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(xué) 食品與生物工程學(xué)院，四川 成都， 610039)

豬肉是我國消費量最大的肉類，長期占據(jù)城鄉(xiāng)居民肉類消費量的60%以上[1]。由于豬肉生產(chǎn)特殊的周期性和對我國經(jīng)濟的重要影響，需要大量的儲備豬肉用于應(yīng)對突發(fā)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(diào)節(jié)肉價和肉類進(jìn)出口貿(mào)易的重要手段[2]。在嚴(yán)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(huán)境溫度變化過大都會引起冷凍肉品質(zhì)的劣變從而帶來潛在的食品安全風(fēng)險。因此各國對冷凍肉品的儲藏期都作了規(guī)范，如美國農(nóng)業(yè)部(USDA)、美國衛(wèi)生和公共服務(wù)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(guī)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(fēng)味、色澤、嫩度、持水力、失液率、脂質(zhì)氧化(TBARS)、揮發(fā)性鹽基氮(TVB-N)等反映豬肉品質(zhì)的重要指標(biāo)均出現(xiàn)顯著的劣變，嚴(yán)重降低其商業(yè)價值，甚至造成潛在的食品安全風(fēng)險，因此普遍認(rèn)為，冷凍豬肉的凍藏期不應(yīng)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(zhì)指標(biāo)與冷凍儲藏期有密切的聯(lián)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(jìn)行解凍的缺點。這極大的限制了對冷凍豬肉狀態(tài)監(jiān)督檢測的開展，造成了對冷凍肉品監(jiān)管的漏洞。

電子鼻是由選擇性的化學(xué)傳感器陣列與適當(dāng)?shù)哪Ｊ阶R別算法組成的一種嗅覺分析系統(tǒng)，具有識別簡單或復(fù)雜氣味的功能。由于冷凍豬肉儲藏過程中會發(fā)生脂肪與蛋白質(zhì)的氧化進(jìn)而引起風(fēng)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(jù)適當(dāng)?shù)哪Ｊ阶R別算法，就可以建立起豬肉冷凍儲藏期的預(yù)測模型。目前，食品行業(yè)已成功的采用電子鼻系統(tǒng)建立了谷物糧食的儲藏品質(zhì)[14]、葡萄酒鑒別[15]、水產(chǎn)品的貨架期[16～18]、豬肉TVB-N[19]、白酒品質(zhì)鑒別[20]、水果品質(zhì)[21]、茶葉品質(zhì)[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(tǒng)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(tǒng)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(shù)據(jù)，應(yīng)用主成分分析(PCA)、重復(fù)測量的方差分析對其數(shù)據(jù)特點進(jìn)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(jīng)網(wǎng)絡(luò)(ANN)等模式識別算法建立預(yù)測模型，從而建立針對豬肉冷凍儲藏期和凍藏前是否經(jīng)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(jiān)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(nèi)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(zhì)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(zhì)期為7 d)后，按A組方法進(jìn)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(shè)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(zhì))、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(jié)后，分別在第0、25、80、134、161、200、250天對樣品進(jìn)行電子鼻檢測。檢測參數(shù)為：洗氣時間60 s、調(diào)零時間5 s、樣品準(zhǔn)備時間5 s、進(jìn)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(dǎo)率G與基準(zhǔn)氣體通過時傳感器電導(dǎo)率G0的比值(即G/G0)為檢測數(shù)據(jù)進(jìn)行分析，共計獲得420個檢測數(shù)據(jù)。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(xù)冷凍儲藏，檢測過程中保持低溫使樣品不發(fā)生解凍。

1.4　數(shù)據(jù)處理

采用SPSS 22.0(IBM)軟件對60 s處的G/G0值數(shù)據(jù)進(jìn)行處理。分別選用用主成分分析(principle component analysis，PCA)、重復(fù)數(shù)據(jù)的方差分析和獨立樣本的非參數(shù)檢驗來觀察電子鼻區(qū)分不同冷凍儲藏時間和凍藏前是否經(jīng)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(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)算法來建立豬肉冷凍儲藏時間和凍藏前是否經(jīng)過長時間冷藏的預(yù)測模型，并對預(yù)測模型的性能進(jìn)行驗證。

2　結(jié)果與討論

2.1　電子鼻檢測數(shù)據(jù)的主成分分析與重復(fù)測量的方差分析

在多元數(shù)據(jù)的統(tǒng)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(biāo)的共線性問題，還可以通過產(chǎn)生“主成分”來降低指標(biāo)維度并利用主成分得分進(jìn)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(shù)據(jù)的PCA分析共提取2個主成分(特征值>1)，總貢獻(xiàn)率為85.04%，其中第一主成分貢獻(xiàn)率為59.37%，主要代表芳香類化合物的變化；第二主成分貢獻(xiàn)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?jǐn)?shù)據(jù)繪制散點圖見圖1。

圖1　凍藏豬肉電子鼻檢測數(shù)據(jù)的PCA結(jié)果Fig.1　PCA of electronic nose data of frozen pork

從圖1中可知，經(jīng)過PCA 分析后，除了儲藏0、25、80 d 的數(shù)據(jù)重合外，第134、161、200、250天數(shù)據(jù)都能較好區(qū)分。而儲藏0～80 d 的數(shù)據(jù)相對集中，這可能是由于在這一時間段內(nèi)凍藏豬肉的品質(zhì)劣變不顯著，其風(fēng)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(zhì)劣變不斷加劇，其風(fēng)味成分的差異也不斷加劇。這一結(jié)果從揮發(fā)性風(fēng)味成分的角度也證明了凍藏豬肉品質(zhì)發(fā)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(zhì)變化的研究中也得出了相似的結(jié)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(qū)分相同凍藏時間的A，B兩組樣品。由于在現(xiàn)實中存在將過期冷鮮肉回收轉(zhuǎn)為凍藏肉的情況，為進(jìn)一步了解A，B兩組樣品的多指標(biāo)結(jié)果是否具有顯著的差異，利用A，B兩組樣品電子鼻檢測數(shù)據(jù)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(jìn)行重復(fù)測量的方差分析，結(jié)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(nèi)效應(yīng)檢驗均表明凍藏時間對檢測結(jié)果影響顯著，而A，B分組的因素對檢測結(jié)果隨凍藏時間的變化影響不顯著(即凍藏時間與A，經(jīng)正態(tài)分布檢驗發(fā)現(xiàn)，在第80, 134, 250天的數(shù)據(jù)并不服從正態(tài)分布(p<0.05)。為了解在不同凍藏時間點A，B兩組間檢測結(jié)果的差異是否顯著，采用兩獨立樣本的非參檢驗對數(shù)據(jù)進(jìn)行分析，結(jié)果見圖2。

表1　電子鼻重復(fù)測量數(shù)據(jù)的組內(nèi)效應(yīng)方差檢驗Table 1　Group effect variance test of repeat measurement data by electronic nose

表2　電子鼻重復(fù)測量數(shù)據(jù)的組間效應(yīng)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(jié)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(jié)果具有極顯著的影響，這表明在4 ℃經(jīng)過長時間冷藏的冷鮮肉再轉(zhuǎn)為凍藏肉與新鮮凍藏豬肉的電子鼻檢測結(jié)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(jié)果差異顯著，而第25和200天時A，B兩組間檢測結(jié)果差異不顯著(p>0.05)。這表明經(jīng)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(jīng)發(fā)生了變化，但在凍藏過程中發(fā)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(nèi)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(fā)現(xiàn)，不同凍藏前狀態(tài)和不同凍藏時間的豬肉樣品的電子鼻檢測數(shù)據(jù)，在整體上均有顯著的差異，這為利用這些數(shù)據(jù)建立針對豬肉凍藏前狀態(tài)和凍藏時間的預(yù)測模型提供的基礎(chǔ)條件。

2.2　電子鼻檢測數(shù)據(jù)的線性判別分析

為建立相應(yīng)的預(yù)測模型，采用LDA方法對數(shù)據(jù)進(jìn)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(qū)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(shù)據(jù)按照分組方式和凍藏時間分為14個類別進(jìn)行LDA 分析，結(jié)果如圖3所示。用于作圖的判別函數(shù)其總貢獻(xiàn)率為78.7%，其中第一判別函數(shù)貢獻(xiàn)率為53.3%，第二判別函數(shù)貢獻(xiàn)率為25.4%。由圖3可知，經(jīng)過LDA 分析后，除了凍藏第0和25 d 的數(shù)據(jù)重合度較高外，其余第80～250 d的數(shù)據(jù)都能較好區(qū)分，說明在凍藏1個月內(nèi)豬肉樣品的劣變幾乎沒有發(fā)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(zhì)心分離明顯，與主成分得分的非參檢驗結(jié)果類似。

圖3　凍藏豬肉電子鼻檢測數(shù)據(jù)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(jīng)過長時間冷藏的鑒別能力，采用“留一法”對樣品進(jìn)行交叉驗證，結(jié)果見表3。結(jié)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(fā)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(dá)95.6%。這表明利用LDA對豬肉凍藏時間和凍藏前是否經(jīng)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(shù)據(jù)LDA分析的交叉驗證結(jié)果Table 3　Cross-validation results of LDA for frozen pork electronic nose test data

2.3　電子鼻檢測數(shù)據(jù)的人工神經(jīng)網(wǎng)絡(luò)分析

為建立更好的豬肉凍藏時間及凍藏前冷藏時間的預(yù)測模型，采用基于多層感知器的人工神經(jīng)網(wǎng)絡(luò)算法對數(shù)據(jù)進(jìn)行進(jìn)一步分析。ANN是一種模仿生物神經(jīng)網(wǎng)絡(luò)(動物的中樞神經(jīng)系統(tǒng)，特別是大腦)的結(jié)構(gòu)和功能的數(shù)學(xué)模型或計算模型，目前已被廣范的應(yīng)用于多元數(shù)據(jù)的估計或預(yù)測[25]。在處理中將420個樣品利用隨機函數(shù)分為3組，其中訓(xùn)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(xié)變量(即電子鼻10個傳感器的數(shù)據(jù))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(shù)據(jù)的凍藏時間預(yù)測的相對錯誤僅為0.008，對凍藏前是否經(jīng)過長時間冷藏的分組錯誤率僅7.2%(即預(yù)測正確率為92.8%，由于支持組數(shù)據(jù)不參與建模，其給出的誤差可比較真實的反映模型的預(yù)測能力。)模型對冷凍儲藏時間和凍藏前是否經(jīng)過長時間冷藏的預(yù)測結(jié)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(jīng)過長時間冷藏均有較好的預(yù)測能力。由于ANN生成的預(yù)測模型對凍藏時間生產(chǎn)的是一個回歸模型具有更大的預(yù)測范圍，而對凍藏前是否經(jīng)過長時間冷藏的分組也有更高的準(zhǔn)確率，因該ANN模型與LDA模型相比具有更好的預(yù)測性能。

a-豬肉凍藏時間預(yù)測結(jié)果；b-凍藏豬肉是否經(jīng)過長時間冷藏的分組預(yù)測結(jié)果圖4　基于多層感知器的神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果Fig.4　Neural network predictive results based onmultilayer perceptron

3　結(jié)論

(1)通過電子鼻無損頂空檢測及PCA和重復(fù)測量的方差分析對電子鼻檢測數(shù)據(jù)進(jìn)行分析發(fā)現(xiàn)，不同凍藏前狀態(tài)和不同凍藏時間的樣品均表現(xiàn)出不同的多元數(shù)據(jù)分布特點。這為通過電子鼻檢測數(shù)據(jù)的模式識別算法建立豬肉凍藏時間和凍藏前是否經(jīng)過長時間冷藏的預(yù)測模型提供了基礎(chǔ)條件。

(2)線性判別分析和基于多層感知器的神經(jīng)網(wǎng)絡(luò)算法均能建立豬肉凍藏時間和凍藏前是否經(jīng)過長時間冷藏的預(yù)測模型。不過采用基于多層感知器的神經(jīng)網(wǎng)絡(luò)算法所建立的預(yù)測模型對凍藏時間預(yù)測的線性更大，回歸函數(shù)的相關(guān)性更好，對凍藏前是否經(jīng)過長時間冷藏也有更高的分組預(yù)測的準(zhǔn)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(jìn)行復(fù)雜的前處理，快速高效可實現(xiàn)現(xiàn)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(yù)測分析[J]. 中國農(nóng)村經(jīng)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(dǎo)效應(yīng)及其原因分析——基于近 20 年的時間序列數(shù)據(jù)[J]. 中國農(nóng)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(zhì)的影響[D]. 長沙：湖南農(nóng)業(yè)大學(xué), 2013：23-30.

[9]夏秀芳. 凍藏溫度和時間對豬肉品質(zhì)影響的研究[C]. 中國機械工程學(xué)會包裝與食品工程分會 2010 年學(xué)術(shù)年會論文集, 北京：中國機械工程學(xué)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(tài)、TVB-N及TBARS的影響[J]. 食品工業(yè)科技, 2008(2):117-119.

[12]蔣立鳳, 葉扣貫. 豬肉在凍藏中揮發(fā)性鹽基氮含量的變化[J]. 肉類工業(yè), 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.