白薇薇，惠延波，牛群峰，陽(yáng)雨妍

(1.河南工業(yè)大學(xué) 電氣工程學(xué)院，鄭州 450001；2.南京理工大學(xué) 機(jī)械工程學(xué)院，南京 210094)

采用伏安型電子舌評(píng)價(jià)低鈉鹽配方中的苦味

白薇薇1*，惠延波1，牛群峰1，陽(yáng)雨妍2

(1.河南工業(yè)大學(xué) 電氣工程學(xué)院，鄭州 450001；2.南京理工大學(xué) 機(jī)械工程學(xué)院，南京 210094)

采用伏安型電子舌對(duì)8種低鈉鹽配方樣品進(jìn)行苦味特性評(píng)價(jià)研究。使用電子舌系統(tǒng)采集樣品信號(hào)，利用小波分析進(jìn)行數(shù)據(jù)壓縮預(yù)處理，結(jié)合主成分分析、聚類(lèi)分析對(duì)低鈉鹽配方進(jìn)行區(qū)分分類(lèi)，利用徑向基神經(jīng)網(wǎng)絡(luò)建立低鈉鹽苦味預(yù)測(cè)模型。結(jié)果表明：小波壓縮后剩余能量和置零系數(shù)比分別為99.23%，99.42%；主成分得分圖上，低鈉鹽配方與苦味參比樣品差異明顯；聚類(lèi)分析結(jié)果與主成分分析結(jié)果相一致，正確反映了樣品之間的親疏關(guān)系；徑向基神經(jīng)網(wǎng)絡(luò)建立的苦味預(yù)測(cè)模型均方根誤差為1.48%，預(yù)測(cè)結(jié)果與實(shí)際感官評(píng)價(jià)結(jié)果相吻合。該研究為低鈉鹽的呈味特性評(píng)價(jià)提供了一種新的方法和途徑。

低鈉鹽；伏安型電子舌；苦味；小波壓縮；主成分分析；徑向基神經(jīng)網(wǎng)絡(luò)

這些年，為了達(dá)到健康飲食的目的，低鈉鹽逐漸得到人們的青睞[1]。低鈉鹽通常是利用鉀鹽代替部分鈉鹽，雖然食鹽替代物能夠降低食鹽中鈉的含量，但是味覺(jué)感受需在一定的可接受范圍內(nèi)才能被人們認(rèn)可。低鈉鹽的口感是評(píng)價(jià)低鈉鹽配方品質(zhì)的重要指標(biāo)，當(dāng)前主要采用感官評(píng)價(jià)方法對(duì)低鈉鹽的苦澀味進(jìn)行判別，該方法昂貴、費(fèi)時(shí)，主觀意識(shí)和周?chē)h(huán)境在評(píng)價(jià)過(guò)程中影響較大，使得評(píng)價(jià)結(jié)果不夠客觀準(zhǔn)確，判別的有效性和可靠性較低。在現(xiàn)代分析技術(shù)中，電子舌已經(jīng)開(kāi)始在食品工業(yè)領(lǐng)域發(fā)揮著重要作用[2-5]。電子舌技術(shù)是一種能快速檢測(cè)味覺(jué)品質(zhì)的新技術(shù)，能對(duì)不同的滋味進(jìn)行客觀的評(píng)價(jià)。目前，電子舌已廣泛應(yīng)用于飲料、水果、肉類(lèi)、醫(yī)藥等方面的檢測(cè)研究[6-8]，但在低鈉鹽配方呈味特性評(píng)價(jià)中的應(yīng)用還未見(jiàn)相關(guān)報(bào)道。

本研究為了有效地評(píng)價(jià)低鈉鹽配方的苦味，利用伏安型電子舌對(duì)低鈉鹽配方溶液進(jìn)行數(shù)據(jù)采集，收集的數(shù)據(jù)信號(hào)首先通過(guò)小波壓縮，大量的樣品數(shù)據(jù)經(jīng)過(guò)多層小波分解后除去信號(hào)中的冗余，壓縮后的數(shù)據(jù)再通過(guò)主成分分析(PCA)、聚類(lèi)分析(CA)法對(duì)樣品進(jìn)行區(qū)分分類(lèi)，結(jié)合徑向基(RBF)神經(jīng)網(wǎng)絡(luò)，構(gòu)建低鈉鹽配方苦味得分預(yù)測(cè)模型，為低鈉鹽滋味品質(zhì)的研究提供參考。

1 材料與方法

1.1 實(shí)驗(yàn)材料

氯化鈉、氯化鉀、葡萄糖酸鈉、單寧酸：均為分析純，購(gòu)自洛陽(yáng)昊華化學(xué)試劑有限公司。8種低鈉鹽配方和0.1%單寧酸均為自制，低鈉鹽配方中各物質(zhì)配比見(jiàn)表1。

表1 配方中各物質(zhì)配比Table 1 The formula ratios of materials %

1.2 實(shí)驗(yàn)儀器

伏安型電子舌系統(tǒng)：金屬電極陣列，采用三電級(jí)系統(tǒng)，工作電極金、銀、鈀、鉑可選；輔助電極為鉑柱電極；參比電極為Ag/AgCl電極；全套電極拋光材料；以上電極材料均購(gòu)置于天津艾達(dá)恒晟科技有限公司。EL204型精密電子天平：梅特勒-托利多儀器有限公司。

1.3 實(shí)驗(yàn)方法

1.3.1 感官評(píng)價(jià)

對(duì)各種低鈉鹽配方進(jìn)行感官評(píng)價(jià)，分析各種配方的口感。從專(zhuān)業(yè)人員中選出10名身體健康、味覺(jué)敏感的感官評(píng)價(jià)員，男女比例為1∶1。每種樣品每人品嘗1次，采用量值法，每名感官評(píng)價(jià)員分別對(duì)樣品進(jìn)行打分，評(píng)價(jià)標(biāo)準(zhǔn)見(jiàn)表2。記錄品嘗小組中所有感官評(píng)價(jià)員對(duì)所配鹽溶液的苦味得分值，將統(tǒng)計(jì)的平均值作為感官評(píng)價(jià)結(jié)果。

表2 鹽溶液評(píng)分標(biāo)準(zhǔn)Table 2 The scoring standard of salt solution

1.3.2 電子舌檢測(cè)

利用伏安型電子舌對(duì)低鈉鹽配方溶液進(jìn)行數(shù)據(jù)采集，該電子舌是三電極系統(tǒng)，工作電極為金、銀、鈀、鉑電極，輔助電極為鉑柱電極，參比電極為Ag/AgCl電極。金屬工作電極陣列作為感測(cè)部分，采用循環(huán)伏安的電化學(xué)分析方法，將工作電極和輔助電極之間形成的回路電流作為檢測(cè)信號(hào)進(jìn)行采集分析。循環(huán)伏安法的參數(shù)設(shè)置：掃描電位為-2～2 V，掃描速率為200 mV/s，采樣間隔為2 mV。每次采樣共輸出采樣點(diǎn)3986個(gè)，每種樣品重復(fù)采集10次。此外，在電子舌檢測(cè)過(guò)程中，為了避免電極上雜質(zhì)的積累，每2次樣品采樣之間設(shè)置電極清洗序列(蒸餾水，清洗40 s)。

1.3.3 數(shù)據(jù)處理

電子舌采樣產(chǎn)生了大量的伏安數(shù)據(jù)，不利于后續(xù)的數(shù)據(jù)分析。將采樣數(shù)據(jù)通過(guò)小波分析進(jìn)行預(yù)處理，降低原始數(shù)據(jù)的維數(shù)，從信號(hào)中提取顯著特征。小波分析具有局部分析和細(xì)化的功能，在小波變換中，信號(hào)壓縮是在信號(hào)的小波分解域?qū)π〔ㄏ禂?shù)進(jìn)行量化的過(guò)程，對(duì)經(jīng)過(guò)量化的數(shù)據(jù)進(jìn)行存儲(chǔ)或傳輸便可以達(dá)到信號(hào)的壓縮[9,10]。剩余能量和置零系數(shù)比2個(gè)參數(shù)可評(píng)價(jià)小波壓縮性能，剩余能量：(處理過(guò)的小波系數(shù)的模平方/原信號(hào)的模平方)×100%；置零系數(shù)比：(處理后的小波系數(shù)中0的個(gè)數(shù)/原信號(hào)的分解系數(shù)的個(gè)數(shù))×100%。通常，剩余能量隨著置零系數(shù)比的增加而減小，所以，應(yīng)選擇合適的小波基和分解層數(shù)。本文選用了Haar小波進(jìn)行9層分解，每種信號(hào)的3986個(gè)數(shù)據(jù)被壓縮到21個(gè)數(shù)據(jù)。

主成分分析(PCA)是將多指標(biāo)簡(jiǎn)化為少量綜合指標(biāo)的一種統(tǒng)計(jì)分析方法，用少數(shù)變量盡可能多地反映原來(lái)變量的信息，保證原信息損失小且變量數(shù)目盡可能少[11,12]。在主成分分析中，通過(guò)變量變換的方法把相關(guān)的變量變?yōu)槿舾刹幌嚓P(guān)的綜合指標(biāo)變量，從而實(shí)現(xiàn)對(duì)數(shù)據(jù)集的降維，在一定程度上揭示了數(shù)據(jù)最好的解釋變量的隱藏結(jié)構(gòu)(主成分)，使得問(wèn)題得以簡(jiǎn)化，將主成分分析應(yīng)用于實(shí)驗(yàn)樣品的綜合評(píng)價(jià)上，分析樣品之間的相似性。

聚類(lèi)分析(CA)是根據(jù)研究對(duì)象的特征對(duì)研究對(duì)象進(jìn)行分類(lèi)的多元分析方法，聚類(lèi)分析實(shí)質(zhì)上是尋找一種客觀反映元素之間親疏關(guān)系的統(tǒng)計(jì)量，該統(tǒng)計(jì)量可以是距離或者相似系數(shù)，然后根據(jù)這種統(tǒng)計(jì)量把元素分成若干類(lèi)[13]。聚類(lèi)分析的思想是先把N種樣品各自分為一類(lèi)，通過(guò)合適的聚類(lèi)分析方法將距離最近的兩類(lèi)合為一個(gè)新類(lèi)，最終將所有樣品歸為一類(lèi)。利用基于距離的聚類(lèi)分析方法，分析樣品之間的親疏關(guān)系。

徑向基(RBF)神經(jīng)網(wǎng)絡(luò)是一種局部逼近網(wǎng)絡(luò)，是具有輸入層、隱含層和輸出層的三層前向神經(jīng)網(wǎng)絡(luò)[14，15]。影響RBF神經(jīng)網(wǎng)絡(luò)性能的參數(shù)包括隱含層節(jié)點(diǎn)數(shù)量、徑向基函數(shù)、重疊系數(shù)、隱含層與輸出層之間的權(quán)重。為了測(cè)試RBF神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)性能，隨機(jī)選取4種樣品(40個(gè)樣本)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集，剩余的4種(40個(gè)樣本)作為預(yù)測(cè)集。訓(xùn)練中選用高斯函數(shù)作為激活函數(shù)，采用K均值聚類(lèi)算法來(lái)確定徑向基函數(shù)中心，隱含層節(jié)點(diǎn)個(gè)數(shù)的具體值在網(wǎng)絡(luò)學(xué)習(xí)過(guò)程中按最優(yōu)準(zhǔn)則確定，通過(guò)預(yù)測(cè)集的均方根誤差來(lái)衡量模型性能。

2 結(jié)果與分析

2.1 感官評(píng)價(jià)結(jié)果

依據(jù)表2的評(píng)價(jià)標(biāo)準(zhǔn)得到各配方樣品的苦味得分值，配方6和配方7的苦味得分值較低，見(jiàn)表3。

表3 低鈉鹽配方的苦味得分值Table 3 The bitterness score of low-sodium salt formula

2.2 小波壓縮

信號(hào)壓縮的基本目標(biāo)是在不損失信號(hào)所攜帶的信息的前提下，盡可能地減少用于存儲(chǔ)信號(hào)的開(kāi)銷(xiāo)。采用Haar小波，其具有良好的逼近性和穩(wěn)定性，8種樣品的平均剩余能量和置零系數(shù)比見(jiàn)表4。分解層數(shù)小于4層時(shí)，樣品的平均置零系數(shù)比較小，壓縮后數(shù)據(jù)量仍較大；當(dāng)分解層數(shù)大于9層時(shí)，樣品的平均剩余能量和置零系數(shù)比趨于恒定。

表4 平均剩余能量和置零系數(shù)比Table 4 The average remaining energy and zero coefficient ratio

利用Haar小波對(duì)信號(hào)進(jìn)行9層分解，選用全局閾值進(jìn)行信號(hào)壓縮處理，最終每種信號(hào)3986個(gè)數(shù)據(jù)被壓縮成21個(gè)數(shù)據(jù)。以配方1為例，電子舌工作電極為鈀電極和鉑電極時(shí)原始信號(hào)和壓縮后的信號(hào)對(duì)比圖見(jiàn)圖1和圖2。

圖1 鈀電極下的原始信號(hào)和壓縮后的信號(hào)Fig.1 The original and compressed signal of Pd

圖2 鉑電極下的原始信號(hào)和壓縮后的信號(hào)Fig.2 The original and compressed signal of Pt

由圖1和圖2可知，采集的數(shù)據(jù)通過(guò)小波壓縮，能夠去除信號(hào)中的冗余，保留信號(hào)的有用信息。

2.3 主成分分析(PCA)

8種低鈉鹽配方組分配比不同，其苦味特性存在一定差異，8種低鈉鹽配方和0.1%單寧酸電子舌主成分分析結(jié)果見(jiàn)圖3。

圖3 主成分分析得分圖Fig.3 PCA scores of formula

前2個(gè)主成分PC1和PC2分別包含了原來(lái)信息量的55.5%和31.8%，累計(jì)貢獻(xiàn)率能夠充分展現(xiàn)原始信息。8種配方在圖中位置接近，表明其“味道”相近。單寧酸與其他樣品距離較遠(yuǎn)，差異較大。單寧酸樣品和其他樣品在PC1(55.5%)上差異明顯，區(qū)分明顯；在PC2(31.8%)上，配方7和配方2、配方1和配方8、配方3和配方6、配方5和配方4分別較為接近。由圖3的樣品分散程度可知，9種樣品分為2大類(lèi)：低鈉鹽配方和單寧酸，說(shuō)明低鈉鹽配方與單寧酸樣品在苦味上有較大差異，低鈉鹽配方呈苦味不明顯。主成分分析反映了樣品之間的差異性和親疏關(guān)系。

2.4 聚類(lèi)分析(CA)

為了進(jìn)一步研究樣品之間的親疏關(guān)系，對(duì)8種低鈉鹽配方和0.1%單寧酸樣品進(jìn)行聚類(lèi)分析，基于類(lèi)平均法分類(lèi)得到樹(shù)狀圖，見(jiàn)圖4。

圖4 聚類(lèi)分析譜系圖Fig.4 Dendrogram of hierarchical cluster analysis

由圖4可知，當(dāng)類(lèi)平均距離為0.0376時(shí)，樣品集合被分為2類(lèi)：8種低鈉鹽配方和單寧酸樣品，這一結(jié)果與主成分分析中單寧酸樣品和其他樣品在PC1上差異明顯結(jié)果一致。當(dāng)類(lèi)平均距離為0.0061時(shí)，樣品集合被分為5類(lèi)：?jiǎn)螌幩釣橐活?lèi)，剩下的配方1和配方8、配方2和配方7、配方3和配方6、配方4和配方5分別為一類(lèi)，這一結(jié)果和主成分分析中各種配方之間的接近程度結(jié)果相一致。單寧酸作為苦味參比，與8種低鈉鹽配方具有較大差距，說(shuō)明低鈉鹽配方呈苦味不明顯。聚類(lèi)分析進(jìn)一步說(shuō)明了低鈉鹽配方與單寧酸之間的差異性，同時(shí)更清晰地呈現(xiàn)了配方樣品之間的親疏關(guān)系。

2.5 基于RBF神經(jīng)網(wǎng)絡(luò)的低鈉鹽配方樣品預(yù)測(cè)

為了進(jìn)一步評(píng)估電子舌對(duì)低鈉鹽樣品的苦味識(shí)別能力，嘗試使用RBF神經(jīng)網(wǎng)絡(luò)建立樣品苦味預(yù)測(cè)模型。利用RBF神經(jīng)網(wǎng)絡(luò)對(duì)小波壓縮后的伏安數(shù)據(jù)構(gòu)建低鈉鹽苦味預(yù)測(cè)模型，經(jīng)過(guò)系統(tǒng)的研究及優(yōu)化其拓?fù)浣Y(jié)構(gòu)后，設(shè)計(jì)了84-32-1的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。輸入神經(jīng)元個(gè)數(shù)為84(4種工作電極×21個(gè)數(shù)據(jù))；隱含層設(shè)置了32個(gè)神經(jīng)元，隱含層節(jié)點(diǎn)個(gè)數(shù)的具體值在網(wǎng)絡(luò)學(xué)習(xí)過(guò)程中按最優(yōu)準(zhǔn)則確定；輸出層設(shè)置了1個(gè)神經(jīng)元，對(duì)應(yīng)樣品苦味值。

RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果見(jiàn)圖5。

圖5 RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果Fig.5 Prediction results of RBF neural network model

測(cè)試樣本數(shù)是40個(gè)，分別對(duì)應(yīng)著4種低鈉鹽配方樣品。X軸表示測(cè)試樣本數(shù)，Y軸表示苦味值，預(yù)測(cè)集的RMSE為1.48%。結(jié)果表明：該模型達(dá)到了很好的預(yù)測(cè)效果。

3 結(jié)論

采用電子舌技術(shù)對(duì)8種低鈉鹽配方進(jìn)行了苦味特性評(píng)價(jià)研究，利用小波壓縮、主成分分析、聚類(lèi)分析和徑向基神經(jīng)網(wǎng)絡(luò)對(duì)電子舌采集的數(shù)據(jù)進(jìn)行相關(guān)分析。結(jié)果顯示：小波壓縮能有效地壓縮樣品信號(hào)，減少數(shù)據(jù)量，保留信號(hào)特征；利用主成分分析和聚類(lèi)分析對(duì)樣品進(jìn)行區(qū)分分類(lèi)，兩種分析方法結(jié)果一致，樣品之間的親疏關(guān)系得到充分展現(xiàn)；結(jié)合感官評(píng)價(jià)結(jié)果，采用徑向基神經(jīng)網(wǎng)絡(luò)建立低鈉鹽配方苦味預(yù)測(cè)模型，預(yù)測(cè)結(jié)果與實(shí)際感官評(píng)價(jià)吻合。電子舌技術(shù)能夠?qū)崿F(xiàn)對(duì)低鈉鹽配方的苦味特性評(píng)價(jià)。

[1]王春曉，崔娟，楊靜，等.通過(guò)開(kāi)展減鹽行動(dòng)控制我國(guó)心血管疾病流行的可行性與必要性[J].中國(guó)衛(wèi)生政策研究，2010(9)：49-53.

[2]王夢(mèng)馨，薄曉培，韓善捷，等.不同防凍措施茶園茶湯滋味差異的電子舌檢測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào)，2016，32(16)：300-306.

[3]曹仲文.電子舌對(duì)醬油的區(qū)分識(shí)別研究[J].中國(guó)調(diào)味品，2017,42(3)：110-113.

[4]潘玉成，葉乃興，江福英，等.電子舌在茶葉檢測(cè)識(shí)別中的應(yīng)用[J].茶葉科學(xué)，2016，36(6):621-630.

[5]Yang Y, Chen Q, Shen C, et al. Evaluation of monosodium glutamate, disodium inosinate and guanylate umami taste by an electronic tongue[J].Journal of Food Engineering,2013,116(3):627-632.

[6]劉瑞新，李慧玲，李學(xué)林，等.基于電子舌的穿心蓮水煎液的掩味效果評(píng)價(jià)研究[J].中草藥，2013,44(16)：2240-2245.

[7]Banerjee R, Tudu B, Shaw L, et al. Instrumental testing of tea by combining the responses of electronic nose and tongue[J].Journal of Food Engineering,2012,110(3):356-363.

[8]張淼，賈洪鋒，李燮昕，等.電子舌在鮮榨橙汁摻假識(shí)別中的應(yīng)用研究[J].食品與機(jī)械，2015,31(6)：92-94.

[9]桑燕芳，王中根，劉昌明.小波分析方法在水文學(xué)研究中的應(yīng)用現(xiàn)狀及展望[J].地理科學(xué)進(jìn)展，2013,32(9)：1413-1422.

[10]宋志強(qiáng)，張瑩，吳江.基于小波包-Haar小波變換的漏磁檢測(cè)信號(hào)降噪數(shù)據(jù)壓縮方法[J].機(jī)床與液壓，2017,45(2)：126-129.

[11]肖立中，陳洋洋，田懷香，等.基于PCA-BP算法的雞精風(fēng)味質(zhì)量模型研究[J].中國(guó)調(diào)味品，2016，41(11):78-82.

[12]Sahoolizadeh A H,Heidari B Z, Dehghani C H. A new face recognition method using PCA, LDA and neural network[J]. International Journal of Computer Science and Engineering,2008(4):218-223.

[13]陳歡，曹承富，張存嶺，等.基于主成分-聚類(lèi)分析評(píng)價(jià)長(zhǎng)期施肥對(duì)砂姜黑土肥力的影響[J].土壤學(xué)報(bào)，2014,51(3)：609-617.

[14]彭顯剛，胡松峰，呂大勇.基于RBF神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)方法綜述[J].電力系統(tǒng)保護(hù)與控制，2011,39(17)：144-148.

[15]周維華.RBF神經(jīng)網(wǎng)絡(luò)隱層結(jié)構(gòu)與參數(shù)優(yōu)化研究[D].上海：華東理工大學(xué)，2014.

Evaluation of Bitterness in Low-sodium Salt by Voltammetric Electronic Tongue

BAI Wei-wei1*, HUI Yan-bo1, NIU Qun-feng1, YANG Yu-yan2

(1.College of Electrical Engineering,He'nan University of Technology, Zhengzhou 450001, China;2.College of Mechanical Engineering,Nanjing University of Science & Technology,Nanjing,210094,China)

A voltammetric electronic tongue is used to evaluate the bitterness of eight kinds of low-sodium salt samples. The signal of sample is collected by voltammetric electronic tongue system.The data are pretreated by wavelet analysis. And then the formula of low-sodium salt is classified by principal component analysis and cluster analysis. The model for predicting the bitterness of low-sodium salt is established by RBF neural network. The results show that the retained energy and the number of zeros are 99.23% and 99.42% after wavelet compression. On the score chart of principal component, the low-sodium salt formula and the bitterness reference samples have obviously differences. The results of cluster analysis and principal component analysis are consistent, and correctly reflect the relationship of samples. The root mean square error (RMSE) of the bitterness prediction model based on RBF neural network is 1.48%. The prediction results are in agreement with the actual sensory evaluation results. This research has provided a new way for the evaluation of flavor characteristics of low-sodium salt.

low-sodium salt；voltammetric electronic tongue；bitterness；wavelet compression；principal component analysis；RBF neural network

2017-03-17 *通訊作者

糧食信息處理與控制教育部重點(diǎn)實(shí)驗(yàn)室資助項(xiàng)目(KF11-2015-101)

白薇薇(1992-)，女，碩士，研究方向：糧油食品檢測(cè)技術(shù)與裝置；

惠延波(1964-)，男，教授，博士，研究方向：制造業(yè)信息化、糧油食品檢測(cè)技術(shù)與裝置。

TS311

A

10.3969/j.issn.1000-9973.2017.09.026

1000-9973(2017)09-0109-04