惠國華,陳裕泉

1.浙江工商大學食品與生物工程學院,杭州 310035;2.浙江大學生物醫(yī)學工程與儀器科學學院,杭州 310027

民以食為天,食以安為先。食品安全直接影響著人類的健康,也是世界各國相關(guān)部門研究的重點課題。糧食中富含碳水化合物、蛋白質(zhì)、脂肪以及無機鹽等成分,為人類和其它動物提供了豐富的營養(yǎng)。但糧食攜帶的微生物在適宜的條件下大量繁殖而導致糧食霉變,其中起主導作用的霉菌有黃曲霉、青曲霉、鐮刀曲霉等[1]。全世界每年有 5%～7%的糧食受霉菌污染,同時霉變產(chǎn)生的大量毒素也威脅人類健康。因此,糧食的霉變監(jiān)測對于指導糧食儲藏、運輸,及食品質(zhì)量與安全監(jiān)控意義重大。傳統(tǒng)的檢測方法主要有感官判斷法[2-5]、DNA探針法、聚合酶鏈式反應法、乳凝集反應法、顯微鏡檢驗法、薄層層析法 、酶聯(lián)免疫法、氣相色譜法 、高效液相色譜法、氣相色譜 -質(zhì)譜聯(lián)用法等,然而這些方法在準確性、檢測時間、靈敏度、選擇性、樣品前處理方法、樣品基質(zhì)干擾、價格等諸多方面存在著制約因素[6],很難滿足實際應用。

電子鼻是一種由具有部分選擇性的化學傳感器陣列和適當?shù)哪Ｊ阶R別系統(tǒng)組成,能夠識別簡單或復雜氣味的儀器[7]。糧食在霉變過程中會產(chǎn)生霉味、甜味、腐敗味、酸敗味等氣味揮發(fā)物,其主要成分為由微生物作用產(chǎn)生的硫化物、羥基類、醛基類等化合物[3]。作為人類嗅覺的延伸[8],電子鼻避免了人類主觀因素的干擾,檢測結(jié)果更為客觀、準確、穩(wěn)定,這使得電子鼻在食品、化妝品、化工過程控制、香料香精等領(lǐng)域有著廣泛應用[9-10]。電子鼻的概念是由英國 Warwick大學的Persand等在1982年提出[11]。國內(nèi)外許多研究人員將電子鼻技術(shù)應用于糧食檢測領(lǐng)域,如 Josson等考察了微生物釋放特征氣味,結(jié)合神經(jīng)網(wǎng)絡模式識別算法,預測糧食品質(zhì)[12]。Evans等則研究了糧食霉變早期揮發(fā)性氣體成分的變化特點[13],Olsson等則結(jié)合了氣相色譜技術(shù)去分析糧食樣品[14]。在合適的數(shù)學工具幫助下,能夠從一個特定樣品中識別氣味模式并幫助區(qū)分其他樣品[15]。國內(nèi)電子鼻系統(tǒng)開發(fā)也取得了可喜的成就,如鄒小波等研制出一套能快速檢測谷物是否霉變的電子鼻,可以快速、準確地判定所測谷物是否霉變[1]。潘天紅等研制出一套谷物霉變識別電子鼻系統(tǒng),該裝置能快速準確地判別幾種谷物的霉變情況,識別準確率為92.19%[16]。張紅梅等研制的電子鼻系統(tǒng)對稻谷霉變程度的檢測具有很高的分析精度[17]。信號特征提取是電子鼻系統(tǒng)非常重要的技術(shù),傳統(tǒng)的方法主要有主成分分析法、因子分析、聚類分析、偏最小二乘法、人工神經(jīng)網(wǎng)絡等[16-20]。主成分分析法用少數(shù)幾個綜合變量替代原始多變量而起到數(shù)據(jù)降維效果,同時該方法通過計算綜合主成分函數(shù)得分,并側(cè)重于信息貢獻影響力對原始數(shù)據(jù)進行綜合評價,在智能化儀器模式識別領(lǐng)域中應用廣泛。因子分析通過對原始變量的信息重組尋求影響變量的共同因子,并且因子變量具有清晰的物理解釋,但該方法在計算因子得分時采用最小二乘法導致結(jié)果可能無效。聚類分析具有直觀簡明的表現(xiàn)形式,但在樣本量較大時獲得聚類結(jié)果較為困難。偏最小二乘法可有效的克服樣本容量低于變量個數(shù)時回歸建模的問題,但當一個或幾個影響點存在就會導致回歸結(jié)果失效。人工神經(jīng)網(wǎng)絡屬于一種人工智能理論,在輸入樣本較多的情況下會出現(xiàn)訓練速度和效率降低,預報精度下降的問題,需要多次學習,這些問題影響了人工神經(jīng)網(wǎng)絡方法在智能分析領(lǐng)域的應用。

本文構(gòu)建了一整套電子鼻系統(tǒng),采用非線性雙穩(wěn)態(tài)隨機共振方法提取四種谷物霉變過程的特征信息,同時該方法可以有效的解決半導體氣敏傳感器的基線漂移問題。將隨機共振輸出信噪比進行主成分分析,結(jié)果表明該系統(tǒng)可以快速準確的判斷四種谷物樣品的霉變程度。

1 電子鼻系統(tǒng)及實驗

1.1 電子鼻系統(tǒng)

圖1為電子鼻檢測系統(tǒng)結(jié)構(gòu)示意圖,主要包括數(shù)據(jù)采集、調(diào)理與傳輸單元,傳感器陣列及氣室,以及供氣動力裝置三個部分。數(shù)據(jù)采集、調(diào)理與傳輸單元核心器件采用 TI公司 MSP430微處理器,傳感器陣列及氣室部分包括 8個選定的半導體氣敏傳感器及其各自獨立的工作腔體、控制傳感器陣列信號采集、傳輸,泵閥開啟控制等功能。供氣動力裝置包括氣體采樣泵,氣室清洗泵,相關(guān)電磁閥等部件。

圖1 檢測系統(tǒng)結(jié)構(gòu)示意圖

傳感器陣列采用費加羅公司 8種半導體氣體傳感器構(gòu)成敏感器件陣列,傳感器特性如表 1所示。氣室采用聚四氟乙烯材料制成,每個傳感器的氣室獨立,樣品氣/清洗氣均勻泵入每個傳感器的氣室,這樣做的優(yōu)點在于避免了多個傳感器共一氣室而形成的相互間干擾,提高檢測精度。

表1 氣體傳感器陣列構(gòu)成

1.2 谷物霉變檢測實驗

許多谷物經(jīng)存放后特征參數(shù)有較大的變化[21-22],引起谷物霉變主要是黃曲霉、鐮刀曲霉、青曲霉、寄生曲霉等霉菌,最適于這些霉菌生長的條件為：濕度 80%～90%和溫度 25℃～30℃。本文選擇的黑芝麻、大米、燕麥和蕎麥四種谷物均購買于物美超市,每種谷物取 3個平行樣本,每個樣本稱取50克置于樣品瓶中,并保持樣品處于最適合霉菌生長的條件。我們分別于第二天、第三天、第四天和第五天使用電子鼻系統(tǒng)檢測四種谷物的 12個樣本,每個樣本重復檢測 3次后取平均值,輸入隨機共振模型進行數(shù)據(jù)處理。

1.3 隨機共振模型

隨機共振是一種在非線性系統(tǒng)中噪聲起促進作用的反直觀的現(xiàn)象,在信號處理領(lǐng)域已經(jīng)得到了廣泛的應用[23-31],通常以輸出信號的信噪比表征隨機共振。隨機共振系統(tǒng)包含三個因素：雙穩(wěn)態(tài)系統(tǒng),輸入信號以及外加噪聲源。常以一個在雙穩(wěn)態(tài)勢阱中被周期力驅(qū)動的過阻尼布朗運動粒子來描述系統(tǒng)特性。

V(x)為非線性對稱勢函數(shù),ξ(t)為高斯白噪聲,其自相關(guān)函數(shù)為：E[ξ(t)ξ(0)]=2Dδ(t),a是輸入信號強度,f0是調(diào)制信號頻率,D是噪聲強度,μ是一個實參數(shù),

因此式(1)可以改寫為：

目前最普遍的反應隨機共振特性的是信噪比,這里我們將信噪比定義為：

S(ω)是信號頻譜密度,SN(Ω)是信號頻率范圍內(nèi)的噪聲強度。

2 谷物霉變檢測實驗結(jié)果

2.1 傳感器陣列對霉變谷物的響應

圖2是霉變谷物樣品檢測實驗中 8個傳感器響應圖,各傳感器輸出電壓開始較低,隨著霉變谷物產(chǎn)生的揮發(fā)氣體富集在傳感器表面,傳感器輸出電壓不斷增大,達到極大值后開始下降,8條曲線代表 8個傳感器的響應。

圖2 霉變谷物揮發(fā)物檢測中傳感器的信號變化

圖3 谷物樣品檢測信號雷達圖

圖3所示是谷物樣品霉變程度檢測數(shù)據(jù)的雷達圖,可以觀察出在第二天 8個傳感器對四種樣品響應程度并沒有沒有太大差異,傳感器 4對四種霉變谷物樣品的響應比其余傳感器大。隨著存放時間的增加,四種樣品均開始出現(xiàn)霉變,而且黑芝麻樣品和大米樣品比燕麥和蕎麥樣品的響應變化大,傳感器1、傳感器 2、傳感器 4和傳感器 7的響應有明顯變化。對比四種樣品的實際物化狀態(tài),所有谷物樣品確實出現(xiàn)了不同程度的霉變。

2.2 測試樣本的隨機共振分析與主成分分析

Benzi等人提出該理論用來解釋地球冰川期周期出現(xiàn)的現(xiàn)象[23,25],隨機共振是一種致力于檢測微弱信號特征的非線性方法,這種方法的一個好處在于并非消除檢測系統(tǒng)中的噪聲干擾信號,而采用噪聲調(diào)制目標信號產(chǎn)生共振效應,檢測特征值得到增強從而易于檢出[18-20]。此外,半導體型氣敏傳感器由于工作溫度較高(高于400℃),長時間工作基線易出現(xiàn)漂移現(xiàn)象,成為電子鼻技術(shù)發(fā)展的難題[32],解決的方法有每次檢測前對傳感器進行清洗和標準化[33],這些因素不但降低了儀器檢測精度,同時增加了儀器操作的復雜性。我們將四種谷物樣品的檢測數(shù)據(jù)輸入信噪比譜分析系統(tǒng),調(diào)節(jié)噪聲強度得到谷物霉變檢測信號的共振信噪比曲線,如圖 4所示,可以有效的克服氣體傳感器因工作時間長而導致的基線漂移問題,因此本文不直接采用傳感器陣列響應信號進行模式識別分析,而將傳感器陣列響應信號以隨機共振方法處理后再進行主成分分析給出檢測結(jié)果。

圖4 檢測樣品的隨機共振輸出信噪比分析結(jié)果

隨機共振信噪比分析方法是一種新的信號特征提取技術(shù)[29-31]。谷物霉變檢測數(shù)據(jù)在沒有進行前處理(濾波、平滑、二次采樣等)的情況下輸入隨機共振系統(tǒng),得到各檢測樣品的信噪比曲線。每種霉變谷物的傳感器陣列特征峰的高度及相應的噪聲強度值均不同,黑芝麻的傳感器陣列信噪比特征峰范圍為[-55,-49],對應噪聲強度約為 195;大米為[-54,-47],對應噪聲強度約為 180;燕麥為[-56.6,-48],對應噪聲強度約為190;蕎麥為[-55.5,-45],對應噪聲強度約為 170。因此,通過對檢測信號施加噪聲激勵使其產(chǎn)生共振,將傳感器陣列對霉變谷物樣品的響應信號差異轉(zhuǎn)換為輸出信噪比曲線特征的差異。由于半導體氣敏傳感器一般工作在 200℃～400℃,長時間工作會出現(xiàn)極限漂移的現(xiàn)象,若直接將傳感器陣列響應信號進行主成分分析,勢必將基線漂移引起的誤差引入到檢測結(jié)果中,降低了電子鼻系統(tǒng)的檢測精度。采用雙穩(wěn)態(tài)隨機共振系統(tǒng)將響應信號轉(zhuǎn)換為信噪比曲線特征差異,可以有效的消除基線漂移的干擾,提高檢測精度。

圖5 谷物霉變程度主成分分析結(jié)果

圖5為各霉變谷物樣品的信噪比曲線的主成分分析結(jié)果,主成分 1和主成分 2總貢獻率為90.3%。第二天四種谷物樣品之間氣味差異較大,第三天的差異縮小,至第四天谷物樣品間氣味差異最為接近,而且這三天谷物樣品氣味變化有一定的連續(xù)性。第五天范圍與前三天各組區(qū)分明顯且范圍增大,表明谷物樣品氣味相比前三天變化明顯,不同種類谷物的個體差異比前三天增大。在主成分 1和主成分 2所確定的平面中,不同霉變程度(天數(shù)不同)的谷物樣品得到良好的區(qū)分。事實上,第五天時谷物霉變已較明顯。黑芝麻和大米樣品前三天呈現(xiàn)緩慢上升的趨勢,至第五天霉變已較明顯,兩種谷物均出現(xiàn)不同程度的成團結(jié)塊現(xiàn)象,大米米粒開始發(fā)黃,有發(fā)酵味產(chǎn)生。燕麥樣品霉變過程較為緩慢,在前三天響應值維持在較低水平,但顏色變灰變暗,但在第五天出現(xiàn)明顯變化,部分樣品粘附于樣品皿上,局部出現(xiàn)灰黑色并揮發(fā)出濃烈的氣味。蕎麥第三天外殼已明顯軟化,部分出現(xiàn)破殼,體積略有膨脹,第五天已經(jīng)呈現(xiàn)明顯的霉味。

3 結(jié)語

本文研制了一套基于半導體氣敏傳感器陣列和非線性雙穩(wěn)態(tài)隨機共振的電子鼻系統(tǒng),實驗檢測了黑芝麻、大米、燕麥和蕎麥四種谷物的霉變過程實驗數(shù)據(jù),采用雙穩(wěn)態(tài)隨機共振方法將傳感器對谷物霉變程度的響應信號差異轉(zhuǎn)換為輸出信噪比曲線特征的差異,該方法可有效的克服半導體型氣敏傳感器在高溫下長時間工作引發(fā)的基線漂移現(xiàn)象。并采用主成分分析方法對四種谷物的霉變程度進行分類。結(jié)果表明該電子鼻系統(tǒng)可以區(qū)分四種谷物樣品的霉變程度。檢測方法直觀、簡便、快速,且實驗數(shù)據(jù)無需任何前處理,具有較好的實際應用價值。但是所構(gòu)建的電子鼻系統(tǒng)還處于實驗階段,還有很多問題需要進一步研究和細化,我們將開展一項長期的研究計劃,進一步探索電子鼻技術(shù)在食品質(zhì)量與安全、生物醫(yī)學工程等領(lǐng)域的應用。

[1]鄒小波,趙杰文.電子鼻快速檢測谷物霉變的研究[J].農(nóng)業(yè)工程學報,2004,20(4)：121-124.

[2]李隆術(shù),靳祖訓.中國糧食儲藏科學研究若干重大成就[J].糧食儲藏,1999,(6)：3-12.

[3]王肇慈,孫明.國內(nèi)外糧食儲藏品質(zhì)評價與技術(shù)狀況[J].南京經(jīng)濟學院學報,1997,(4)：64-66.

[4]任如杉,萬艷芬,胡雅麗,等.糧情測控系統(tǒng)在糧食儲藏中的應用[J].糧食流通技術(shù),2002,(4)：36-39.

[5]趙玉霞.糧食儲藏中糧堆溫度與大氣溫度之關(guān)系[J].糧油食品科技,2002,10(6)：1-5.

[6]吳莉莉,林愛英.電子鼻檢測技術(shù)在糧食霉變識別中的應用研究[J].安徽農(nóng)業(yè)科學,2009,37(21)：10133-10135.

[7]Persand K,Dodd G H.Analysis of Discrimination Mechanisms in the Mammalian Olfactory System Using a Model Nose[J].Nature,1982,299(5881)：352-355.

[8]胡衛(wèi)軍,許改霞,王平.電子鼻和電子舌在航天醫(yī)學檢測中的應用[J].國外醫(yī)學生物醫(yī)學工程分冊,2005,4(28)：213-217.

[9]張紅梅,何玉靜.電子鼻技術(shù)在糧食質(zhì)量檢測中的應用[J].農(nóng)機化研究,2009,3：181-182.

[10]杜鋒,雷鳴.電子鼻及其在食品工業(yè)中的應用[J].食品科學,2003,24(5)：161-163.

[11]Gardner JW,Bartlett PN.A Brief History of Electronic Nose[J].Sensors and ActuatorsB,1994,18/19：211-220.

[12]Jonsson A,Winquist F,Schnurer J,etal.Electronic Nose for Microbial Quality Classification of Grains[J].International Journal of Food Microbiology,1997,35：187-193.

[13]Magan N,Evans P.Volatiles as an Indicator of Fungal Activity and Differentiation Between Species,and the Potential Use of Electronic Nose Technology for Early Detection of Grain Spoilage.

[14]Olsson J,Borjesson T,Lundstedt T.Detection and Quantification of Ochratoxin A and Deoxynivalenol in Barley Grains by GC-MS and Electronic nose[J].International Journal of Food Microbiology,2002,72：203-214.

[15]Balasubramanian S,Panigrahi S,Kottapall IB,et al.Evaluation of an ArtificalO flactrory System for Grain Quality Discrimination[J].LWT,2007,40：1815-1825.

[16]潘天紅,陳山,趙德安.電子鼻技術(shù)在谷物霉變識別中的應用[J].儀表技術(shù)與傳感器,2005,(3)：51252.

[17]張紅梅,王俊,葉盛,等.電子鼻傳感器陣列優(yōu)化與谷物霉變程度的檢測[J].傳感技術(shù)學報,2007,20(6)：1207-1210.

[18]Paolesse R,Alimelli A,Martinlli E,etal.Detection of Fungal Contamination of Cereal Grain Samplesby an electronic Nose[J].Sensors and Actuators B,2006,119(2)：425-430.

[19]Evans P,Persaud K C,McNeish A S,et al.Evaluation of a Radial Basis Function Neural Networks for the Determination of Wheat Quality from Electronic Nose Data[J].Sensors and Actuators B,2000,69：348-358.

[20]Abramson D,Hulasare R,York R K,et al.Mycotoxins,Ergosterol,and Odor Volatiles in Durum Wheat During Granary Stroage at 16%and 20%Moisture Content[J].Journal of Storaged Products Research,2005,41：61-76.

[21]周惠明,張奕.大米品質(zhì)改良的現(xiàn)狀及思路[J].糧食與飼料工業(yè),1998,4：10-11.

[22]周建新.論糧食霉變中的生物化學[J].糧食儲藏,2004,32(1)：9-12.

[23]Benzi R,Sutera A,Vulpiana A.The Mechanism of Stochastic Resonance[J].JPhys A,1981,14：L453-L456.

[24]Jung P,Hanggi P.Amplification of Small Signals Via Stochastic Resonance[J].Physical Review A,1991,44：8032-8042.

[25]Gammaitoni L,Hanggi P.Stochastic Resonance[J].Reviews of Modern Physics,1998,71：223-287.

[26]Chapean-Blondeau F.Stochastic Resonance at Phase Noise in Signal Transmission[J].Physical Review E,2000,61：940-943.

[27]Harmer G P,Davis B R,Abbott D.A Review of Stochastic Resonance：Circuits and Measurement[J].IEEE Transactions on Instrumentation and Measurement,2002,51：299-309.

[28]Wenning G,Obermayer K.Activity Driven Adaptive Stochastic Resonance[J].Physical Review Letters,2003,90：120602_1-120602_4.

[29]惠國華,陳裕泉.基于碳納米管微傳感器陣列和隨機共振的氣體檢測方法研究[J].傳感技術(shù)學報,2010,23(2)：179-182.

[30]吳莉莉,惠國華,郭淼,等.基于隨機共振的氣敏傳感器陣列信號的識別研究[J].傳感技術(shù)學報,2009,22(5)：664-668.

[31]Teng-Hao Wang,Guo-Hua Hui,Shao-Ping Deng.A Novel Sweet Taste Cell-Based Sensor[J].Biosensors and Bioelectronics,2010,doi：10.1016/j.bios.2010.06.049.

[32]張敏,田逢春,代才莉.醫(yī)用電子鼻傳感器系統(tǒng)的發(fā)展[J].傳感器與微系統(tǒng),2006,25(4)：1-4.

[33]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)：317-321.