王凱麗　董文江　谷風(fēng)林　張彥軍　陸敏泉

摘 要 利用電子舌技術(shù)結(jié)合多元數(shù)據(jù)分析對(duì)不同焙炒度（淺度、中度、深度）的咖啡豆進(jìn)行區(qū)分。原始電子感官數(shù)據(jù)經(jīng)歸一化處理后，采用主成分分析（PCA）對(duì)其進(jìn)行解析，結(jié)果表明：不同焙炒度的咖啡樣品基本能夠按各自特性聚為一類，擴(kuò)展正則變量分析（ECVA）對(duì)樣品的分類結(jié)果與PCA解析后的結(jié)果一致；比較不同的有監(jiān)督模式識(shí)別方法：K-最近鄰法（KNN）、偏最小二乘判別分析（PLS-DA）和最小二乘-支持向量機(jī)（LS-SVM）所建立模型對(duì)未知樣品的預(yù)報(bào)能力，其中LS-SVM模型的預(yù)報(bào)結(jié)果較好，其識(shí)別率和預(yù)報(bào)率均為100%。

關(guān)鍵詞 電子舌；焙炒咖啡；焙炒度；多元數(shù)據(jù)分析

中圖分類號(hào) TS274 文獻(xiàn)標(biāo)識(shí)碼 A

由于咖啡具有特殊的香氣和滋味使其消費(fèi)量和受歡迎度逐漸增加，生咖啡豆無咖啡特有的香氣，必須經(jīng)過焙炒過程，才能形成沖泡咖啡所特有的香氣、滋味及色澤等，因此焙炒是咖啡加工過程中最重要的步驟之一。焙炒過程中溫度和時(shí)間條件對(duì)咖啡豆的化學(xué)、物理特性的改變起至關(guān)重要的作用，依據(jù)不同的焙炒時(shí)間和溫度下所得焙炒豆的特性可將其分為淺度、 中度和深度3類[1]。焙炒過程中咖啡豆的化學(xué)組成、生物活性發(fā)生顯著地變化，酚類化合物可能會(huì)損失，其它的抗氧化活性和風(fēng)味物質(zhì)會(huì)形成，如美拉德反應(yīng)和焦糖化反應(yīng)產(chǎn)物等[2]。

通常用于評(píng)價(jià)咖啡豆的質(zhì)量及其焙炒度的指標(biāo)包括水分含量、失重、密度、顏色和風(fēng)味，上述因素中風(fēng)味對(duì)消費(fèi)者喜好影響最為重要且決定最終產(chǎn)品（飲料）的質(zhì)量[3]。目前研究咖啡風(fēng)味的方法主要有氣相色譜法（GC）、氣相色譜-質(zhì)譜聯(lián)用（GC-MS）、氣相色譜-嗅覺測(cè)量法（GC-O）、電子鼻（E-nose）和電子舌（E-tongue）等[4-7]?？Х戎酗L(fēng)味物質(zhì)極其復(fù)雜和多樣，采用傳統(tǒng)風(fēng)味分析技術(shù)雖能夠表征其風(fēng)味成分，但分析成本昂貴、耗時(shí)、前處理復(fù)雜、勞動(dòng)強(qiáng)度大[8]。電子舌已被廣泛成功的應(yīng)用于食品的分類和質(zhì)量評(píng)價(jià)中，如酒、果汁、蔬菜汁、橄欖油及茶葉等[9-13]，由于其靈敏度高、分析時(shí)間短且提供的數(shù)據(jù)與傳統(tǒng)的感官評(píng)價(jià)結(jié)果密切相關(guān)，因此在食品的質(zhì)量評(píng)價(jià)中非常有用。電子舌技術(shù)也被用于咖啡的質(zhì)量控制中，Almario等[14]采用基于聚吡咯傳感器陣列的電子舌系統(tǒng)對(duì)5種不同商業(yè)咖啡進(jìn)行鑒別，不同種類的樣品在主成分分析的三維得分投影圖上分離較好；Ferreira等[15]通過基于納米結(jié)構(gòu)膜和阻抗譜的電子舌系統(tǒng)區(qū)分不同種類的咖啡液，并利用隨機(jī)子空間方法和主成分分析對(duì)人為感官評(píng)價(jià)進(jìn)行預(yù)測(cè)，預(yù)測(cè)得分和傳統(tǒng)杯品得分的皮爾遜相關(guān)系數(shù)為0.964；Bona等[16]利用電子舌技術(shù)結(jié)合人工神經(jīng)網(wǎng)絡(luò)對(duì)不同類別的速溶咖啡進(jìn)行區(qū)分，神經(jīng)網(wǎng)絡(luò)模型對(duì)未知樣品的正確識(shí)別率達(dá)到100%；化學(xué)計(jì)量學(xué)中的多元數(shù)據(jù)分析在處理復(fù)雜樣品和大量數(shù)據(jù)時(shí)優(yōu)勢(shì)明顯，能夠最大程度的提取有用信息，Qin等[17]采用手持式多電極電子舌結(jié)合多元數(shù)據(jù)分析區(qū)分不同存放時(shí)間的米酒，反傳人工神經(jīng)網(wǎng)路（BP-ANN）模型的結(jié)果最好；Qiu等[18]通過電子鼻和電子舌技術(shù)鑒別不同加工方法的草莓汁并考察不同多元回歸方法對(duì)其主要感官指標(biāo)的預(yù)報(bào)能力，取得令人滿意的結(jié)果。

目前還沒有采用電子舌技術(shù)鑒別不同焙炒度咖啡的報(bào)道。因此，本研究利用電子舌分析技術(shù)、結(jié)合多元數(shù)據(jù)分析區(qū)分不同焙炒度的咖啡樣品，采用主成分分析（PCA）解析歸一化數(shù)據(jù)矩陣了解樣品的空間分布情況，考察擴(kuò)展正則變量分析（ECVA）對(duì)樣品的分類結(jié)果，并與PCA結(jié)果比較。同時(shí)比較多種有監(jiān)督模式識(shí)別方法KNN、PLS-DA和LS-SVM模型對(duì)未知樣品的預(yù)測(cè)能力，以期選擇最適合應(yīng)用于電子舌技術(shù)的模式識(shí)別方法，實(shí)現(xiàn)咖啡焙炒度的快速預(yù)測(cè)。

1 材料與方法

1.1 材料

咖啡鮮果采摘于中國(guó)熱帶農(nóng)業(yè)科學(xué)院香料飲料研究所咖啡試驗(yàn)基地，選擇成熟、紅色、無病蟲害的果實(shí)采摘，總共收集到16個(gè)不同批次的樣品，分別采用熱風(fēng)恒溫干燥（T=40 ℃）至水分含量約為10%，機(jī)械脫殼得到生咖啡豆，貯存于通風(fēng)、干燥、避光的環(huán)境中保存用于下一步分析。

Alpha M.O.S電子舌分析系統(tǒng)（法國(guó)Alpha M.O.S公司）；AL204型電子分析天平（梅特勒-托利多儀器有限公司）；PRE 1 Z型咖啡豆烘焙機(jī)（德國(guó)probat儀器公司）；VTA-6S3型咖啡豆研磨機(jī)（德國(guó)MAHLKONIG儀器公司）；Xrite-SP62型色差分析儀（美國(guó)Xrite測(cè)色公司）；Master-s-plus UVF型全自動(dòng)超純水系統(tǒng)（上海和泰儀器有限公司）；MB45型快速水分測(cè)定儀（瑞士奧豪斯儀器公司）。實(shí)驗(yàn)用水全部為超純水。

1.2 方法

1.2.1 焙炒樣品的制備 精密稱取100.00 g生咖啡豆放入滾筒式咖啡烘焙機(jī)中，初始下鍋溫度為180 ℃，保持火力為6.5，焙炒時(shí)間分別為7.5、9.5、11.5 min，分別得到3種不同焙炒度的樣品（淺度、中度、深度），重復(fù)2次，共制備96個(gè)不同焙炒度的樣品（16個(gè)批次 3個(gè)焙炒度 2個(gè)平行，見表1）。隨機(jī)取樣將樣品分為校正集（Ncal=60）和預(yù)報(bào)集（Npre=36），上述試樣經(jīng)研磨后得到粒徑為80 mm左右的粉末樣品，密封后放置于超低溫冰箱中用于理化指標(biāo)檢測(cè)及電子舌分析。

1.2.2 理化指標(biāo)檢測(cè) 水分含量/%：準(zhǔn)確稱量1.00 g粉末樣品放置于水分快速測(cè)定儀中測(cè)定，讀數(shù)，即為水分含量的百分比。平行測(cè)定3次。

失重：分別測(cè)定100.00 g生咖啡豆在烘焙前和烘焙后的重量，計(jì)算其差值，即為咖啡焙炒的失重。平行測(cè)定3次。

顏色測(cè)定：準(zhǔn)確稱量1.80 g試樣置于色差分析儀中檢測(cè)，光源為D62（6 500 K），測(cè)定指標(biāo)包括L*、a*、b*、ho。平行測(cè)定3次。

1.2.3 提取液的制備 準(zhǔn)確稱量8.25 g粉末試樣加入250 mL燒杯中，加入150 mL溫度為95 ℃的熱水，恒溫加熱5 min。待冷卻至室溫后，過濾，濾液保存在4 ℃冰箱中用于電子舌分析。

1.2.4 電子舌分析 電子舌系統(tǒng)（a-Astree， Alpha M.O.S Company， France）用于采集咖啡提取液的電子感觀數(shù)據(jù)，此儀器共包括7個(gè)電位計(jì)化學(xué)傳感器（ZZ、JE、BB、CA、GA、HA和JB），參比電極Ag/AgCl，數(shù)據(jù)采集系統(tǒng)，和基本數(shù)據(jù)分析軟件，因ZZ傳感器檢測(cè)值偏高，可能傳感器已損壞，因此僅采用除ZZ外，剩余6個(gè)傳感器進(jìn)行本實(shí)驗(yàn)的分析。樣品量為80 mL以確保傳感器能被完全浸入液體中，每個(gè)試樣的檢測(cè)時(shí)間為120 s以保證傳感器的檢測(cè)信號(hào)能夠得到穩(wěn)定值，樣品間采用去離子水清洗傳感器10 s以消除傳感器的基線漂移。實(shí)驗(yàn)溫度為（25±2）℃，每個(gè)樣品平行測(cè)定4次，取平均值用于后續(xù)分析。

1.2.5 數(shù)據(jù)分析 程序運(yùn)算均在MATLAB軟件（Version R2010a， Mathworks Inc.， Natick， MA， United States）平臺(tái)上運(yùn)行。

2 結(jié)果與分析

2.1 焙炒咖啡豆的失重、水分含量及顏色分析

表2為焙炒咖啡的失重、水分含量及顏色相關(guān)指標(biāo)的測(cè)定值。從表2可看出，隨著焙炒度的增加，咖啡豆的質(zhì)量逐漸減少，失重范圍為12.24%～19.30%；水分含量隨焙炒度的增加逐漸減少，范圍為1.66%～3.45%；在焙炒過程中，由于非酶褐變反應(yīng)和熱解反應(yīng)，咖啡豆的顏色隨著焙炒時(shí)間的增加逐漸加深，亮度（L*）逐漸減小，a*值和b*值逐漸減小，分別表示顏色由綠到紅的色彩變化和由藍(lán)到黃的色彩變化；色彩角（ho）表示顏色由綠-黃區(qū)域（生咖啡豆顏色）到紅-橙區(qū)域（淺度和中度焙炒豆）的變化，最后變化為棕褐色，ho逐漸減小。

2.2 咖啡樣品的電子舌傳感器響應(yīng)圖

圖1-a～c分別為淺度、中度和深度焙炒樣品隨時(shí)間變化的傳感器強(qiáng)度動(dòng)態(tài)變化響應(yīng)圖，從圖中可看出，除傳感器BB外，其余傳感器響應(yīng)值在0～10 s內(nèi)發(fā)生顯著的變化，然后達(dá)到動(dòng)態(tài)平衡；而傳感器BB的響應(yīng)值在10～120 s內(nèi)緩慢增大直至平衡。因此，傳感器在120 s處的響應(yīng)強(qiáng)度值被選為電子鼻的特征響應(yīng)原始數(shù)據(jù)用于多元統(tǒng)計(jì)分析。圖1-d為6個(gè)傳感器（JE、BB、CA、GA、HA和JB）的特征響應(yīng)值對(duì)比圖，3類樣品的傳感器JE和HA的響應(yīng)值較大，順序?yàn)镾D>ZD>QD；傳感器BB和GA的響應(yīng)值較小；傳感器CA和JB響應(yīng)值處于中間水平。表明不同焙炒度樣品的傳感器響應(yīng)輪廓圖極其相似，僅在強(qiáng)度上存在差異，從響應(yīng)圖上較難區(qū)分。

2.3 主成分分析（PCA）

圖2-a～b為PCA應(yīng)用于咖啡樣品電子舌所得數(shù)據(jù)矩陣（96個(gè)樣品×6個(gè)變量）所有樣品的二維得分和載荷投影圖。由圖2-a～b可知，PC1和PC2的總方差貢獻(xiàn)率為87.4%，其中PC1占71.7%，PC2占15.7%，總和大于85%表明前2個(gè)PCs能夠解釋數(shù)據(jù)集的總方差。從圖2-a可看出，樣品大致可分為3類，在PC1方向上，淺度樣品的得分全部為負(fù)，中度樣品的得分大部分聚集在原點(diǎn)附近，而深度樣品的得分全部為正，其中1號(hào)、32號(hào)、65號(hào)樣品比較離群，中度和深度樣品距離較近，部分樣品有重疊；在PC2方向上，除個(gè)別樣品外，大部分樣品投影相互重疊；在PC1-PC2二維投影圖上，不同焙炒的樣品基本上能夠按各自特性聚為一類。在PC1負(fù)方向上與載荷BB相關(guān)，在PC1正方向上與剩余5個(gè)傳感器相關(guān)；而在PC2正方向上與載荷BB、CA相關(guān)，在PC2負(fù)方向上與剩余4個(gè)傳感器相關(guān)，從圖2-b可看出，其中載荷GA和JB與深度焙炒樣品相關(guān)性較大，而載荷BB和CA與中度焙炒樣品相關(guān)性較大，將其與淺度和深度樣品區(qū)分開。說明通過電子舌傳感器的響應(yīng)值結(jié)合PCA分析，可從定性的角度上區(qū)分不同焙炒度的咖啡。

2.4 擴(kuò)展正則變量分析（ECVA）

圖3為96個(gè)咖啡樣品在ECVA模型上的二維得分投影圖，其中品紅色正方形、淺藍(lán)色正方形、橙黃色正方形分別表示淺度、中度和深度樣品，綠色菱形分別表示每類的平均樣品。從圖3可知，淺度和中度樣品在由ECV#1定義的方向上除個(gè)別樣品得分為正，剩余樣品得分全部為負(fù)，這2類樣品相互重疊且與深度焙炒樣品可區(qū)分，而深度樣品在ECV#1方向上得分為正；在由ECV#2定義的方向上，淺度樣品得分為正，中度和深度樣品得分為負(fù)，此方向上可將淺度樣品與中度、深度樣品區(qū)分開；在由ECV#1-ECV#2定義的二維空間上，淺度、中度和深度樣品分別分布在第二、第三和第四象限，各自聚為一類。

2.5 K-最近鄰法（KNN）

在本模型中，每類樣品分別被定義為1個(gè)模糊變量，其中QD=1、ZD=2、SD=3，以校正模型的識(shí)別率和預(yù)報(bào)率作為模型好壞的判別指標(biāo)，選擇最優(yōu)的最近鄰數(shù)。K值的變化范圍為1到11，從圖4可知，當(dāng)K值為5時(shí)，預(yù)報(bào)率最高為94.4%，此時(shí)識(shí)別率為96.7%，因此最近鄰數(shù)確定為5，此時(shí)模型的預(yù)報(bào)能力最好。

2.6 偏最小二乘判別分析（PLS-DA）

圖5-a～b分別表示PLS-DA模型校正集樣品的RMSE與因子數(shù)的關(guān)系及樣品的模糊變量設(shè)定值和預(yù)報(bào)值對(duì)比圖。由圖5-a可知，隨著因子數(shù)（LVs）的逐漸增加，RMSE值逐漸減少，當(dāng)LVs=5時(shí)，RMSE值趨于平緩，因此確定最佳因子數(shù)為5。圖5-b中淺藍(lán)色圓圈表示校正集樣品，品紅色圓圈表示預(yù)報(bào)集樣品，藍(lán)色實(shí)線表示此時(shí)“y=x”，即設(shè)定值=預(yù)報(bào)值；淺度樣品范圍為0.5

2.7 最小二乘支持向量機(jī)（LS-SVM）

徑向基函數(shù)（RBF）作為模型的核函數(shù)，2個(gè)重要參數(shù)：調(diào)節(jié)參數(shù)（γ）和帶寬（σ2）需要優(yōu)化，上述2參數(shù)通過二步網(wǎng)格搜索技術(shù)和留一法交叉驗(yàn)證來實(shí)現(xiàn)。圖6-a為L(zhǎng)S-SVM模型參數(shù)的二步網(wǎng)格搜索示意圖，最優(yōu)參數(shù)如藍(lán)色箭頭所示，右邊彩色強(qiáng)度標(biāo)尺表示相對(duì)預(yù)報(bào)誤差，圖6-b為L(zhǎng)S-SVM模型中樣品的模糊變量設(shè)定值與預(yù)報(bào)值的對(duì)比圖。從圖6-a～b可看出，最優(yōu)參數(shù)分別為log（γ）=7.83，log（σ2）=4.80，即γ=227.54，σ2=27.86時(shí)，此時(shí)模型的預(yù)報(bào)誤差最小。

3 討論與結(jié)論

本研究建立了一種電子舌技術(shù)結(jié)合多元數(shù)據(jù)分析區(qū)分不同焙炒度咖啡樣品的方法。焙炒初始階段的失重是由于水分的損失，焙炒結(jié)束階段的失重是由于碳水化合物的熱降解反應(yīng)和微量化合物的熱解反應(yīng)[19]。表2中描述咖啡焙炒度的指標(biāo)變化規(guī)律與文獻(xiàn)報(bào)道相一致[20-21]，證實(shí)了實(shí)驗(yàn)方法和條件的可行性。PCA是一種被廣泛應(yīng)用的無監(jiān)督模式識(shí)別技術(shù)，已被用于各種氣體和液體樣品的傳感器檢測(cè)所得數(shù)據(jù)的建模分析中[22-23]，所有樣品可由得分和載荷組成的二維或三維投影圖來定義，表示各類樣品間及樣品與變量間的關(guān)系。ECVA起初是一種被用于處理共線性高維數(shù)據(jù)的分類方法，它是標(biāo)準(zhǔn)正則變量分析的一種修正方法，ECVA直接在原始高維空間計(jì)算正則變量使其能夠解釋此空間的模型，將判別信息壓縮至前幾個(gè)正則變量和權(quán)重向量上，實(shí)現(xiàn)樣品的空間投影分布[24]。KNN是一種受歡迎的模式識(shí)別技術(shù)，此方法既不需要假設(shè)樣品的統(tǒng)計(jì)分布，也不要求樣品空間分布的對(duì)稱性，能夠通過建立模型實(shí)現(xiàn)對(duì)未知樣品的類別進(jìn)行預(yù)測(cè)，已被作為一種有用的化學(xué)計(jì)量學(xué)方法所使用[25]。PLS-DA是一種基于偏最小二乘回歸（PLSR）的分類方法，應(yīng)變量是通過類別變量（由描述類別的模糊變量數(shù)據(jù)集所取代）來表示統(tǒng)計(jì)單位的類別成員[26]。在本研究中，淺度、中度和深度樣品的模糊變量值分別設(shè)定為QD=1、ZD=2、SD=3，截?cái)嘀禐椤?.5，與文獻(xiàn)報(bào)道相類似[27]。KNN和PLS-DA均為線性的模式識(shí)別方法，不能很好的處理在建模時(shí)數(shù)據(jù)存在的非線性問題，因此本研究采用LS-SVM[28]建立模型對(duì)不同焙炒度樣品進(jìn)行預(yù)測(cè)。PCA和ECVA可從定性的角度上對(duì)不同類型的樣品進(jìn)行區(qū)分，且樣品按各自特性聚為一類；KNN、PLS-DA和LS-SVM可從定量的角度上對(duì)樣品進(jìn)行預(yù)測(cè)，與KNN、PLS-DA模型相比，LS-SVM模型對(duì)未知樣品的預(yù)測(cè)結(jié)果最好，識(shí)別率和預(yù)報(bào)率均為100%。

Romani等[3]采用電子鼻技術(shù)和PCA及人工神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)咖啡焙炒度進(jìn)行了預(yù)測(cè)，Alessandrini等[20]利用近紅外漫反射光譜結(jié)合多元數(shù)據(jù)分析預(yù)報(bào)咖啡豆的焙炒度，結(jié)果令人滿意。本研究采用電子舌技術(shù)檢測(cè)咖啡液的滋味化合物，分析時(shí)間短，模型穩(wěn)定性和預(yù)報(bào)結(jié)果好，可做為傳統(tǒng)感官評(píng)價(jià)方法的較好補(bǔ)充。此外，電子舌技術(shù)也被成功的應(yīng)用到多種農(nóng)產(chǎn)品的質(zhì)量控制中，如Banerjee等[29]利用貝葉斯統(tǒng)計(jì)方法解析黑茶樣品的電子鼻和電子舌響應(yīng)譜數(shù)據(jù)，當(dāng)采用融合數(shù)據(jù)建立模型時(shí)，樣品的分類誤差由30%降至8%；Ceto等[30]利用伏安法電子舌技術(shù)結(jié)合離散小波變換對(duì)酒樣的酚類化合物進(jìn)行測(cè)定，與傳統(tǒng)福林酚比色法進(jìn)行相關(guān)性分析，相關(guān)系數(shù)范圍為0.963～0.979；Kutyla-Olesiuk等[31]考察混合電子舌技術(shù)評(píng)價(jià)不同干燥方法所得蘋果脆片的感官和結(jié)構(gòu)特性，光譜技術(shù)、電流滴定技術(shù)和電導(dǎo)測(cè)定法技術(shù)的融合數(shù)據(jù)對(duì)模型的定性定量分析結(jié)果明顯優(yōu)于單一技術(shù)數(shù)據(jù)。本研究結(jié)果可為咖啡的焙炒加工和產(chǎn)品質(zhì)量控制提供理論指導(dǎo)，與傳統(tǒng)的感官評(píng)價(jià)方法相結(jié)合，可更好的用于咖啡豆的品質(zhì)分析檢測(cè)中。

參考文獻(xiàn)

[1] Somporn C， Kamtuo A， Theerakulpisut P， et al. Effects of roasting degree on radical scavenging activity， phenolics and volatile compounds of Arabica coffee beans（Coffea arabica L. cv. Catimor）[J]. Int J Food Sci Tech， 2011， 46（11）： 2 287-2 296.

[2] Vignoli J A， Viegas M C， Bassoli D G， et al. Roasting process affects differently the bioactive compounds and the antioxidant activity of Arabica and Robusta coffee[J]. Food Res Int， 2014， 61： 279-285.

[3] Romani S， Cevoli C， Fabbri A， et al. Evaluation of coffee roasting degree by using electronic nose and artificial neural network for off-line quality control[J]. J Food Sci， 2012， 77（9）： 960-965.

[4] Lee C， Lee Y， Lee J G， et al. Development of a simultaneous multiple solid-phase microextraction-single shot-gas chromatography/mass spectrometry method and application to aroma profile analysis of commercial coffee[J]. J Chromatogr A，2013，1 295（1）：24-41.

[5]Naude Y，Rohwer E R. Investigating the coffee flavor in South African Pinotage wine using novel offline olfactometry and comprehensive gas chromatography with time of flight mass spectrometry[J]. J Chromatogr A， 2013， 1 271（1）： 176-180.

[6] Sberveglieri V， Ongo E， Falasconi M， et al. Electronic nose and gas chromatography-mass spectrometry for the Philippine civet coffee discrimination[J]. Sensor Microsyst，2014， 268： 463-466.

[7] Smyth H， Cozzolino D. Instrumental methods（spectroscopy，electronic nose， and tongue）as tools to predict taste and aroma in beverages： Advantages and limitations[J]. Chem Rev， 2013， 113（3）： 1 429-1 440.

[8] Peris M， Escuder-Gilabert L. A 21st century technique for food control： electronic nose[J]. Anal Chim Acta， 2009， 638：1-15.

[9] Rodriguez-Mendez M L， Apetrei C， et al. Evaluation of oxygen exposure levels and polyphenolic content of red wines using an electronic panel formed by an electronic nose and electronic tongue[J]. Food Chem， 2014， 155： 91-97.

[10] Haddi Z， Mabrouk S， Bougrini M， et al. E-nose and E-tongue combination for improved recognition of fruit juice samples[J]. Food Chem， 2014， 150： 246-253.

[11] Hong X Z， Wang J， Qiu S S. Authenticating cherry tomato juices-discussion of different data standardization and fusion approaches based on electronic nose and tongue[J]. Food Res Int， 2014， 60： 173-179.

[12] Haddi Z， Alami H， EI Bari N， et al. Electronic nose and tongue combination for improved classification of Moroccan virgin olive oil profiles[J]. Food Res Int， 2013， 54： 1 488-1 498.

[13] Banerjee R， Tudu B， Shaw L， et al. Instrumental testing of tea by combining the responses of electronic nose and tongue[J]. J Food Eng， 2012， 110： 356-363.

[14] Almario A A A， Caceres R L T. Electronic tongue and neural networks， biologically inspired systems applied to classifying coffee samples[J]. Amer J Anal Chem， 2014， 5（4）： 266-274.

[15] Ferreira E J， Pereira R C T， Delbem A C B， et al. Random subspace method for analyzing coffee with electronic tongue[J]. Electron Lett， 2007， 43（21）： 1 138-1 139.

[16] Bona E， dos Santos Ferreira da Silva R S， Borsato D， et al. Optimized Neural Network for instant coffee classification through an electronic nose[J]. Int J Food Eng， 2011， 7（6）： 1 556-3 758.

[17] Qin O Y， Zhao J W， Chen Q S. Classification of rice wine according to different marked ages using portable multi-electrode electronic tongue coupled with multivariate analysis[J]. Food Res Int， 2013， 51： 633-640.

[18] Qiu S S， Wang J， Gao L P. Discrimination and characterization of strawberry juice based on electronic nose and tongue： Comparison of different juice processing approaches by LDA， PLSR， RF， and SVM[J]. J Agri Food Chem， 2014， 62（27）： 6 426-6 434.

[19] Illy A， Viani R. Espresso Coffee： The Science f Quality[C]. London： Elsevier Academic Press， 2005.

[20] Alessandrini L， Romani S， Pinnavaia G， et al. Near infrared spectroscopy： An analytical tool to predict coffee roasting degree[J]. Anal. Chim Acta， 2008， 625： 95-102.

[21] Baggenstoss J， Poisson L， Kaegi R， et al. Coffee roasting of aroma formation： Application of different time-temperature conditions[J]. J Agri. Food Chem， 2008， 56（4）： 5 836-5 846.

[22] Apetrei C， Apetrei I M， Villanueva S， et al. Combination of an e-nose， an e-eye for the characterization of olive oils with different degree of bitterness[J]. Anal Chim Acta， 2010， 663（1）： 91-97.

[23] Gutierrez J M， Haddi Z， Aman A， et al. Hybrid electronic tongue based on multisensor data fusion for discrimination of beers[J]. Sensor Acuat B-Chem， 2013， 177： 989-996.

[24] Ballabio D， Skov T， Leardi R， et al. Classification of GC-MS measurement of wines by combining data dimension reduction and variable selection techniques[J]. J Chemometrics， 2008， 22： 457-463.

[25] Ariyama K， Shinozaki M， Kawasaki A. Determination of the geographic origin of rice by chemometrics with strontium and lead isotope ratios and multielement concentrations[J]. J Agri Food Chem， 2012， 60（7）： 1 628-1 634.

[26] Barker M， Rayens W. Partial least squares for discrimination[J]. J. Chemometrics， 2003， 17（3）： 166-173.

[27] Dong W J， Ni Y N， Kokot S. A near-infrared reflectance spectroscopy method for direct analysis of several chemical components and properties of fruit， for example，Chinese hawthorn[J]. J Agri Food Chem， 2013， 61（3）： 540-546.

[28] Liu F， He Y， Sun G M. Determination of protein content of Auricularia auricular using near infrared spectroscopy combined with linear and nonlinear calibrations[J]. J Agri Food Chem，2009， 27（11）： 4 520-4 527.

[29] Banerjee R， Chattopadhyay P， Tudu B， et al. Artificial flavor perception of black tea using fusion of electronic nose and tongue response： A Bayesian statistical approach[J]. J Food Eng， 2014， 142： 87-93.

[30] Ceto X， Gutierrez J M， Gutierrez M， et al. Determination of total polyphenol index in wines employing a voltammetric electronic tongue[J]. Anal Chim Acta， 2012， 732（30）： 172-179.

[31] Kutyla-Olesiuk A， Nowacka M， Wesoly M， et al. Evaluation of organoleptic and texture properties of dried apples by hydrid electronic tongue[J]. Sensor Actuat B-Chem， 2013， 187： 234-240.