基于神經(jīng)網(wǎng)絡(luò)及電子鼻的蝦夷扇貝鮮活品質(zhì)評價及傳感器的篩選

傅潤澤，沈 建，王錫昌，劉俊榮，倪 錦，樊 文

（1.中國水產(chǎn)科學研究院漁業(yè)機械儀器研究所，上海 200092；2.上海海洋大學食品學院，上海201306；3.大連海洋大學食品科學與工程學院，大連116023）

基于神經(jīng)網(wǎng)絡(luò)及電子鼻的蝦夷扇貝鮮活品質(zhì)評價及傳感器的篩選

傅潤澤1，2，沈 建1，王錫昌2，劉俊榮3，倪 錦1，樊 文1，2

（1.中國水產(chǎn)科學研究院漁業(yè)機械儀器研究所，上海 200092；2.上海海洋大學食品學院，上海201306；3.大連海洋大學食品科學與工程學院，大連116023）

追蹤檢測蝦夷扇貝品質(zhì)變化過程中的存活指標，生理指標以及電子鼻氣味圖譜的變化，建立?；盍魍ㄟ^程中不同等級的活品蝦夷扇貝電子鼻氣味指紋圖譜，購買市場上不同狀態(tài)的活品蝦夷扇貝，分別通過學習向量量化（learning vector quantization,LVQ）、概率（probabilistic neural networks,PNN）、支持向量機（support vector machine,SVM）神經(jīng)網(wǎng)絡(luò)對測試樣品快速模式分類，最后通過對電子鼻傳感器的篩選探索便攜式快速品質(zhì)鑒別設(shè)備的可能性。研究結(jié)果表明，24 h的極端脅迫環(huán)境放置較為完整的模擬了蝦夷扇貝在?；盍魍ㄟ^程中狀態(tài)變差的過程；將電子鼻數(shù)據(jù)主成分分析、聚類分析結(jié)果與存活指標（開口率、縮邊率以及死亡率）和生理指標（超氧化物歧化酶活性、耗氧率以及海水濁度）相結(jié)合可以把品質(zhì)變化過程中的蝦夷扇貝分成5個等級，并分別得到每個等級的扇貝氣味指紋圖譜；3種神經(jīng)網(wǎng)絡(luò)均可以對測試樣品等級進行快速測定，其中支持向量機（SVM）神經(jīng)網(wǎng)絡(luò)兼具精確和快速的特點，測試樣本T全部預測為等級4，測試樣本N全部預測為等級3，從交叉驗證到仿真預測所用時間僅為7.652 s；篩選得到的8個電子鼻傳感器也可以對不同等級鮮活蝦夷扇貝氣味特征進行有效區(qū)分。

神經(jīng)網(wǎng)絡(luò)；傳感器；模型；蝦夷扇貝；?；盍魍?；電子鼻；氣味指紋圖譜

傅潤澤，沈 建，王錫昌，劉俊榮，倪 錦，樊 文.基于神經(jīng)網(wǎng)絡(luò)及電子鼻的蝦夷扇貝鮮活品質(zhì)評價及傳感器的篩選[J].農(nóng)業(yè)工程學報，2016，32（6）：268-275.doi：10.11975/j.issn.1002-6819.2016.06.037 http://www.tcsae.org

Fu Runze,Shen Jian,Wang Xichang,Liu Junrong,Ni Jin,Fan Wen.Quality evaluation of live Yesso scallop and sensor selection basedonartificialneuralnetworkandelectronicnose[J].Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE）,2016,32(6):268－275.(in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2016.06.037 http:// www.tcsae.org

0 引言

目前，中國活品蝦夷扇貝供應鏈存在的問題是，蝦夷扇貝隨著流通時間的延長其品質(zhì)不斷下降，甚至死亡，長距離陸路運輸仍未實現(xiàn)[1-2]。而活品蝦夷扇貝供應鏈優(yōu)化的前提是建立有效的、針對活品扇貝的品質(zhì)評價方法。然而由于活體生物狀態(tài)變化的復雜性，目前仍缺乏可靠的活品蝦夷扇貝品質(zhì)評價手段[2-3]，判定活品蝦夷扇貝品質(zhì)的量化指標還只能是統(tǒng)計縮邊率和死亡率。

在實際?；钸\輸中，經(jīng)驗豐富的運輸工人可以通過車廂或運輸箱中的氣味對運輸中活品蝦夷扇貝的狀態(tài)進行粗略的感官評價，這是因為采捕后的蝦夷扇貝所處環(huán)境因素不斷地變化，各種環(huán)境脅迫引起活品體內(nèi)發(fā)生應激反應，不規(guī)范的運輸操作以及粗糙的?；盍魍夹g(shù)會使應激反應導致的相關(guān)生化代謝的影響不斷積累，最終使活品蝦夷扇貝的品質(zhì)發(fā)生變化，其中活品蝦夷扇貝揮發(fā)性氣味成分也發(fā)生了相應變化[4]。

在多種氣味檢測技術(shù)中，電子鼻是利用氣體傳感器陣列的響應曲線來識別氣味的電子系統(tǒng)，給予樣品中揮發(fā)成分的整體信息，也就是“指紋數(shù)據(jù)”，是一種快速、客觀的方法來檢測食品中的氣味的手段[5-6]。近年來國內(nèi)外學者一直致力于利用電子鼻來進行水產(chǎn)品鮮度和品質(zhì)的快速檢測，來替代常規(guī)耗時的檢測和評價方法[7-11]。人工神經(jīng)網(wǎng)絡(luò)（artificial neural network）是模式識別中的常用方法，近年來發(fā)展起來的人工神經(jīng)網(wǎng)絡(luò)模式的識別方法逐漸取代傳統(tǒng)的模式識別方法[12-13]。其中學習向量量化（learning vector quantization,LVQ）、概率（probabilistic neural networks,PNN）、支持向量機（support vector machine, SVM）神經(jīng)網(wǎng)絡(luò)作為可訓練的機器學習方法[14-16]。本研究以電子鼻為技術(shù)手段，結(jié)合化學計量學，分析活品蝦夷扇貝氣味特征的變化，建立鮮活蝦夷扇貝?；盍魍ㄟ^程中不同等級電子鼻氣味指紋圖譜，基于人工神經(jīng)網(wǎng)絡(luò)以期建立一種快速鑒別保活流通過程蝦夷扇貝品質(zhì)狀態(tài)的方法，并探討便攜式品質(zhì)評價設(shè)備的可行性。

1 材料與方法

1.1 試驗儀器與原料

部分試驗儀器：Fox 4000電子鼻（Fox 4000 sensory array fingerprint analyzer），法國Alpha MOS公司；10 mL頂空進樣瓶，上海安譜科學儀器有限公司；JPB-607A便攜式溶氧儀，上海雷磁儀電科學儀器股份有限公司；SGZ-200AS系濁度計，上海悅豐儀器儀表有限公司；Multiskan FC酶標儀，美國熱電公司；超氧化物歧化酶（superoxide dismutase，SOD）測試盒，南京建成生物工程研究所。

鮮活蝦夷扇貝（用于建立不同等級蝦夷扇貝標準氣味指紋圖譜，并對神經(jīng)網(wǎng)絡(luò)模型進行訓練）：大連獐子島金貝廣場凈化階段即將結(jié)束的扇貝，取8～12 cm規(guī)格三齡扇貝，養(yǎng)殖海域為遼寧省大連市獐子島附近底播養(yǎng)殖海域，捕撈時間為2015年5月。

測試蝦夷扇貝T（用于神經(jīng)網(wǎng)絡(luò)對測試樣品的快速模式分類）：上海軍工路水產(chǎn)市場下午2點購買干露放置在碎冰中當天到港的活品大連產(chǎn)蝦夷扇貝50個，8～12 cm規(guī)格，購買時間2015年5月。

測試蝦夷扇貝N（用于神經(jīng)網(wǎng)絡(luò)對測試樣品的快速模式分類）：上海軍工路水產(chǎn)市場凌晨4點購買剛到港活品大連產(chǎn)蝦夷扇貝50個，8～12 cm規(guī)格，購買時間2015年5月

1.2 試驗方法

1.2.1 蝦夷扇貝?；盍魍ㄟ^程中極端環(huán)境脅迫的模擬

模擬蝦夷扇貝保活流通過程中對扇貝影響較大的環(huán)境脅迫，高溫：室溫放置（20℃左右），缺氧：干露放置，震蕩與碰撞：行駛運輸車輛中放置（0～6 h）。

1.2.2 取樣以及檢測

將大連獐子島金貝廣場凈化階段即將結(jié)束的扇貝取出凈化池放置到行駛汽車車廂里的泡沫箱里，每隔3 h取樣一次，每次隨機取樣50個，統(tǒng)計開口率、縮邊率以及死亡率，其中18個扇貝分3組，每組6個放入裝有2 L海水的保鮮膜密封的大燒杯中30 min，用于檢測耗氧率以及海水濁度，剩余32個扇貝人工抽取血淋巴后取出所有組織樣品，勻漿后分袋包裝，立即放入-80℃冰柜中，操作環(huán)境溫度為4℃。

開口率、縮邊率以及死亡率：開口率，貝殼開口比率；縮邊率，裙邊收縮比率；死亡率，裙邊對刺激無反應的樣品比率。

耗氧率以及海水濁度：耗氧率，20℃新鮮過濾海水溶氧值校定為100%，減去30 min后海水溶氧值所得的數(shù)值定義為耗氧率，反映活品扇貝單位時間內(nèi)消耗氧氣的能力；海水濁度，扇貝放入海水30 min后的海水的濁度定義為海水濁度[17-19]。

SOD活力：超氧化物歧化酶（SOD）試劑盒[20-21]。

電子鼻檢測：將進樣瓶于50℃平衡10 min后，以潔凈干燥空氣為載氣，流速150 mL/min，進樣體積300 μL，1 s進樣完畢，注射針溫度60℃數(shù)據(jù)采集時間120 s，傳感器清洗時間10 min。每次檢測取18個傳感器最大響應值，每批樣品重復檢測7次，并求取平均值進行數(shù)據(jù)分析，18個傳感器編號為：LY2/LG、LY2/G、LY2/AA、LY2/GH、LY2/Gctl、LY2/GCT、T30/1、P10/1、P10/2、P40/1、T70/2、PA/2、P30/1、P40/ 2、P30/2、T40/2、T40/1、TA/2，每批樣品按照時間順序分別記為：A、B、C、D、E、F、G、H、I[22]。

1.2.3 電子鼻檢測方法學考察

穩(wěn)定性試驗取同一批扇貝樣品按1.2.2節(jié)操作，分別于0、3、6 d進行檢測，結(jié)果18個傳感器響應值相對標準偏差（relative standard deviation,RSD）＜3%，表明樣品在-70℃超低溫冰柜中0～6 d內(nèi)穩(wěn)定。

精密度試驗取同一批扇貝樣品按1.2.2節(jié)操作，連續(xù)進樣進行檢測，結(jié)果18個傳感器響應值相對標準偏差（relative standard deviation,RSD）＜2%，表明該儀器具有較好的精密度。

重現(xiàn)性試驗將同一批扇貝等分為6份樣品，按1.2.2節(jié)操作方法進行檢測，結(jié)果18個傳感器響應值相對標準偏差（relative standard deviation,RSD）＜3%，表明此試驗方法有較好的重現(xiàn)性。

1.2.3 數(shù)據(jù)處理分析

主成分分析處理軟件：Unscrambler;聚類分析處理軟件：SPSS；神經(jīng)網(wǎng)絡(luò)模型處理軟件：MATLAB

2 結(jié)果與分析

2.1 不同放置時間蝦夷扇貝的氣味特征分類

利用電子鼻對不同放置時間的蝦夷扇貝的氣味特征進行檢測，對電子鼻數(shù)據(jù)進行主成分分析如圖1所示，可以將9種樣品按照氣味特征的不同區(qū)分成5個類別，分別是類別1：A，類別2：B，類別3：C和D，類別4：E，類別5：F、G、H和I。最初時間段的扇貝樣品（扇貝A、B、C）可以很好地區(qū)分開來，這說明在最初的時間段過程中，扇貝的氣味特征發(fā)生了較大的變化；而隨著時間的延長，不同時間段的樣品趨于集中，而且F、G、H、I又與其它的幾批，特別是蝦夷扇貝放置起始階段的樣品距離較遠。

圖1 電子鼻傳感器數(shù)據(jù)主成分分析得分圖Fig.1 Score diagram of principal component analysis for electronic nose date of Yesso scallop

基于歐氏距離計算方法，計算每個樣品電子鼻數(shù)據(jù)之間的距離，再以系統(tǒng)聚類方法中的類平均法為準則，得到聚類圖形如圖2所示：若以橫坐標的距離3為準則，很明顯可以將所有樣品大致分為3類，分別是以樣品A、B歸為一類，樣品C、D歸為一類，樣品E、F、G、H、I歸為一類。若以橫坐標的距離1.5為準則，縱坐標從下往上看，B可以歸為一類，D5可以單獨分為一類，A可以歸為一類，C1，C2，…，C7，D4，D6也可以歸為一類，D1，D2，D3，D7可以單獨歸為一類，E可以歸為一類，其余扇貝樣品的可以歸為一類，以上分類與主成分分析的結(jié)果大體上是一致的，除了第D批樣品比較分散，但其中多數(shù)與第C批樣品很接近，因此根據(jù)上述分析可以將鮮活蝦夷扇貝樣品區(qū)分成5個類別，分別是類別1：A，類別3：B，類別13：C和D，類別4：E，類別5：F、G、H和I。

圖2 不同放置時間蝦夷扇貝電子鼻數(shù)據(jù)聚類分析圖Fig.2 Clustering analysis of electronic nose date of Yesso scallop of different storage time

2.2 結(jié)合存活狀態(tài)及生理狀態(tài)建立不同等級蝦夷扇貝標準氣味指紋圖譜

統(tǒng)計不同放置時間蝦夷扇貝的開口率、縮邊率以及死亡率如圖3所示，剛剛在凈化池取出的扇貝，狀態(tài)良好，有扇貝特有鮮香氣味，以及淡淡的海水腥味，經(jīng)過24 h的極端脅迫環(huán)境放置，蝦夷扇貝已完全失去商業(yè)價值，死亡率接近58%，開口率88%，縮邊率100%，泡沫箱中散發(fā)出腥臭氣味。這說明24 h的極端脅迫環(huán)境放置較為完整的模擬了蝦夷扇貝在?；盍魍ㄟ^程中狀態(tài)變差的過程。SOD是機體內(nèi)存在的重要的超氧自由基清除因子，可把有害的超氧自由基轉(zhuǎn)化為過氧化氫[23]，如圖4a所示，在0到6小時區(qū)間內(nèi)，鮮活扇貝受到缺氧、高溫等外界環(huán)境脅迫后，SOD酶活性迅速上升，表現(xiàn)為誘導作用，這是因為扇貝產(chǎn)生了更多的SOD來抑制外界刺激產(chǎn)生的影響；而超過了9 h之后，SOD酶活性開始逐漸降低，表現(xiàn)為抑制作用，這是因為隨著時間的延長和應激反應影響的積累，扇貝產(chǎn)生SOD的生理功能受到了損傷，間接降低了SOD酶活性。呼吸是扇貝新陳代謝的基本生理活動，也可以反映環(huán)境條件對扇貝生理活動的影響[19]。如圖4 b所示，分批次將9種狀態(tài)（A～I）的扇貝放于在相同氧氣含量的海水中，由折線圖的總體趨勢可以看出扇貝樣品從A至I耗氧率是逐漸減少的，這在一定程度上反映了扇貝的生理狀態(tài)由好至差的過程。將長時間干露放置的扇貝重新放入海水中發(fā)現(xiàn)海水出現(xiàn)明顯的渾濁，而且隨著放置時間的延長海水的濁度逐漸增加（如圖4 c所示），這應該與干露放置條件下扇貝組織損傷脫落以及自溶有關(guān)。

圖3 不同放置時間蝦夷扇貝的存活狀態(tài)Fig.3 Survival status of yesso scallop of different storage time

圖4 不同放置時間蝦夷扇貝的SOD活力值、耗氧率及海水濁度Fig.4 Oxygen consumption,turbidity and SOD value of yesso scallop in different storage time

由不同放置時間蝦夷扇貝存活狀態(tài)及生理狀態(tài)的變化規(guī)律可以看出：扇貝A、B、C的開口率、縮邊率、SOD活力、溶氧率以及海水濁度均有明顯的變化，這說明扇貝在此階段的對于環(huán)境脅迫有著較為強烈的應激反應，扇貝A、B、C可以歸為3個不同類別；扇貝SOD酶活性變化的臨界點出現(xiàn)在扇貝C和D之間，同時扇貝C和D的耗氧率以及海水濁度沒有明顯變化，可以認為扇貝C和D可以歸為一類；另外扇貝D到E以及扇貝F到G扇貝的存活狀態(tài)及生理狀態(tài)表現(xiàn)出明顯變化，扇貝E到F以及扇貝G、H到I的存活狀態(tài)及生理狀態(tài)沒有明顯變化。除扇貝F以外，此結(jié)果與電子鼻數(shù)據(jù)主成分分析和聚類分析結(jié)果基本一致，雖然扇貝F生理指標還未到達最差狀態(tài)，但其已基本屬于無商業(yè)價值狀態(tài)范圍內(nèi)，也可以將F分到最差等級。結(jié)合各項指標與數(shù)理分析最終將9種放置時間的扇貝為5個等級：等級1（A）、等級2（B）、等級3（C、D）、等級4（E）以及等級5（F、G、H、I）。將9種放置時間扇貝的電子鼻數(shù)據(jù)平均整合得到5個等級的蝦夷扇貝電子鼻氣味指紋圖譜（如圖5所示）。

圖5 5個等級蝦夷扇貝電子鼻氣味指紋圖譜Fig.5 Electronic nose odor fingerprint for yesso scallop of five different grades

2.3 基于LVQ、PNN、SVM神經(jīng)網(wǎng)絡(luò)對測試樣品快速模式分類

2種測試用扇貝存活狀態(tài)以及生理狀態(tài)如表1所示，依據(jù)存活和生理指標的初步判斷，可以將待測樣品T、N預判為相似于等級3和等級4。

表1 2種測試用扇貝存活狀態(tài)以及生理狀態(tài)Table 1 Physiological indicators and survival indicators of two kinds of test yesso scallop

LVQ是一種用于訓練競爭層的輸入前向型神經(jīng)網(wǎng)絡(luò)，本研究采用LVQ1算法：計算距離輸入向量最近的競爭層神經(jīng)元，從而找到與之相連接的線性輸出層神經(jīng)元[24]。在建立學習向量量化（LVQ）神經(jīng)網(wǎng)絡(luò)前，首先設(shè)定訓練集和測試集，為預判測試樣品的等級，將新鮮蝦夷扇貝樣品A～I作為訓練集，將測試樣品T和N作為測試集，而將隱含層神經(jīng)元個數(shù)設(shè)置為8個，在高于這個數(shù)時會出現(xiàn)過擬合現(xiàn)象。在建立好模型后對測試樣品進行仿真，盡管對訓練集的判別分類正確率達到100%，然而對測試樣品T、N卻并沒有100%正確：第N批測試樣品的7次重復測量樣本都被判定為等級3，而第T批測試等級樣品的7次重復測量本有5個被判定為等級4，另外2個被判定為等級5，即對同一批樣品的預判沒有完成一致。LVQ神經(jīng)網(wǎng)絡(luò)雖無需對原始數(shù)據(jù)進行預處理，可以處理復雜模型且對噪聲干擾有一定的抑制，但是程序運行的時間較長，本試驗從創(chuàng)建網(wǎng)絡(luò)到實現(xiàn)仿真所用時間大約是27.026 s。

PNN是由徑向基函數(shù)網(wǎng)絡(luò)發(fā)展而來的一種前饋型神經(jīng)網(wǎng)絡(luò)[25]。本研究將蝦夷扇貝樣品A～I作為訓練集，將測試樣品T和N作為測試集，在有效的分布密度SPREAD值范圍中，隨機代入適當?shù)闹?，得到SPREAD選取為0.01到0.05之間預測效果較好。分類結(jié)果圖和預測效果圖如圖6所示，可以發(fā)現(xiàn)訓練集的分類正確率為100%，而預測效果為：第N批測試等級樣品都判為等級3，第T批測試等級樣品有2個被判為等級5，其它5個被判為等級4。由于PNN的訓練過程一步到位，訓練樣本可以直接賦值給網(wǎng)絡(luò)，故程序運行時間短，從創(chuàng)建網(wǎng)絡(luò)到實現(xiàn)仿真所用時間大約是9.121 s。

圖6 PNN神經(jīng)網(wǎng)絡(luò)分類結(jié)果圖和預測效果圖Fig.6 Classification result and predictive effect of probabilistic neural network

SVM主要思想是建立一個分類超平面作為決策曲面，使得正例和反例之間的隔離邊緣被最大化，而在提升分類器的性能方面，最好的方式是對SVM的參數(shù)優(yōu)化，在用SVM做分類預測時主要需要調(diào)節(jié)的是懲罰參數(shù)c和核函數(shù)參數(shù)g，試驗驗證表明，采用交叉驗證（cross validation, CV）的方法可以在某種意義下得到最優(yōu)的參數(shù)[25]。支持向量機（SVM）分類判別與其它多數(shù)神經(jīng)網(wǎng)絡(luò)一樣，先設(shè)定訓練集和測試集，為預判測試樣品的等級，將新鮮蝦夷扇貝樣品A～I作為訓練集，將測試樣品T和N作為測試集，在對原始數(shù)據(jù)分析處理前首先對其采用歸一化預處理。LIBSVM工具箱中主要函數(shù)為svmtrain和svmpredict，函數(shù)中options中除了懲罰參數(shù)c與核函數(shù)參數(shù)g為要調(diào)節(jié)的測試值，其它參數(shù)均設(shè)置為默認值，通過兩次交叉驗證參數(shù)網(wǎng)格尋優(yōu)，得到最優(yōu)參數(shù)c=0.353 55和g=4，交叉驗證準確率達到98.412 7%。訓練集和測試集樣品的分類結(jié)果如圖7所示，從圖中可以看出訓練集實際分類與預測分類是一致的，分類準確率為100%，測試樣品T全部預測為等級3，測試樣品N全部預測為等級4。本試驗從交叉驗證到仿真預測所用時間僅為7.652 s，在LVQ、PNN、SVM神經(jīng)網(wǎng)絡(luò)的分析結(jié)果對比中發(fā)現(xiàn)，在本研究條件下，SVM神經(jīng)網(wǎng)絡(luò)相對于其它網(wǎng)絡(luò)更為實用和精確。

2.4 便攜式品質(zhì)評價設(shè)備的探討及電子鼻傳感器的篩選

利用電子鼻并基于人工神經(jīng)網(wǎng)絡(luò)方法對活品蝦夷扇貝狀態(tài)等級進行了成功評價，這為活品蝦夷扇貝的快速評價提供了理論支持。然而，雖然電子鼻設(shè)備已經(jīng)具有了快捷、靈敏等優(yōu)點，但是其設(shè)備昂貴，維護和操作的技術(shù)要求高，這都制約該評價技術(shù)在實際生產(chǎn)中的推廣，這就要求一種簡單，可靠，價格低廉且攜帶方便的便攜式品質(zhì)評價設(shè)備來適應行業(yè)的需求。本研究所用電子鼻是由18種不同傳感器組成，而有針對性的評價設(shè)備不需要數(shù)量眾多的傳感器對所有的氣味物質(zhì)進行感知和檢測，所以篩選對樣品等級區(qū)分貢獻率最大的幾個傳感器以降低成本和提高可靠性是提高便攜式品質(zhì)評價設(shè)備可行性的最重要手段。

圖7 支持向量機神經(jīng)網(wǎng)絡(luò)參數(shù)網(wǎng)格尋優(yōu)和測試集分類圖Fig.7 Optimal model parameter and test data classification of support vector machine neural network model

將18種不同傳感器分別由18種變量x1～x18來表示。對于多變量數(shù)據(jù)，為了消除量綱和數(shù)量級的限制，需要對數(shù)據(jù)進行標準化變換處理，18種標準化變量分別是x1*～x18*。對標準化變量進行主成分分析，得到第一主成分的貢獻率就達到了97.129 6%，前2個主成分的累積貢獻率達到了99.706 9%，所以用2個主成分就可以基本解釋了整體樣品的信息。前2個主成分的表達式如下：

Y1=0.237 9x1*-0.237 6x2*-0.237 6x3*-0.236 8x4*-0.236 3x5*-0.235 9x6*+0.236 3x7*+0.239 0x8*+ 0.238 8x9*+0.237 5x10*+0.235 9x11*+0.237 1x12*+ 0.230 1x13*+0.237 0x14*+0.231 0x15*+0.239 0x16*+ 0.229 5x17*+0.229 0x18*

Y2=-0.074 4x1*-0.1542x2*-0.149 7x3*+0.117 9x4*-0.219 1x5*-0.235 3x6*-0.222 2x7*+0.000 1x8*+ 0.012 6x9*+0.162 2x10*-0.239 7x11*-0.187 5x12*-0.394 3x13*-0.143 5x14*-0.378 7x15*+0.001 7x16*+ 0.406 4x17*+0.421 6x18*

從第一主成分Y1的表達式可以看出，它在每個標準化變量上有絕對值相近的載荷，但是從第二主成分Y2的表達式中可以看出不同變量的載荷有較大幅度變化。嘗試從第二主成分Y2的表達式中選擇載荷絕對值最大的變量，共篩選出8個變量分別為：x5*、x6*、x7*、x12*、x13*、x15*、x17*、x18*，即傳感器LY2/Gctl，LY2/GCT，T30/1，PA/2，P30/ 1，P30/2，T40/1以及TA/2。首先將篩選出的8個傳感器作為標準化變量進行無監(jiān)督分類（主成分分析），得到前兩個主成分得分的散點圖（如圖8所示），能夠很清晰的將所有的樣品分為5類，而且分類結(jié)果與18個傳感器分類結(jié)果十分吻合。然后只考察這8個標準化變量將所有的原始樣本（訓練樣本）和測試樣本進行判別分析，選用距離判別中l(wèi)inear判別函數(shù)，經(jīng)過計算訓練樣本的誤判率為0，而測試樣本中測試樣品T都被判為第4等級，測試樣品N都被判為第3等級，這與前面選用18個傳感器進行神經(jīng)網(wǎng)絡(luò)的分類結(jié)果是一致的。

圖8 傳感器篩選后電子鼻數(shù)據(jù)主成分分析得分圖Fig.8 Score diagram of principal component analysis for electronic nose date after sensor collection of Yesso scallop

篩選后的8個變量間有較高的相關(guān)性，其中變量x5*和x6*的相關(guān)系數(shù)為0.999 8，達到了高度的正相關(guān)，而x7*與x12*及x13*與x15*的相關(guān)系數(shù)分別為0.999 4、0.999 1，也有較高的相關(guān)性。變量的相關(guān)系數(shù)很大，說明它們存在一定的共線性，但是在做判別分析時，無論去掉那個變量都不能準確預判測試樣本，而且誤判率較大，說明盡管存在共線性，但是每個變量都對樣本整體信息不可或缺，故這8個篩選出的傳感器為目前條件下的最優(yōu)和最簡化的篩選。

3 結(jié)論

本研究將電子鼻數(shù)據(jù)的主成分分析、聚類分析結(jié)果與存活指標（開口率、縮邊率以及死亡率）和生理指標（SOD值、耗氧率以及海水濁度）相結(jié)合把品質(zhì)變化過程中的蝦夷扇貝分成了5個等級：等級1（A）、等級2（B）、等級3（C、D）、等級4（E）以及等級5（F、G、H、I），分別得到每個等級的扇貝氣味指紋圖譜，并基于人工神經(jīng)網(wǎng)絡(luò)方法對活品蝦夷扇貝狀態(tài)等級進行了成功評價，這為活品蝦夷扇貝的快速評價提供了理論支持。3種神經(jīng)網(wǎng)絡(luò)均可以對測試樣品等級進行快速測定，其中支持向量機（SVM）神經(jīng)網(wǎng)絡(luò)兼具精確和快速的特點，測試樣品T全部預測為等級3，測試樣品N全部預測為等級4。本試驗從交叉驗證到仿真預測所用時間僅為7.652 s，相對于其它網(wǎng)絡(luò)更適用于活品扇貝的快速評價。另外，篩選得到的8個電子鼻傳感器,即LY2/Gctl，LY2/GCT，T30/1，PA/2，P30/1，P30/2，T40/1以及TA/2也可以對不同等級鮮活蝦夷扇貝氣味特征進行有效區(qū)分，這將大大降低該評價方法的設(shè)備成本，為便攜式品質(zhì)評價設(shè)備開發(fā)提供了技術(shù)支持。

[1]于笛，劉俊榮，楊君德，等．海水養(yǎng)殖蝦夷扇貝供應鏈可追溯管理體系的探討[J]．水產(chǎn)科學，2013，(2)：33-38．Yu Di,Liu Junrong,Yang Junde,et al．The supply chain traceability management system for yesso scallop Patinopecten yessoensisculture[J]．Fisheries Science,2013(2):33-38．(in Chinese with English abstract)

[2] 楊婷婷．采捕后活品蝦夷扇貝（Patinoyessoensis）的風味變化[D]．大連：大連海洋大學，2014．Yang Tingting．Post-harvestChangesin FlavorofLive Scalloppatinopecten Yessoensis[D]．Dalian:Dalian Ocean University, 2014．(in Chinese with English abstract)

[3]楊婷婷，劉俊榮，俞微微，等．活品流通過程中蝦夷扇貝風味品質(zhì)的變化[J]．水產(chǎn)學報，2015，39(1)：190-199．Yang Tingting,Liu Junrong,YuWeiwei,et al．Flavor attributes of scallop patinopecten yessoensis along the live supply chain[J]．Journal of Fisheries of China2015,39(1):190-199．(in Chinese with English abstract)

[4]傅潤澤，沈建，王錫昌．底播蝦夷扇貝活品流通前后揮發(fā)性成分的對比分析[J]．食品科學，2015，36(2)：110-114．Fu Runze,Shen Jian,Wang Xichang．Volatile compounds in sowing enhanced yesso scallop before and after transport[J]．Food Science,2015,36(2):110-114．(in Chinese with English abstract)

[5]Boothe D D H,Arnold J W．Electronic nose analysis of volatile compounds from poultry meat samples,fresh and after storage[J]．Journal of the Science of Food and Agriculture,2002(82):315-322．

[6]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):1315-1319．

[7]劉明，潘磊慶，屠康，等．電子鼻檢測雞蛋貨架期新鮮度變化[J]．農(nóng)業(yè)工程學報，2010，26(4)：317-322．Liu Ming,Pan Leiqing,Tu Kang,et al．Determination of egg freshness during shelf life with electronic nose[J]．Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2010,26(4):317-322．(in Chinese with English abstract)

[8] 佟懿，謝晶，肖紅，等．基于電子鼻的帶魚貨架期預測模型[J]．農(nóng)業(yè)工程學報，2010，26(2)：356-360．Tong Yi,Xie Jing,Xiao Hong,et al．Prediction model of shelf life of trichiurus haumela using an electric nose[J]．Transactions ofthe Chinese Society of Agricultural Engineering(Transactions of the CSAE),2010,26(2):356-360．(in Chinese with English abstract)

[9]劉輝，牛智有．基于電子鼻的魚粉中揮發(fā)性鹽基氮檢測模型比較[J]．農(nóng)業(yè)工程學報，2010，26(4)：322-326．Liu Hui,Niu Zhiyou．Comparison of total volatile basic nitrogen detection models in fishmeal based on electronic nose[J]．Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),2010,26(4):322-326．(in Chinese with English abstract)

[10]江津津，陳麗花，黎海彬，等．基于電子鼻的魚露香氣品質(zhì)識別[J]．農(nóng)業(yè)工程學報,2011，27(12)：374-380．Jiang Jinjin,Chen Lihua,Li Haibin,et al．Flavor identification of fishsaucebasedonelectronicnose[J]．Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2011,27(12):374-380．(in Chinese with English abstract)

[11]李靜，宋飛虎，浦宏杰，等．基于電子鼻氣味檢測的蘋果微波干燥方案優(yōu)選[J]．農(nóng)業(yè)工程學報，2015，31(3)：312-318．Li Jing,Song Feihu,Pu Hongjie,et al．Optimization of control strategy of microwave drying for apple based on online volatile measurement with electronic nose[J]．Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2015,31(3):312-318．(in Chinese with English abstract)

[12]Qiu S,Wang J,Tang C,et al．Comparison of ELM,RF,and SVM on E-nose and E-tongue to trace the quality status of mandarin (Citrus unshiu Marc)．[J]．Journal of Food Engineering,2015 (166):193-203．

[13]Qiu Shanshan,Gao Liping,Wang Jun．Classification and regression of ELM,LVQ and SVM for E-nose data of strawberry juice[J]．Journal of Food Engineering,2015(144):77-85．

[14]包曉安，張瑞林，鐘樂海．基于人工神經(jīng)網(wǎng)絡(luò)與圖像處理的蘋果識別方法研究[J]．農(nóng)業(yè)工程學報，2004，20(3)：109-112．Bao Xiaoan,Zhang Ruilin,Zhong Lehai,et al．Apple grade identification method based on artificial neural network and image processing[J]．Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2004,20 (3):109-112．(in Chinese with English abstract)

[15]劉晶晶，孫永海，謝高鵬，等．基于味覺傳感器陣列的玉米汁飲料分類辨識[J]．農(nóng)業(yè)工程學報，2012，28(24):265-270．Liu Jingjing,Sun Yonghai,Xie Gaopeng,et al．Classification identification of corn juices based on taste sensor array[J]．Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),2012,28(24):265-270．(in Chinese with English abstract)

[16]劉偉，劉長虹，鄭磊．基于支持向量機的多光譜成像稻谷品種鑒別[J]．農(nóng)業(yè)工程學報，2014，30(10)：145-150．Liu Wei,Liu Changhong,Zheng Lei,et al．Discrimination in varieties of rice seeds with multispectral imaging using support vector machine[J]．Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2014,30 (10):145-150．(in Chinese with English abstract)

[17]郝振林，唐雪嬌，丁君，等．不同高溫水平對蝦夷扇貝存活率、耗氧率和體腔液免疫酶活力的影響[J]．生態(tài)學雜志，2014，33(6)：1580-1586．Hao Zhenlin,Tang Xuejiao,Ding Jun,et al．Survival rate,oxygen consumption rate and immune enzymetic activity of Mizuhopecten yessoensis at high temperature[J]．Chinese Journal of Ecology,2014,33(6):1580-1586．(in Chinese with English abstract)

[18]栗志民，劉志剛，謝麗，等．體重和溫度對華貴櫛孔扇貝（Chlamys nobilis）耗氧率和排氨率的影響[J]．海洋與湖沼，2010，41(1)：99-105．Li Zhimin,Liu Zhigang,Xie Li,et al．effect of body weight and temperature on oxygen consumption and ammonia-n excretion rates of chlamys nobilis[J]．Oceanologia Et Limnologia Sinica, 2010,41(1):99-105．(in Chinese with English abstract)

[19]徐東，張繼紅，王文琪，等．溫度變化對蝦夷扇貝耗氧率和排氨率的影響[J]．中國水產(chǎn)科學，2010，17(5)：1101-1106．Xu Dong,Zhang Jihong,Wang Wenqi,et al．Effects of temperature elevation on oxygen consumption rate and ammonia excretion rate of Patinopecten yessoensis[J]．Journal of Fishery Sciences of China,2010,17(5):1101-1106．(in Chinese with English abstract)

[20]徐大倫，黃曉春，歐昌榮，等．滸苔多糖對華貴櫛孔扇貝血淋巴中SOD酶和溶菌酶活性的影響[J]．水產(chǎn)科學，2006，25(2)：71-74．Xu Dalun,Huang Xiaochun,Ou Changrong,et al．Effects of polysaccharide from alga entermorpha prolifera on activities of superoxidedismutase（SOD）and lysozyme（LSZ）in haemolymph of scallop chlamys nobilis[J]．Fisheries Science,2006,25(2):71-74．(in Chinese with English abstract)

[21]孫虎山，李光友．櫛孔扇貝血淋巴中超氧化物歧化酶和過氧化氨酶活性及其性質(zhì)的研究[J]．海洋與湖沼，2000，31(3)：259-265．Sun Hushan,LiGuangyou．Activitiesand propertiesof superoxide dismutase and catalase in the haemolymph of chlamys farreri[J]．Oceanologia Et Limnologia Sinica,2000,31 (3):259-265．(in Chinese with English abstract)

[22]顧賽麒，王錫昌，張晶晶，等．電子鼻在中華絨螯蟹產(chǎn)地鑒別及等級評定上的應用[J]．中國水產(chǎn)科學，2014，27(1)：108-117．Gu Saiqi,Wang Xichang,Zhang Jingjing,et al．Habitat recognition and grade evaluation of Chinese mitten crab（Eriocheir sinensis）using electronic nose[J]．Journal of Fishery Sciences of China,2014,27(1):108-117．(in Chinese with English abstract)

[23]宋志慧，孫欣欣，李捍東．斑馬魚對3種氯酚的富集作用及其SOD酶活性應激反應研究[J]．環(huán)境工程技術(shù)學報，2014，4 (4)：287-292．Song Zhihui,Sun Xinxin,Li Handong．Study on bioconcentration of three chlorophenols in zebrafish and SOD activity stress action[J]．Journal of Environmental Engineering Technology, 2014,4(4):287-292．(in Chinese with English abstract)

[24]施彥，韓力群，廉小親．神經(jīng)網(wǎng)絡(luò)設(shè)計方法與實例分析[M]．北京：北京郵電大學出版社,2009．

[25]韓敏．人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)[M]．大連：大連理工大學出版社，2014．

Quality evaluation of live Yesso scallop and sensor selection based on artificial neural network and electronic nose

Fu Runze1,2,Shen Jian1,Wang Xichang2,Liu Junrong3,Ni Jin1,Fan Wen1,2
(1.Fishery Machinery and Instrument Research Institute,Chinese Academy of Fishery Sciences,Shanghai 200092,China;2.College of Food Science and Technology,Shanghai Ocean University,Shanghai 201306,China;3.College of Food Science and Engineering,Dalian Ocean University,Dalian 116023,China)

Optimization of live Yesso scallop transportation technology needs to establish an effective and special quality evaluation method,however,the complicated and variable physiological parameters of live creature make the quality difficult to identify．The objective of this study was to investigate whether an electronic nose,comprising 18 metal oxide Semiconductor gas sensors,could be used for measuring and modeling quality changes of Yesso scallop during live transportation,and to discuss the feasibility of portable rapid evaluation equipment for live Yesso scallop.Third instar live scallops,8～12 cm,were purchased from a depuration workshop of Zhangzi Island,Dalian,China in May 2015.These scallops were just finished depuration and placed in stress environment(exposed in the air 24 h at 20℃,shocked and collided in a moving car),Samples were taken every 3 hours and recorded in chronological orderwere A,B,C,D,E,F,G,H, I and J,respectively.Two kinds of test scallops(T and N),8～12 cm,arriving at port that day,were purchased from a fish market in Jungong Road of Shanghai,China in May 2015.Sample N were purchased at 4 am;Sample T,which had been placed in a foam box covered with crushed ice,were purchased at 2 pm.For each batch of scallops,50 organisms were collected and three kinds of indicators were detected:survival indicators,physiological indicators and electronic nose odor fingerprints.Survival indicators included shell opening rate,skirt shrinking rate and death (skirt was unresponsive to stimuli)rate;Physiological indicators included SOD value,oxygen consumption rate and seawater turbidity;The Electronic nose utilized in this experiment was FOX 4 000 from Alpha-MOS.Two grams of the scallop tissue sample(the samples were analyzed in septuplicate)were placed in a 10 mL volume of a vial and heated at 50℃for 10 min,and 300 μl of headspace air was automatically injected into the e-nose by a syringe and sensor responses were recorded for 120 s(flushing with reference air).The maximum response points of e-nose,automatically recorded for each of 18 sensors,were used for analysis.The death rate,shell opening rate and skirt shrinking rate approached 58%,88%and 100%after 24 hours of placing in stress environment.These scallops had completely lost commercial value,and 24 hours of placing in stress environment was supposed to simulate the whole process of Yesso scallop′s quality dropping.The result of principal component analysis and clustering analysis of electronic nose data was used to combine with survival indicators and physiological indicators,then the quality of scallop was divided into five grades,respectively were Degree 1(Sample A), Degree 2(Sample B),Degree 3(Sample C and D),Degree 4(Sample E),Degree 5(Sample F,G,H and I.And standard electronic nose odor fingerprint was established for each grade.Two different grades of live scallop were tested by learning vector quantization neural network(LVQ),probabilistic neural network(PNN)and support vector machine neural network model(SVM)The training set were Sample A-I,test set were Sample N and T These three kinds of neural network all can make a rapid evaluation of test samples,and the accuracy rates of LVQ network for training set was 100%,but accuracy rates for test set was not 100%,and the running time was 27.026 s.The accuracy rates PNN network for training set was 100%,but accuracy rates for test set was also not 100%,and the running time was 9.121 s.The result of SVM network was both accurate and rapid:test sample T were all forecasted to level 4,test sample N were all forecasted to level 3,and the time from cross validation to simulation was just 7.652 s.Eight electronic nose sensors that screened by loading value of principal component analysis can also be used to distinguish the live scallop odor characteristics．A rapid evaluation method for Yesso scallop during live transportation had been successfullyestablished in this study,and the screening of electronic nose sensors would be used toprovide technical support for developing the portable quality evaluation equipment in further research．

neural network;sensors;models;Yesso scallop;live transportation;electronic nose;electronic nose odor fingerprint

10.11975/j.issn.1002-6819.2016.06.037

S24；S127

A

1002-6819（2016）-06-0268-08

2015-09-15

2016-01-22

國家現(xiàn)代農(nóng)業(yè)（貝類）產(chǎn)業(yè)技術(shù)體系建設(shè)專項（CARS-48-08B）

傅潤澤（1988-），男，博士研究生，研究方向為水產(chǎn)品加工與品質(zhì)評價。上海 中國水產(chǎn)科學研究院漁業(yè)機械儀器研究所，200092。

Email:furunze@fmiri.ac.cn