兩種建模都是線性方法，本文采用二次多項式逐步回歸方法建立傳感器信號與茶葉咖啡堿含量之間的非線性關(guān)系。即把正交實驗和回歸分析有機結(jié)合起來，在正交實驗的基礎(chǔ)上利用回歸分析，在給出的因素和指標(biāo)之間，找到一個明確的函數(shù)表達式?；貧w模型如下:

圖6 MLR模型對測試集預(yù)測值與實測值的擬合圖

式(3)中自變量的含義與式(1)相同。

式(3)訓(xùn)練集預(yù)測值與實測值之間的相關(guān)系數(shù)，預(yù)測標(biāo)準(zhǔn)誤差SEP，平均誤差百分比分別為:0.96、0.06和1.08%。試集預(yù)測值與實測值的關(guān)系如圖7所示。預(yù)測集預(yù)測值與實測值之間的相關(guān)系數(shù)，預(yù)測標(biāo)準(zhǔn)誤差SEP，平均誤差百分比分別為:0.94、0.19 和 2.3%。

圖7 二次多項式逐步回歸模型對測試集預(yù)測值與實測值的擬合圖

2.6 PCR、MLR和QPSR模型比較

分別采用PCR、MLR和QPSR三種建模方法建立了基于氣敏傳感器信號的信陽毛尖茶咖啡堿含量預(yù)測模型。表2列出了三種模型對預(yù)測集的預(yù)測結(jié)果。由表2可知，QPSR模型的預(yù)測效果最好，具有最大的相關(guān)系數(shù)和最小的相對誤差百分比。說明采用非線性方法來建立因素與指標(biāo)之間的關(guān)系，能夠反映二者之間復(fù)雜的非線性關(guān)系以及因素之間的交互作用。MLR模型的預(yù)測結(jié)果優(yōu)于PCR模型的預(yù)測結(jié)果，說明前兩個主成分的累積貢獻率雖然達到92.2%，但是還有一些重要信息丟失，不能完全解釋4個氣敏傳感器信息。表中數(shù)據(jù)顯示為:3種模型中二次多項式逐步回歸(QPSR)相關(guān)系數(shù)最大，預(yù)測標(biāo)準(zhǔn)差最小，相對誤差百分比最小，由此可以確定，對于本研究中信陽毛尖茶品質(zhì)的電子鼻分析中，最優(yōu)模型為二次多項式逐步回歸。

表2 不同模型預(yù)測結(jié)果比較

3 結(jié)論

(1)對三個等級信陽毛尖茶的咖啡堿含量檢測結(jié)果表明茶葉等級越高，咖啡堿含量越高。說明咖啡堿含量對信陽毛尖茶品質(zhì)有很大的影響。

(2)分析3個等級信陽毛尖茶氣味的傳感器陣列響應(yīng)值變化發(fā)現(xiàn)，傳感器S2對茶葉氣味反應(yīng)比較大，響應(yīng)值也比較大，有些傳感器信號或正向或負向偏離1，而有些傳感器信號變化微小。

(3)采用Loading分析和相關(guān)分析對傳感器陣列進行優(yōu)化。Loading分析根據(jù)各個傳感器間的密切程度，把10個傳感器分成四類。結(jié)合各傳感器之間的相關(guān)系數(shù)，以及傳感器對茶葉的響應(yīng)值的大小，選擇S2、S7、S10和S5為最終的新傳感器陣列，用于信陽毛尖茶的品質(zhì)識別。

(4)對傳感器陣列對信陽毛尖茶葉響應(yīng)值的數(shù)據(jù)矩陣進行主成分分析，結(jié)果顯示可以將不同等級的茶葉完全區(qū)分開，而且效果比較好。說明電子鼻可以檢測到不同品質(zhì)信陽毛尖茶的氣味差異。

(5)利用PCR、MLR和QPSR方法分別建立信陽毛尖茶基于氣敏傳感器陣列的咖啡堿預(yù)測模型。MLR對預(yù)測集的預(yù)測值與實測值之間的相關(guān)系數(shù)，預(yù)測標(biāo)準(zhǔn)誤差SEP，平均誤差百分比分別為:0.80、0.19和2.8%。PCR對預(yù)測集的測值與實測值之間的相關(guān)系數(shù)，預(yù)測標(biāo)準(zhǔn)誤差SEP，平均誤差百分比分別為:0.66、0.32 和3.42%。QPSR 對預(yù)測集預(yù)測值與實測值之間的相關(guān)系數(shù)，預(yù)測標(biāo)準(zhǔn)誤差SEP，平均誤差百分比分別為:0.94、0.19 和2.3%。

(6)對比三種模型的性能發(fā)現(xiàn):3種模型中二次多項式逐步回歸(QPSR)相關(guān)系數(shù)最大，預(yù)測標(biāo)準(zhǔn)差最小，相對誤差百分比最小，由此可以確定，對于本研究中信陽毛尖茶品質(zhì)的電子鼻分析中，最優(yōu)模型為二次多項式逐步回歸。

［1］趙菁.綠茶特征香氣成分及與品質(zhì)的關(guān)系研究［D］.浙江大學(xué)，碩士學(xué)位論文，2002.

［2］林新，牛智有，劉梅英，等.近紅外光譜法快速測定綠茶的4種主要成分［J］.華中農(nóng)業(yè)大學(xué)學(xué)報，2009，28(4):487－490.

［3］于慧春，王俊.電子鼻技術(shù)在茶葉品質(zhì)檢測中的應(yīng)用研究［J］.傳感技術(shù)學(xué)報，2008，21(5):748－752.

［4］于慧春，王俊，張紅梅，等.龍井茶葉品質(zhì)的電子鼻檢測方法［J］.農(nóng)業(yè)機械學(xué)報，2007，38(7):103－106.

［5］Dutta Ritaban，Hines E L，Gardner J W，et al.Tea Quality Prediction Using a Tin Oxide-Based Electronic Nose:an Artificial Intelligence Approach［J］.Sensors and Actuators B，2003，94:228－237.

［6］Nabarun Bhattacharya，Bipan Tudu，Arun Jana，et al.Preemptive I-dentification of Optimum Fermentation Time for Black Tea Using E-lectronic Nose［J］.Sensors and Actuators B，2008，131:110－116.

［7］Yang Ziyin，Dong Fang，Shimizu Kazuo，et al.Identification of Coumarin-Enriched Japanese Green Teas and Their Particular Flavor Using Electronic Nose［J］.Journal of Food Engineering，2009，92:312－316.

［8］郭桂義，胡強，劉黎，等.信陽毛尖茶春季不同時期化學(xué)成分與品質(zhì)的變化［J］.河南農(nóng)業(yè)科學(xué)，2007，(12):48－50.

［9］郭桂義.信陽毛尖茶化學(xué)成分與品質(zhì)關(guān)系初探［J］.茶葉，2000，26(4):228－233.

［10］霍權(quán)恭，楊京，劉鐘棟，等.信陽毛尖茶葉揮發(fā)性成分GC/MS分析［J］.中國農(nóng)學(xué)通報，2005，21(7):108－110.

［11］郭桂義，胡孔鋒，袁丁.信陽毛尖茶的化學(xué)成分研究［J］.食品工業(yè)科技，2006，27(12):162－167.

［12］周海濤，殷勇，于慧春.勁酒電子鼻鑒別分析中傳感器陣列優(yōu)化方法研究［J］.傳感技術(shù)學(xué)報，2009，22(2):175－178.