王智凝等

摘 要：用電子鼻檢測豬肉新鮮度時，傳感器陣列的冗余信息會帶來負面影響。為了提高識別的準確性，根據豬肉散發(fā)的氣味選擇初始的傳感器陣列，利用方差分析方法剔除重復性和區(qū)分度不明顯的傳感器；再通過變異系數分析、相關系數絕對值累加和最小分析、主成分分析（principal component analysis，PCA）第2主成分系數分析，篩選出了適合檢測豬肉新鮮度的傳感器陣列的優(yōu)化陣列。本研究采用逐步判別法篩選出合適的特征值，并用貝葉斯判別方法對傳感器陣列優(yōu)化前后的數據進行對比分析。結果表明：通過對傳感器陣列的優(yōu)化，識別率由優(yōu)化前的86.8%提高到優(yōu)化后的98.9%。研究表明，本實驗的傳感器陣列優(yōu)化方法可以大大提高電子鼻對豬肉新鮮度的識別準確性。

關鍵詞：豬肉新鮮度；傳感器陣列；陣列優(yōu)化；電子鼻；相關系數；逐步判別法

Pork Freshness Detection Using Optimized Electronic Nose Sensor Array

WANG Zhining1， ZHENG Limin1，2，*， FANG Xiongwu1， YANG Lu1

（1. College of Information and Electrical Engineering， China Agricultural University， Beijing 100083， China；

2. Beijing Laboratory of Food Quality and Safety， China Agricultural University， Beijing 100083， China）

Abstract： When electronic nose is used for detecting pork freshness， sensor array optimization has a great influence on improving the accuracy by eliminating the negative effects brought about by the redundant information. The initial sensor array was determined by the odor released from pork. Then the sensors with poor repeatability and differentiation were excluded by analysis of variance （ANOVA）. By coefficient of variation， minimum cumulation of absolute correlation coefficient and the second principal component of principal component analysis （PCA）， an optimized sensor array was selected for the detection of pork freshness. This study adopted stepwise discriminant analysis to optimize features and compare the data before and after optimization by using Bayes discriminant method. Results showed that by sensor optimization and feature optimization， the accuracy was increased from 86.8% to 98.9%. This study indicates that sensor array optimization and feature optimization can greatly improve the detection accuracy of pork freshness.

Key words： pork freshness； sensor array； array optimization； electronic nose； correlation coefficient； stepwise discriminant analysis

中圖分類號：TP212.2 文獻標志碼：A 文章編號：1001-8123（2015）05-0027-04

doi： 10.7506/rlyj1001-8123-201505007

電子鼻是一種利用氣敏傳感器模擬人類嗅覺而進行的氣味智能檢測技術設備，與其他化學分析儀器不同，電子鼻能夠得到樣品中揮發(fā)性成分的整體信息，也稱“指紋信息”[1]。電子鼻可以客觀、準確、快捷地進行豬肉新鮮度的檢測，克服了傳統(tǒng)豬肉新鮮度檢測中費時、費力、破壞樣品的缺點。

電子鼻系統(tǒng)由氣敏傳感器陣列、信號預處理電路、模式識別算法和氣味表達模塊4個部分組成。由于傳感器的廣譜響應特性[2]，能夠對多種氣體進行響應，所以采集到的信息存在著顯著的相關性。并且若存在某個傳感器對環(huán)境的響應程度高于樣品信息，則會產生冗余信息，對樣品判斷產生極大的干擾。所以，要在保證單一傳感器對相同樣本的重復性和對不同樣本的區(qū)分度的基礎上，對傳感器整體陣列進行優(yōu)化。

本實驗以電子鼻采集到的原始信息為基礎，對其進行方差分析，根據單一傳感器對不同樣品的顯著性分析的概率值（P值）和F統(tǒng)計量（F值）剔除重復性和區(qū)分度差的傳感器，得到傳感器的初篩陣列[3]。再結合變異系數分析、相關系數絕對值累加和最小分析、主成分分析（principal component analysis，PCA）第二主成分系數選擇性分析3種方法，得到優(yōu)先考慮的傳感器陣列，最終確定傳感器的最終陣列[4]。

傳感器陣列采集到的是豬肉的指紋圖譜，包含大量信息，如果直接采用原始數據來進行分類會造成模式空間的維數災難，因此要對原始數據進行特征提取及優(yōu)化。本實驗提取9個特征值來表征響應曲線所包含的信息并用逐步判別法進行特征優(yōu)化[5]。對陣列優(yōu)化前后的數據，用Bayes判別法進行對比研究。

1 材料與方法

1.1 材料

選取來自北京市順鑫農業(yè)股份有限公司鵬程食品分公司當天屠宰的新鮮豬肉外脊。

1.2 儀器與設備

實驗使用中國農業(yè)大學自行研發(fā)設計的電子鼻系統(tǒng)，其由氣敏傳感器陣列、放大調理電路、A/D采集裝置、氣壓控制和溫度控制及計算機等部分組成。根據豬肉散發(fā)的醛類、醇類、酮類、羧酸類、醛酸類氣味[6]，選擇9 只TGS8系列和7 只TGS2000系列組成氣敏傳感器陣列。其中TGS8系列傳感器工作電壓采用12V，加熱電壓為5 V；TGS2000系列傳感器工作電壓和加熱電壓均為5 V。標準空氣流速設置為3 L/min，保持采樣室溫度為40 ℃，保持在（40±2）℃。

1.3 方法

將新鮮豬外脊置于4 ℃冰箱冷藏，每24 h檢測1次，每次檢測13 個樣本，共檢測7 d，得到13×7=91 個樣本測試結果。每個樣本取10.0 g攪碎攪勻后的肉泥，置于恒溫40 ℃的樣品皿中進行檢測。每次檢測前，先用標準空氣以3 L/min流速通入密封采樣室，待得到平穩(wěn)響應后放入10 g樣品，密封，進行數據采集，采樣間隔時間設置5 s，采樣時間300 s。采樣結束后，取出樣品，用標準空氣還原采樣前的環(huán)境，以便下一次檢測。

2 結果與分析

2.1 傳感器優(yōu)化

2.1.1 傳感器初始篩選

由于電子鼻的各個傳感器有廣譜響應特性，能對一種或多種氣體成分進行響應，故其得到的原始數據具有極其顯著的相關性[7]。若某個傳感器對環(huán)境信息敏感，對樣品信息不敏感，則會造成大量的冗余信息，所以要對傳感器進行篩選。

表 1 傳感器原始數據的相對變化值的均值

由表1可知，在采集初期，傳感器對豬肉氣味進行強烈的吸附過程，響應曲線數值變化明顯。當揮發(fā)性氣體與傳感器達到吸附飽和時，響應曲線數值趨于平緩?？梢钥闯龈鱾€傳感器的相對變化值區(qū)分度比較大，所以選擇相對變化值作為特征值。

由于傳感器S5與S16的相對變化值的均值小于100，說明這兩個傳感器對豬肉樣品氣味不敏感，故剔除這兩個傳感器。

2.1.2 用方差分析進行傳感器篩選

將傳感器相對變化值進行正態(tài)分布檢驗，方差分析結果的組內均方值越小，表明傳感器重復性越好，利用結果的F統(tǒng)計量值和小概率P值，F(xiàn)統(tǒng)計量值越大或者概率P值越小，表明傳感器的區(qū)分度越好[3]。

本實驗把每個傳感器當作一個因子，不同傳感器對樣品響應的相對變化值當作水平，進行方差分析[8]。首先進行正態(tài)分布和方差齊性檢驗，由于原始數據的相對變化值不滿足方差齊性，故對原始數據的相對變化值做數據處理。本實驗選取原始數據相對變化值的對數，再進行方差齊性檢驗?？芍蟛糠謧鞲衅鳚M足方差齊性要求。再對其進行單因素方差分析，結果見表2。

表 2 傳感器原始數據相對變化值的對數的單因素分析

由表2可知，剔除組內均方值大于0.2的S10、S13傳感器，其余傳感器重復性較好。S1～S11、S13～S14傳感器概率臨界P<0.01，即對不同樣本的區(qū)分度及其顯著；S9傳感器概率臨界P<0.05，說明對不同組樣本區(qū)分度顯著；而當P>0.05時，說明傳感器對于不同組樣本的區(qū)分度不顯著，故剔除S12、S15、S16傳感器。

2.2 傳感器陣列第3次篩選

2.2.1 變異系數分析

本實驗把每個傳感器當作一個變量，計算其變異系數。若變異系數過大，說明該傳感器的測試數據離散程度較大，其穩(wěn)定性不好，將其剔除。變異系數（CV）計算公式[9]：

（1）

對表3變異系數大于0.4的傳感器進行剔除，剔除S9、S10、S12、S13、S15傳感器。

2.2.2 相關系數絕對值累加和最小分析

相關性分析即計算各傳感器測試數據的相關程度，兩傳感器測試數據的相關程度越大，則從這個兩個傳感器所獲得的信息的一致性就越大，即兩傳感器可互相取代，那么就可以考慮將其中一個從傳感器陣列中去除，從而簡化氣敏傳感器陣列[10]。

傳感器之間的相關程度用Pearson相關系數表示[11]

（2）

式中：xi為傳感器x對第i個樣品的相對變化值；yi為傳感器y對第i個樣品的相對變化值；為傳感器x的樣品特征值（相對變化值）的均值；為傳感器y的樣品特征值（相對變化值）的均值。

由于無法從任意兩個傳感器的相關度推知整體整列的相關程度，故引用某一個傳感器與其他傳感器的相關系數絕對值累加和來判斷，設為ri：

（3）

表 4 相關系數絕對值累加和

由表4可知，除了對樣本不敏感的S5、S16傳感器外，可以優(yōu)先考慮相關系數絕對值累加和小于12的S9、S12、S8、S13、S15、S7、S14傳感器。

2.2.3 PCA第2主成分系數選擇性分析

主成分分析是多維數據進行降維的主要方法之一。PCA通過線性組合可以將原始數據重新變換為一組新的數據，即主成分。新數據的特點在于前幾個分量中包含了整個樣本空間的絕大部分信息，故可以用少數的主成分來描述整個樣本空間，達到降維的目的[4]。

如果前3個主成分的累計貢獻率大于80%，則可針對前3個主成分中的系數進行分析，一般第1主成分的系數表明傳感器信號在樣本空間的貢獻，第2主成分系數則表明傳感器信號的離散程度，即選擇性。

本實驗中，前3個主成分的累計貢獻率為84.988%，對前3個主成分求特征向量矩陣，如表5所示。

表 5 PCA前3個主成分特征向量矩陣

由表5可知，S13、S5、S8、S15、S7、S14傳感器的PCA第2主成分系數較大，說明其對不同樣品的選擇性較好，故優(yōu)先考慮這些傳感器。

綜合上述3 種對傳感器陣列的優(yōu)化方法，選取S1、S2、S3、S4、S6、S7、S8、S11、S14傳感器作為優(yōu)化陣列。

2.2.4 特征優(yōu)化與檢驗結果

為了避免直接采用原始數據造成的模式空間的維數災難[12]，本實驗對每個傳感器得到的豬肉指紋圖譜提取了9 個特征值：相對平均值、相對積分值、平均微分值、相對變化值、二次擬合二次項系數、一次項系數、對數擬合一次項系數、常數項系數和半寬值。由于所選取的這9 個特征值不一定對分類識別都有正面效果，有的甚至會造成一些消極影響，所以用逐步判別法對所選的

9個特征值進行特征優(yōu)化，并用Bayes判別法對傳感器陣列優(yōu)化前后的數據進行對比研究。

2.2.4.1 逐步判別法

實驗用逐步判別法進行特征優(yōu)化，它采用“有進有出”的算法，即逐步引入變量，每引入一個“最重要”的變量進入判別式的同時也考慮較早引入判別式的某些變量，如果其判別能力隨新引入變量而變?yōu)椴伙@著了，應及時將新引入變量從判別式中剔除，直到判別式中沒有不重要的變量需要剔除，而剩下的變量也沒有重要的變量可引入判別式時，篩選結束。這個篩選過程實質上就是作假設檢驗，通過檢驗找出顯著性變量，剔除不顯著變量[13-14]。

2.2.4.2 檢驗結果與分析

使用貝葉斯判別法對傳感器陣列優(yōu)化前后進行對比分析，結果見表6（優(yōu)化前）和表7（優(yōu)化后）。

表 6 傳感器陣列優(yōu)化和特征優(yōu)化前的結果

由表6可知，已對初始分組案例中的86.8% 進行了正確分類。給出了傳感器陣列優(yōu)化前對已知組別每組13個樣例的預測情況。以第5已知組別為例，第5已知組別表示冷藏在4 ℃條件下第5天的數據。已知13 個數據，有10 個正確預測為第5天，正確率為76.9%，有2 個錯誤預測到了第4天，錯誤率為15.4%，有1個錯誤預測到了第6天，錯誤率為7.7%。綜合數據可知，一共91 個數據，正確的分類的有79 個，得出正確率為86.8%。

由表7可知，已對初始分組案例中的98.9% 進行了正確分類。給出了傳感器陣列優(yōu)化后對已知組別每組13 個樣例的預測情況。只有第0已知組別中的一個樣本錯誤預測成了第1天。共91 個數據，正確分類的有90 個，得出正確率為98.9%。

表 7 傳感器陣列優(yōu)化和特征優(yōu)化后的結果

3 結 論

本實驗通過應用電子鼻對不同新鮮度的豬肉進行實驗分析，通過對傳感器陣列的二次篩選，得到了一種適合檢測豬肉新鮮度的傳感器陣列。證明方差分析、變異系數分析、相關系數絕對值累加和最小分析和PCA第2主成分系數選擇性分析方法能夠對傳感器陣列進行有針對性的優(yōu)化。并采用了逐步判別法進行特征優(yōu)化，用貝葉斯判別法對這一結果進行了驗證，證明傳感器陣列優(yōu)化以及特征優(yōu)化可以顯著提高電子鼻豬肉新鮮度的識別，為電子鼻進行針對性地檢測提供了一種思路。

參考文獻：

[1] 蘆筱菲， 鄭麗敏， 張曉梅， 等. 電子鼻技術在干酪識別上的應用[J]. 中國乳業(yè)， 2008（6）： 52-55.

[2] 楊建華， 侯宏， 王磊， 等. 基于集成氣體傳感器陣列的電子鼻系統(tǒng)動態(tài)響應特性分析[J]. 西北工業(yè)大學學報， 2003（4）： 435-438.

[3] 趙鐳， 史波林， 汪厚銀， 等. 電子鼻傳感器篩選的組合優(yōu)化法研究[J]. 食品科學， 2009， 30（20）： 367-370.

[4] 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]. 傳感技術學報， 2009， 22（2）： 175-178.

[5] 龐旭欣. 基于電子鼻系統(tǒng)牛奶指紋圖譜的應用研究[D]. 北京： 中國農業(yè)大學， 2012.

[6] 孫鐘雷. 電子鼻技術在豬肉新鮮度識別中的應用[J]. 肉類研究， 2008， 22（2）： 50-53.

[7] 賈洪鋒， 盧一， 何江紅， 等. 電子鼻在牦牛肉和牛肉豬肉識別中的應用[J]. 農業(yè)工程學報， 2011（5）： 358-363.

[8] 洪雪珍， 王俊. 牛肉品質檢測中電子鼻參數的優(yōu)化[J]. 農業(yè)機械學報， 2013（9）： 125-131； 137.

[9] 劉鵬， 屠康， 潘磊慶， 等. 基于多傳感器融合的雞蛋裂紋系統(tǒng)性識別[J]. 農業(yè)機械學報， 2010（10）： 185-189； 203.

[10] 張覃軼. 電子鼻： 傳感器陣列、系統(tǒng)及應用研究[D]. 武漢： 華中科技大學， 2005.

[11] 張樹明， 楊陽， 倪元穎. 近紅外光譜和電子鼻技術用于葡萄酒發(fā)酵過程中酒精度的定量分析[J]. 光譜學與光譜分析， 2012（11）： 2997-3001.

[12] DUDA R O， HART P E， STORK D G. Pattern classification[M]. New York： Wiley， 2001.

[13] PATHANGE L P， MALLIKARJUNAN P， MARINI R P， et al. Non-destructive evaluation of apple maturity using an electronic nose system[J]. Journal of Food Engineering， 2006， 77（4）： 1018-1023.

[14] HONG X， WANG J， QIU S. Authenticating cherry tomato juices： discussion of different data standardization and fusion approaches based on electronic nose and tongue[J]. Food Research International， 2014， 60： 173-179.