论文部分内容阅读
摘要 以活品虾夷扇贝为研究对象,研究了采用金属氧化物传感器电子鼻检测虾夷扇贝在常温干露条件下挥发性气味特征与其存活状态的相关性,从而建立了差状态电子鼻指纹图谱。主成分分析能够将A~I批虾夷扇贝进行分类,同一批样品能够很好地聚集在一起,不同批次样品根据其样品的气味品质进行聚类,最后3批样品在散点图中分布非常集中,根据其存活率,将最后3批作为差状态模板建立指纹图谱。通过将未知待测样品T、N与差状态指纹图谱的相似性分析,结果发现它们和差状态指纹图谱与D、E样品之间的标准欧式距离和相关系数指数都比较接近,这与待测样品T、N的存活状态是一致的,表明通过建立活品虾夷扇贝差状态指纹图谱能够对未知待测样品的品质进行判别和评价。
关键词 虾夷扇贝;电子鼻;指纹图谱;差状态
中图分类号 TS254.1文献标识码 A
文章编号 0517-6611(2019)04-0184-04
Abstract Taking live Yesso scallops as research object,the correlation between the volatile odor characteristics and the survival state of Yesso scallops under normal temperature and dry conditions was studied by using metal oxide sensor electronic nose,and the electronic nose fingerprint of the poor survival status was established.Principal component analysis could classify A to I batches of Yesso scallops,and the same batch of samples could be well clustered.Different batches of samples were clustered according to the odor quality of the samples.The last three batches were very distributed in the scatter plot.Based on its survival rate,the last three batches were used as poor survival status templates to create a fingerprint map.By analyzing the similarity between the unknown samples T and N and the difference state fingerprint,the results showed that the standard Euclidean distance and the correlation coefficient index between the D and E samples of the Poor survival status and the D and E samples were close.The survival states of samples T and N were consistent.It was indicated that the quality of the unknown sample could be discriminated and evaluated by establishing alive Yesso scallops fingerprint with poor survival status .
Key words Yesso scallops;Electronic nose;Fingerprint;Poor survival status
目前,我國活品虾夷扇贝品质随着流通时间的延长而不断下降,甚至死亡,长距离陆上运输仍未实现。采捕后的虾夷扇贝所处环境因素不断变化,由于各种胁迫因子引起活品体内发生的应激反应[1],粗糙的保活流通技术以及不规范的运输操作使得不良的生化代谢不断积累,最终使活品虾夷扇贝的各项指标都发生改变,其中活品虾夷扇贝挥发性物质也发生相应变化。在实际保活运输中,经验丰富的运输工人可以通过车厢和运输箱中的气味或颜色对活品虾夷扇贝的状态进行感官评价,而判断虾夷扇贝品质的主要指标是开口率、缩边率和死亡率[2],但这些指标的判定具有很大的主观性,不仅要求判别人员经验丰富,而且不受情绪的影响,判别过程耗时费力,判别结果的准确性及科学性仍然会面临质疑。
许多检测方法被应用于分析扇贝的气味品质,包括仪器分析和感官鉴定。对虾夷扇贝挥发性气味物质而言,主要的仪器分析手段包括气相色谱法(GC)、气相色谱-嗅闻法(GC-O)以及气相色谱质谱联仪(GC-MS)[3],然而这些方法在样品前处理以及检测过程不仅消耗大量时间,而且前处理还会破坏样品的原有品质。电子鼻(E-nose)作为一种新的无损、快速检测手段,在气味检测领域有其独特的优势,这种技术拓宽了开发利用的可能性,在许多不同的领域使顶部空间包含更多的信息[4]。电子鼻是一种试图模仿人类嗅觉感知的仪器,其检测原理是将大量不同的挥发性化合物定义为承载着气味的可测量气体,电子鼻化学传感器提供了一种代表所有组分组合的模式输出,即所谓的数据“指纹”[5]。
指纹源于法医学,近年来被广泛应用于中药指纹图谱[6-8]研究,而目前指纹图谱的研究领域有了很大扩展,如中国名白酒[9]和葡萄酒[10-11]通过找到其中特征香气物质,建立质量指纹图谱库,利用电子鼻建立啤酒老化的特征指纹[12]。但目前利用电子鼻这种快速检测手段建立活品虾夷扇贝的指纹图谱尚未见报道。在考虑一般性和普遍性的情况下,选取鲜活虾夷扇贝在自然干露条件下,由于环境胁迫使虾夷扇贝达到货架期终点,没有活品扇贝的商业价值。笔者利用电子鼻仪器检测气味品质的变化,通过建立活品虾夷扇贝的品质指纹图谱,并以此模板建立一种判别模式,对未知品质样品进行预测,从而达到客观、快速的预判目的。 1 材料与方法
1.1 材料与仪器
1.1.1 材料。
从大连金贝广场净化池中挑选出来200个规格相同的鲜活虾夷扇贝,迅速低温保活运至实验室,时间跨度不超过2 h。另外购买凌晨刚从大连空运至上海水产市场的相同规格的虾夷扇贝50个,随机挑选其中25个标记为T;另外25个虾夷扇贝在常温干露下放置到15:00,标记为N。
1.1.2 仪器。
FOX型金属氧化物传感器电子鼻,购自法国Alpha M.O.S 公司;自动进样器,购自法国Alpha M.O.S 公司。
1.2 试验方法
1.2.1 取样。取鲜活虾夷扇贝,将其运至实验室干露放置于泡沫板上,室内气温为20 ℃左右,共取9批样品,每批20个,每批每隔4 h取样1次,分别标记为A、B、C、D、E、F、G、H、I,取样时随机挑选20个大小规格相似的扇贝,首先观察和记录其扇贝的缩边、开壳和死亡率等存活状态变化,然后去掉贝壳,取扇贝内所有组织,匀浆,装入保鲜袋中立即置于-70 ℃超低温冰柜中保藏,以待电子鼻仪器的检测。T及N 样品组样品,首先观察和记录其扇贝的缩边、开壳和死亡率等存活状态变化,然后去掉贝壳,取扇贝内所有组织,匀浆,装入保鲜袋中立即置于-70 ℃超低温冰柜中保藏,以待电子鼻仪器的检测。所有操作都在干净、卫生的操作台上完成。
1.2.2
样品準备。将待检测样品从-70 ℃超低温冰柜中取出,自然解冻,准确称取样品(5.00±0.05)g放入标有记号进样瓶中,取样完成后,迅速将进样瓶置于电子鼻自动进样器进行检测,每批样品重复检测7~8次。
1.2.3
电子鼻检测程序。取盛有样品的进样瓶,平衡静置温度50 ℃,平衡时间10 min;以洁净、干燥的空气为载气,流速150 mL/min;进样体积300 mL,进样时间1 s,注射针温度60 ℃,数据采集时间120 s,传感器清洗时间10 min。
1.3 数据处理
数据处理都使用MATLAB R2012a软件进行计算,试验所用电子鼻共有18个传感器,电子鼻传感器矩阵每检验样品1次,取每个传感器的最大值为输出值,所有输出值即为18个变量,将所有电子鼻检测数据进行排列,每1行对应1个样品,每1列对应1个变量。
1.3.1 主成分分析。分析电子鼻数据的方法有很多种,其中有一种十分流行的方法是化学计量学。化学计量学方法包括多元变量数据分析的计算程序,越来越多的多组分问题因需要被差异化而使用这种方法,特别是当有大量数据集时,这种方法更普遍被采用[13]。主成分分析作为化学计量学方法的一种,常常是用于分析数据的内在结构的强大多变量统计分析方法,这种无监督技术可以将多维数据转化为更少的主要信息[14]。从原始样本数据开始进行主成分分析,首先将样本数据进行预处理,这里选用标准化变换,标准化变换是每一个观察值减去同维变量的平均值,再除以同维变量的标准差,得到标准化矩阵,从标准化矩阵开始计算样本协方差矩阵S或样本相关系数矩阵R,通过S或R计算其特征值和相应的正交单位特征向量,进而得到主成分,最大的特征值对应的主成分为第一主成分,其次是第二主成分,某个主成分的贡献率是其所对应的特征值与所有特征值总和的比值。
1.3.2
相似性度量[15]。选定样品的某些属性后,可以度量不同样品或同一样品不同状态时的相似性,采用的计算方式有2种,其一是距离,其二是相似系数。距离的计算公式有许多种,如闵可夫斯基距离、兰氏距离、马氏距离等;相似系数主要有夹角余弦和相关系数,尽管相似系数多用于变量的相似性,但对于样品在某种程度上也是适用的[16]。标准化欧式距离(standardized Euclidean distance)[17]是针对欧式距离的缺点而改进的一种方法,2个n维样本a(x11,x12,…,x1n)与b(x21,x22,…,x2n)间的标准化欧氏距离的公式为d12=nk=1X1k-X2kSk 其中Sk表示第k个元素的标准差。
2 结果与分析
2.1 方法学考察[18]
2.1.1 稳定性试验。取同一批扇贝样品按“1.2.2”“1.2.3”中方法操作,分别于0、3、6 d进行检测,结果发现18个传感器响应值RSD低于3%,表明样品在-70 ℃超低温冰柜中0~6 d内稳定。
2.1.2 精密度试验。取同一批扇贝样品按“1.2.2”“1.2.3”中方法操作,连续进样进行检测,结果发现18个传感器响应值RSD低于2%,表明该仪器具有较好的精密度。
2.1.3 重现性试验。将同一批扇贝等分为6份样品,按“1.2.2”“1.2.3”中方法进行检测,结果发现18个传感器响应值RSD低于3%,表明此试验方法具有较好的重现性。
2.2 不同批次虾夷扇贝的存活状态
在常温条件下,鲜活虾夷扇贝干露在空气中,由于它不能像在海水中一样正常呼吸,存活状况会逐渐变差,并且随着时间的流逝会慢慢死亡。在一定程度上,同一批虾夷扇贝的整体存活状态可以通过其开口率、缩边率、死亡率来反映。判断一个扇贝是否死亡,依据的是利用外界强烈刺激其闭壳肌,扇贝肌肉是否伸缩,若否则已经死亡。鲜活虾夷扇贝A~I批样品的存活状态变化如图1所示,其中A、B、C批的死亡率为0,从第D批起死亡率开始上升,第I批死亡率最高,而第E~F批死亡率上升幅度最大,第F~I批死亡率比较平稳;第A~I批扇贝开口情况逐渐增加;第A~F批扇贝的缩边情况随时间的变化而逐渐增加,特别是第D~E批其上升幅度最大,而从第F批开始缩边率没有明显变化。从虾夷扇贝的缩边、开口、死亡情况来看,第F~I批是存活状态最一致的4批,特别是最后3批死亡率及缩边率很稳定,可假设将最后3批作为差状态的虾夷扇贝模板,而后期利用仪器手段来进一步验证上述假设。 来自上海水产市场和大连海洋大学养殖室的2批虾夷扇贝设为待测样品T与N,在取样分析前先进行存活状态指标的感官评价,如表1所示,其中样品T的缩边率和死亡率较低,与图1进行比较,其百分比介于第C批和第D批鲜活虾夷扇贝之间,更接近于第D批,而开口率介于第D批与第E批扇贝之间。样品N的开口率和死亡率与图1进行比较,其百分比介于第E批与第F批之间,比较接近于第E批,而样品N的缩边率介于第D批与第E批之间,更接近于第E批。从存活状态指标来初步判断,可以将待测样品T、N预判为相似于第D批和第E批。
2.3 主成分分析
采用“1.2.1”中的取样方式,将收集待测样品鲜活虾夷扇贝(A~I)的挥发性成分,通过载气传递至电子鼻传感器,由化学信号转化为电子信号,最终得到鲜活虾夷扇贝的电子鼻传感器数据。对所得数据进行主成分分析,得到第一、二特征值分别为17.483 3和0.463 9,第一主成分对方差的贡献率为97.129 6%,前2个主成分对方差的累计贡献率为99.706 9%,故前2个主成分能够说明原始数据的绝大部分信息。
由主成分分析得到前2个主成分得分散点图,如图2所示。从整体来看,所有的散点分布在5个区域,散点A1,A2,…,A7、B1,B2,…,B7和E1,E2,…,E8分别聚在一起,尽管散点D1,D2,…,D7的分布相对其他几批样品比较分散,但还是在一个较小的半径区域内,而散点C1,C2,…,C7正好集中于散点D1,D2,…,D7的中间,鲜活虾夷扇贝的最后4批样品则集中分布在一起,这4批分别为F1,F2,…,F6、G1,G2,…,G7、H1,H2,…,H7和I1,I2,…,I7。其中与虾夷扇贝存活状态最差对应的3批样品分别是G、H、I,它们的散点正好集中在一起,它们与第一主成分呈负相关,投影于第一主成分的 -3~-4位置上,又与第二主成分呈正相关,投影于第二主成分的 0~0.6位置上。G、H、I又与其他几批鲜活扇贝,特别是虾夷扇贝存活状态较好的A、B批次相距甚远,那么在最后的3批样品G、H、I可作为虾夷扇贝差状态的模板,将其他未知虾夷扇贝样品在同等电子鼻传感器条件下所检测的数据与之对比,通过计算它们之间的相似性,即可判别未知样品与差状态模板的接近程度,进而为判断未知样品的好坏提供参考。
2.4 差状态虾夷扇贝指纹图谱的建立
根据鲜活虾夷扇贝存活状态指标及电子鼻数据的主成分得分散点图,发现最后3批样品数据信息十分集中,可聚为一类,故将最后3批样品G、H、I作为一个整体,计算这个整体18个传感器响应值的平均值,以这18个变量平均值为特征值,得到差状态的雷达图作为指纹图谱(图3),而这个指纹图谱是由虾夷扇贝存活状态条件最差的几批样品而得到的,即可作为虾夷扇贝差状态的指纹图谱,标记为WS。
2.5 不同批次虾夷扇贝样品的相似性分析
根据存活状态指标和主成分分析的分析结果,计算不同批次、差状态样品以及来自大连和上海的2批样品N、T的18个变量平均值,以平均值分别代表不同批次、差状态样品和第N、T批的样品,计算它们之间的相似性,如表2和表3所示。表2采用的是标准化欧式距离,计算不同状态样品的距离指数,指数越接近0,说明越相似,首先看到的是第A~F批样品之间的距离指数,其中E与F的距离指数为1.850,是最近距离,其次是A和B的距离指数(2.598),而距离最远的是A与F,其距离指数为11.717。差状态样品WS与A~F批样品的距离指数分别为11.892、9.688、6.260、5.374、2.026、0.225,依次呈明显递减趋势,其中与第F批样品的距离十分接近,这与存活状态指标比较吻合。样品T、N与差状态样品WS的距离指数分别为5.052和1.690,这与WS样品和D、E样品的距离指数比较相似,而且样品T、N分别与D、E样品的距离最近,分别为0.756和0.812;表3为不同批次样品、差状态样品和第N、T批样品之间的相关系数,数值越接近1,说明越相似,表中差状态样品WS与样品A~F的相关系数分别为0.950、0.954、0.954、0.960、0.976、0.999,相关系数指数越大,说明各批次样品的品质与差状态样品越接近,而样品T、N与差状态样品WS的相关系数分别为0.956和0.983,这与WS样品和D、E样品的相关系数比较接近,并且样品T、N分别与样品D、E的相关系数指数最高,分别为0.994和0.993,说明与D、E样品的相似性最高。根据不同批次虾夷扇贝样品的相似性分析,将差状态样品指纹图谱作为模板,计算未知样品与差状态样品的相似性,通过相似性判断未知样品的品质具有一定的可信度,鉴于仪器分析的客观性可进一步得到判别的准确性和科学性。
3 结论
该试验探究了鲜活虾夷扇贝在自然干露条件下,在不同时间段中的存活状态和挥发性性物质的变化。存活状态的检测指标主要包括虾夷扇贝的开口、缩边及死亡情况,从A~F批开口率、缩边率和死亡率逐渐增加,而最后的G、H、I 3批样品的存活状态指标比较一致;采用电子鼻检测虾夷扇贝挥发性物质,18种传感器的电子信号在探测不同状态的样品时有不同程度变化,基于主成分得分散点图,第F、G、H、I批样品与其他几批区分明显且聚合在一起,结合存活状态指标将最后3批样品G、H、I、定义为差状态虾夷扇贝模板,在此基础上建立了差状态虾夷扇贝指纹图谱。通过相似性分析,不僅能够预测第T、N批待测样品相似于D和E批样品,而且验证了利用虾夷扇贝差状态指纹图谱来计算未知待测样品的相似性,通过距离指数或相关系数的大小判别未知待测样品的品质好坏,还为将来品质等级的建立奠定了基础,进一步为预判未知待测样品为哪种品质等级提供了可能。
参考文献
[1] NEIL D M.Ensuring crustacean product quality in the postharvest phase[J].Journal of invertebrate pathology,2012,110(2):267-275. [2] 于笛,刘俊荣,杨君德,等.海水养殖虾夷扇贝供应链可追溯管理体系的探讨[J].水产科学,2013,32(2):117-124.
[3] CHUNG H Y,YUNG I K S,MA W C J,et al.Analysis of volatile components in frozen and dried scallops(Patinopecten yessoensis)by gas chromatography/mass spectrometry[J].food research International,2002,35(1):43-53.
[4] GMEZ A H,WANG J,HU G X,et al.Monitoring storage shelf life of tomato using electronic nose technique[J].Journal of food engineering,2008,85(4):625-631.
[5] HARTYNI P,DALMADI I,KNORR D.Electronic nose investigation of Alicyclobacillus acidoterrestris inoculated apple and orange juice treated by high hydrostatic pressure[J].Food control,2013,32(1):262-269.
[6] LI P,QI L W,LIU E H,et al.Analysis of Chinese herbal medicines with holistic approaches and integrated evaluation models[J].Trends in analytical chemistry,2008,27(1):66-77.
[7] YANG D Z,AN Y Q,JIANG X L,et al.Development of a novel method combining HPLC fingerprint and multi-ingredients quantitative analysis for quality evaluation of traditional Chinese medicine preparation[J].Talanta,2011,85(2):885-890.
[8] LIANG X M,JIN Y,WANG Y P,et al.Qualitative and quantitative analysis in quality control of traditional Chinese medicines[J].Journal of chromatography A,2009,1216(11):2033-2044.
[9] 周圍,周小平,赵国宏,等.名优白酒质量指纹专家鉴别系统[J].分析化学,2004,32(6):735-740.
[10] ALVES R F,NASCIMENTO A M D,NOGUEIRA J M F.Characterization of the aroma profile of Madeira wine by sorptive extraction techniques[J].Analytica chimica acta,2005,546(1):11-21.
[11] SNCHEZPALOMO E,DAZMAROTO M C,PREZCOELLO M S.Rapid determination of volatile compounds in grapes by HSSPME coupled with GCMS[J].Talanta,2005,66(5):1152-1157.
[12] GHASEMIVARNAMKHASTI M,MOHTASEBI S S,SIADAT M,et al.Aging fingerprint characterization of beer using electronic nose[J].Sensors and actuators B:Chemical,2011,159(1):51-59.
[13] LARRIGAUDIRE C,LENTHERIC I,PUY J,et al.Biochemical characterisation of core browning and brown heart disorders in pear by multivariate analysis[J].Postharvest biology and technology,2004,31(1):29-39.
[14] GAN H L,MAN Y B C,TAN C P,et al.Characterisation of vegetable oils by surface acoustic wave sensing electronic nose[J].Food chemistry,2005,89(4):507-518.
[15] 谢中华.MATLAB统计分析与应用 40个案例分析[M].北京:北京航空航天大学出版社,2010.
[16] 朱潘炜,周建弟,刘东红.不同年份黄酒基酒HS-SPME-GCMS指纹图谱的建立[J].中国食品学报,2012,12(2):165-172.
[17] WANG J C,HU J,HUANG X X,et al.Assessment of different genetic distances in constructing cotton core subset by genotypic values[J].J Zhejiang Univ Sci B,2008,9(5):356-362.
[18] 屠鹏飞.中药材指纹图谱的建立及技术要求实例解说[J].中国药品标准,2000(4):22-29.
关键词 虾夷扇贝;电子鼻;指纹图谱;差状态
中图分类号 TS254.1文献标识码 A
文章编号 0517-6611(2019)04-0184-04
Abstract Taking live Yesso scallops as research object,the correlation between the volatile odor characteristics and the survival state of Yesso scallops under normal temperature and dry conditions was studied by using metal oxide sensor electronic nose,and the electronic nose fingerprint of the poor survival status was established.Principal component analysis could classify A to I batches of Yesso scallops,and the same batch of samples could be well clustered.Different batches of samples were clustered according to the odor quality of the samples.The last three batches were very distributed in the scatter plot.Based on its survival rate,the last three batches were used as poor survival status templates to create a fingerprint map.By analyzing the similarity between the unknown samples T and N and the difference state fingerprint,the results showed that the standard Euclidean distance and the correlation coefficient index between the D and E samples of the Poor survival status and the D and E samples were close.The survival states of samples T and N were consistent.It was indicated that the quality of the unknown sample could be discriminated and evaluated by establishing alive Yesso scallops fingerprint with poor survival status .
Key words Yesso scallops;Electronic nose;Fingerprint;Poor survival status
目前,我國活品虾夷扇贝品质随着流通时间的延长而不断下降,甚至死亡,长距离陆上运输仍未实现。采捕后的虾夷扇贝所处环境因素不断变化,由于各种胁迫因子引起活品体内发生的应激反应[1],粗糙的保活流通技术以及不规范的运输操作使得不良的生化代谢不断积累,最终使活品虾夷扇贝的各项指标都发生改变,其中活品虾夷扇贝挥发性物质也发生相应变化。在实际保活运输中,经验丰富的运输工人可以通过车厢和运输箱中的气味或颜色对活品虾夷扇贝的状态进行感官评价,而判断虾夷扇贝品质的主要指标是开口率、缩边率和死亡率[2],但这些指标的判定具有很大的主观性,不仅要求判别人员经验丰富,而且不受情绪的影响,判别过程耗时费力,判别结果的准确性及科学性仍然会面临质疑。
许多检测方法被应用于分析扇贝的气味品质,包括仪器分析和感官鉴定。对虾夷扇贝挥发性气味物质而言,主要的仪器分析手段包括气相色谱法(GC)、气相色谱-嗅闻法(GC-O)以及气相色谱质谱联仪(GC-MS)[3],然而这些方法在样品前处理以及检测过程不仅消耗大量时间,而且前处理还会破坏样品的原有品质。电子鼻(E-nose)作为一种新的无损、快速检测手段,在气味检测领域有其独特的优势,这种技术拓宽了开发利用的可能性,在许多不同的领域使顶部空间包含更多的信息[4]。电子鼻是一种试图模仿人类嗅觉感知的仪器,其检测原理是将大量不同的挥发性化合物定义为承载着气味的可测量气体,电子鼻化学传感器提供了一种代表所有组分组合的模式输出,即所谓的数据“指纹”[5]。
指纹源于法医学,近年来被广泛应用于中药指纹图谱[6-8]研究,而目前指纹图谱的研究领域有了很大扩展,如中国名白酒[9]和葡萄酒[10-11]通过找到其中特征香气物质,建立质量指纹图谱库,利用电子鼻建立啤酒老化的特征指纹[12]。但目前利用电子鼻这种快速检测手段建立活品虾夷扇贝的指纹图谱尚未见报道。在考虑一般性和普遍性的情况下,选取鲜活虾夷扇贝在自然干露条件下,由于环境胁迫使虾夷扇贝达到货架期终点,没有活品扇贝的商业价值。笔者利用电子鼻仪器检测气味品质的变化,通过建立活品虾夷扇贝的品质指纹图谱,并以此模板建立一种判别模式,对未知品质样品进行预测,从而达到客观、快速的预判目的。 1 材料与方法
1.1 材料与仪器
1.1.1 材料。
从大连金贝广场净化池中挑选出来200个规格相同的鲜活虾夷扇贝,迅速低温保活运至实验室,时间跨度不超过2 h。另外购买凌晨刚从大连空运至上海水产市场的相同规格的虾夷扇贝50个,随机挑选其中25个标记为T;另外25个虾夷扇贝在常温干露下放置到15:00,标记为N。
1.1.2 仪器。
FOX型金属氧化物传感器电子鼻,购自法国Alpha M.O.S 公司;自动进样器,购自法国Alpha M.O.S 公司。
1.2 试验方法
1.2.1 取样。取鲜活虾夷扇贝,将其运至实验室干露放置于泡沫板上,室内气温为20 ℃左右,共取9批样品,每批20个,每批每隔4 h取样1次,分别标记为A、B、C、D、E、F、G、H、I,取样时随机挑选20个大小规格相似的扇贝,首先观察和记录其扇贝的缩边、开壳和死亡率等存活状态变化,然后去掉贝壳,取扇贝内所有组织,匀浆,装入保鲜袋中立即置于-70 ℃超低温冰柜中保藏,以待电子鼻仪器的检测。T及N 样品组样品,首先观察和记录其扇贝的缩边、开壳和死亡率等存活状态变化,然后去掉贝壳,取扇贝内所有组织,匀浆,装入保鲜袋中立即置于-70 ℃超低温冰柜中保藏,以待电子鼻仪器的检测。所有操作都在干净、卫生的操作台上完成。
1.2.2
样品準备。将待检测样品从-70 ℃超低温冰柜中取出,自然解冻,准确称取样品(5.00±0.05)g放入标有记号进样瓶中,取样完成后,迅速将进样瓶置于电子鼻自动进样器进行检测,每批样品重复检测7~8次。
1.2.3
电子鼻检测程序。取盛有样品的进样瓶,平衡静置温度50 ℃,平衡时间10 min;以洁净、干燥的空气为载气,流速150 mL/min;进样体积300 mL,进样时间1 s,注射针温度60 ℃,数据采集时间120 s,传感器清洗时间10 min。
1.3 数据处理
数据处理都使用MATLAB R2012a软件进行计算,试验所用电子鼻共有18个传感器,电子鼻传感器矩阵每检验样品1次,取每个传感器的最大值为输出值,所有输出值即为18个变量,将所有电子鼻检测数据进行排列,每1行对应1个样品,每1列对应1个变量。
1.3.1 主成分分析。分析电子鼻数据的方法有很多种,其中有一种十分流行的方法是化学计量学。化学计量学方法包括多元变量数据分析的计算程序,越来越多的多组分问题因需要被差异化而使用这种方法,特别是当有大量数据集时,这种方法更普遍被采用[13]。主成分分析作为化学计量学方法的一种,常常是用于分析数据的内在结构的强大多变量统计分析方法,这种无监督技术可以将多维数据转化为更少的主要信息[14]。从原始样本数据开始进行主成分分析,首先将样本数据进行预处理,这里选用标准化变换,标准化变换是每一个观察值减去同维变量的平均值,再除以同维变量的标准差,得到标准化矩阵,从标准化矩阵开始计算样本协方差矩阵S或样本相关系数矩阵R,通过S或R计算其特征值和相应的正交单位特征向量,进而得到主成分,最大的特征值对应的主成分为第一主成分,其次是第二主成分,某个主成分的贡献率是其所对应的特征值与所有特征值总和的比值。
1.3.2
相似性度量[15]。选定样品的某些属性后,可以度量不同样品或同一样品不同状态时的相似性,采用的计算方式有2种,其一是距离,其二是相似系数。距离的计算公式有许多种,如闵可夫斯基距离、兰氏距离、马氏距离等;相似系数主要有夹角余弦和相关系数,尽管相似系数多用于变量的相似性,但对于样品在某种程度上也是适用的[16]。标准化欧式距离(standardized Euclidean distance)[17]是针对欧式距离的缺点而改进的一种方法,2个n维样本a(x11,x12,…,x1n)与b(x21,x22,…,x2n)间的标准化欧氏距离的公式为d12=nk=1X1k-X2kSk 其中Sk表示第k个元素的标准差。
2 结果与分析
2.1 方法学考察[18]
2.1.1 稳定性试验。取同一批扇贝样品按“1.2.2”“1.2.3”中方法操作,分别于0、3、6 d进行检测,结果发现18个传感器响应值RSD低于3%,表明样品在-70 ℃超低温冰柜中0~6 d内稳定。
2.1.2 精密度试验。取同一批扇贝样品按“1.2.2”“1.2.3”中方法操作,连续进样进行检测,结果发现18个传感器响应值RSD低于2%,表明该仪器具有较好的精密度。
2.1.3 重现性试验。将同一批扇贝等分为6份样品,按“1.2.2”“1.2.3”中方法进行检测,结果发现18个传感器响应值RSD低于3%,表明此试验方法具有较好的重现性。
2.2 不同批次虾夷扇贝的存活状态
在常温条件下,鲜活虾夷扇贝干露在空气中,由于它不能像在海水中一样正常呼吸,存活状况会逐渐变差,并且随着时间的流逝会慢慢死亡。在一定程度上,同一批虾夷扇贝的整体存活状态可以通过其开口率、缩边率、死亡率来反映。判断一个扇贝是否死亡,依据的是利用外界强烈刺激其闭壳肌,扇贝肌肉是否伸缩,若否则已经死亡。鲜活虾夷扇贝A~I批样品的存活状态变化如图1所示,其中A、B、C批的死亡率为0,从第D批起死亡率开始上升,第I批死亡率最高,而第E~F批死亡率上升幅度最大,第F~I批死亡率比较平稳;第A~I批扇贝开口情况逐渐增加;第A~F批扇贝的缩边情况随时间的变化而逐渐增加,特别是第D~E批其上升幅度最大,而从第F批开始缩边率没有明显变化。从虾夷扇贝的缩边、开口、死亡情况来看,第F~I批是存活状态最一致的4批,特别是最后3批死亡率及缩边率很稳定,可假设将最后3批作为差状态的虾夷扇贝模板,而后期利用仪器手段来进一步验证上述假设。 来自上海水产市场和大连海洋大学养殖室的2批虾夷扇贝设为待测样品T与N,在取样分析前先进行存活状态指标的感官评价,如表1所示,其中样品T的缩边率和死亡率较低,与图1进行比较,其百分比介于第C批和第D批鲜活虾夷扇贝之间,更接近于第D批,而开口率介于第D批与第E批扇贝之间。样品N的开口率和死亡率与图1进行比较,其百分比介于第E批与第F批之间,比较接近于第E批,而样品N的缩边率介于第D批与第E批之间,更接近于第E批。从存活状态指标来初步判断,可以将待测样品T、N预判为相似于第D批和第E批。
2.3 主成分分析
采用“1.2.1”中的取样方式,将收集待测样品鲜活虾夷扇贝(A~I)的挥发性成分,通过载气传递至电子鼻传感器,由化学信号转化为电子信号,最终得到鲜活虾夷扇贝的电子鼻传感器数据。对所得数据进行主成分分析,得到第一、二特征值分别为17.483 3和0.463 9,第一主成分对方差的贡献率为97.129 6%,前2个主成分对方差的累计贡献率为99.706 9%,故前2个主成分能够说明原始数据的绝大部分信息。
由主成分分析得到前2个主成分得分散点图,如图2所示。从整体来看,所有的散点分布在5个区域,散点A1,A2,…,A7、B1,B2,…,B7和E1,E2,…,E8分别聚在一起,尽管散点D1,D2,…,D7的分布相对其他几批样品比较分散,但还是在一个较小的半径区域内,而散点C1,C2,…,C7正好集中于散点D1,D2,…,D7的中间,鲜活虾夷扇贝的最后4批样品则集中分布在一起,这4批分别为F1,F2,…,F6、G1,G2,…,G7、H1,H2,…,H7和I1,I2,…,I7。其中与虾夷扇贝存活状态最差对应的3批样品分别是G、H、I,它们的散点正好集中在一起,它们与第一主成分呈负相关,投影于第一主成分的 -3~-4位置上,又与第二主成分呈正相关,投影于第二主成分的 0~0.6位置上。G、H、I又与其他几批鲜活扇贝,特别是虾夷扇贝存活状态较好的A、B批次相距甚远,那么在最后的3批样品G、H、I可作为虾夷扇贝差状态的模板,将其他未知虾夷扇贝样品在同等电子鼻传感器条件下所检测的数据与之对比,通过计算它们之间的相似性,即可判别未知样品与差状态模板的接近程度,进而为判断未知样品的好坏提供参考。
2.4 差状态虾夷扇贝指纹图谱的建立
根据鲜活虾夷扇贝存活状态指标及电子鼻数据的主成分得分散点图,发现最后3批样品数据信息十分集中,可聚为一类,故将最后3批样品G、H、I作为一个整体,计算这个整体18个传感器响应值的平均值,以这18个变量平均值为特征值,得到差状态的雷达图作为指纹图谱(图3),而这个指纹图谱是由虾夷扇贝存活状态条件最差的几批样品而得到的,即可作为虾夷扇贝差状态的指纹图谱,标记为WS。
2.5 不同批次虾夷扇贝样品的相似性分析
根据存活状态指标和主成分分析的分析结果,计算不同批次、差状态样品以及来自大连和上海的2批样品N、T的18个变量平均值,以平均值分别代表不同批次、差状态样品和第N、T批的样品,计算它们之间的相似性,如表2和表3所示。表2采用的是标准化欧式距离,计算不同状态样品的距离指数,指数越接近0,说明越相似,首先看到的是第A~F批样品之间的距离指数,其中E与F的距离指数为1.850,是最近距离,其次是A和B的距离指数(2.598),而距离最远的是A与F,其距离指数为11.717。差状态样品WS与A~F批样品的距离指数分别为11.892、9.688、6.260、5.374、2.026、0.225,依次呈明显递减趋势,其中与第F批样品的距离十分接近,这与存活状态指标比较吻合。样品T、N与差状态样品WS的距离指数分别为5.052和1.690,这与WS样品和D、E样品的距离指数比较相似,而且样品T、N分别与D、E样品的距离最近,分别为0.756和0.812;表3为不同批次样品、差状态样品和第N、T批样品之间的相关系数,数值越接近1,说明越相似,表中差状态样品WS与样品A~F的相关系数分别为0.950、0.954、0.954、0.960、0.976、0.999,相关系数指数越大,说明各批次样品的品质与差状态样品越接近,而样品T、N与差状态样品WS的相关系数分别为0.956和0.983,这与WS样品和D、E样品的相关系数比较接近,并且样品T、N分别与样品D、E的相关系数指数最高,分别为0.994和0.993,说明与D、E样品的相似性最高。根据不同批次虾夷扇贝样品的相似性分析,将差状态样品指纹图谱作为模板,计算未知样品与差状态样品的相似性,通过相似性判断未知样品的品质具有一定的可信度,鉴于仪器分析的客观性可进一步得到判别的准确性和科学性。
3 结论
该试验探究了鲜活虾夷扇贝在自然干露条件下,在不同时间段中的存活状态和挥发性性物质的变化。存活状态的检测指标主要包括虾夷扇贝的开口、缩边及死亡情况,从A~F批开口率、缩边率和死亡率逐渐增加,而最后的G、H、I 3批样品的存活状态指标比较一致;采用电子鼻检测虾夷扇贝挥发性物质,18种传感器的电子信号在探测不同状态的样品时有不同程度变化,基于主成分得分散点图,第F、G、H、I批样品与其他几批区分明显且聚合在一起,结合存活状态指标将最后3批样品G、H、I、定义为差状态虾夷扇贝模板,在此基础上建立了差状态虾夷扇贝指纹图谱。通过相似性分析,不僅能够预测第T、N批待测样品相似于D和E批样品,而且验证了利用虾夷扇贝差状态指纹图谱来计算未知待测样品的相似性,通过距离指数或相关系数的大小判别未知待测样品的品质好坏,还为将来品质等级的建立奠定了基础,进一步为预判未知待测样品为哪种品质等级提供了可能。
参考文献
[1] NEIL D M.Ensuring crustacean product quality in the postharvest phase[J].Journal of invertebrate pathology,2012,110(2):267-275. [2] 于笛,刘俊荣,杨君德,等.海水养殖虾夷扇贝供应链可追溯管理体系的探讨[J].水产科学,2013,32(2):117-124.
[3] CHUNG H Y,YUNG I K S,MA W C J,et al.Analysis of volatile components in frozen and dried scallops(Patinopecten yessoensis)by gas chromatography/mass spectrometry[J].food research International,2002,35(1):43-53.
[4] GMEZ A H,WANG J,HU G X,et al.Monitoring storage shelf life of tomato using electronic nose technique[J].Journal of food engineering,2008,85(4):625-631.
[5] HARTYNI P,DALMADI I,KNORR D.Electronic nose investigation of Alicyclobacillus acidoterrestris inoculated apple and orange juice treated by high hydrostatic pressure[J].Food control,2013,32(1):262-269.
[6] LI P,QI L W,LIU E H,et al.Analysis of Chinese herbal medicines with holistic approaches and integrated evaluation models[J].Trends in analytical chemistry,2008,27(1):66-77.
[7] YANG D Z,AN Y Q,JIANG X L,et al.Development of a novel method combining HPLC fingerprint and multi-ingredients quantitative analysis for quality evaluation of traditional Chinese medicine preparation[J].Talanta,2011,85(2):885-890.
[8] LIANG X M,JIN Y,WANG Y P,et al.Qualitative and quantitative analysis in quality control of traditional Chinese medicines[J].Journal of chromatography A,2009,1216(11):2033-2044.
[9] 周圍,周小平,赵国宏,等.名优白酒质量指纹专家鉴别系统[J].分析化学,2004,32(6):735-740.
[10] ALVES R F,NASCIMENTO A M D,NOGUEIRA J M F.Characterization of the aroma profile of Madeira wine by sorptive extraction techniques[J].Analytica chimica acta,2005,546(1):11-21.
[11] SNCHEZPALOMO E,DAZMAROTO M C,PREZCOELLO M S.Rapid determination of volatile compounds in grapes by HSSPME coupled with GCMS[J].Talanta,2005,66(5):1152-1157.
[12] GHASEMIVARNAMKHASTI M,MOHTASEBI S S,SIADAT M,et al.Aging fingerprint characterization of beer using electronic nose[J].Sensors and actuators B:Chemical,2011,159(1):51-59.
[13] LARRIGAUDIRE C,LENTHERIC I,PUY J,et al.Biochemical characterisation of core browning and brown heart disorders in pear by multivariate analysis[J].Postharvest biology and technology,2004,31(1):29-39.
[14] GAN H L,MAN Y B C,TAN C P,et al.Characterisation of vegetable oils by surface acoustic wave sensing electronic nose[J].Food chemistry,2005,89(4):507-518.
[15] 谢中华.MATLAB统计分析与应用 40个案例分析[M].北京:北京航空航天大学出版社,2010.
[16] 朱潘炜,周建弟,刘东红.不同年份黄酒基酒HS-SPME-GCMS指纹图谱的建立[J].中国食品学报,2012,12(2):165-172.
[17] WANG J C,HU J,HUANG X X,et al.Assessment of different genetic distances in constructing cotton core subset by genotypic values[J].J Zhejiang Univ Sci B,2008,9(5):356-362.
[18] 屠鹏飞.中药材指纹图谱的建立及技术要求实例解说[J].中国药品标准,2000(4):22-29.