大豆分離蛋白具有功能性、營養(yǎng)性和經(jīng)濟性，廣泛應用于食品及其他行業(yè)中，大豆分離蛋白酶解過程會引入許多不良味道，特別是苦味。目前苦味評價主要采用傳統(tǒng)的感官評價，但感官評價存在主觀性，對準確度和重復性等方面的把握有所欠缺。近年來，電子舌作為一種能快速檢測味覺品質(zhì)的新技術(shù)，可以對復雜樣品最基本的酸、甜、苦、辣、咸味覺評價指標進行快速的味覺檢測分析。
本文采用法國Alpha MOS公司Astree電子舌采集配方溶液信號，利用PCA和DFA進行定性分析，結(jié)合偏最小二乘法和RBF神經(jīng)網(wǎng)絡建立苦味定量預測模型。
大豆分離蛋白、堿性蛋白酶、奎寧。
配制不同質(zhì)量濃度(1g/mL、2g/mL、4g/mL、8g/mL、16g/mL、32g/mL)的奎寧溶液作為苦味標準液，大豆分離蛋白配方見表1。
儀器與方法
使用法國Alpha MOS公司Astree電子舌采集配方的味覺信息。它由一個16位自動進樣器、安裝在Ag/AgCl參比電極上的7根具有交叉敏感性的傳感器陣列（ZZ、JE、BB、CA、GA、HA和JB）、信號采集模塊以及模式識別系統(tǒng)組成。電子舌模擬人類的感覺器官舌頭對待測樣品進行分析、識別和判斷。每根傳感器對不同樣品吸附溶液分子的靈敏度不同，表現(xiàn)出不同的電位變化，根據(jù)電位變化分析溶液的味覺特性。
試驗開始前，為了使結(jié)果更準確，需要對電子舌進行調(diào)試，主要包括活化、初始化、校準和診斷等環(huán)節(jié)。試驗開始時，將待測液倒入電子舌專用燒杯中，按照待測液-清洗液-待測液的順序交替擺放在電子舌自動進樣器上，樣品數(shù)據(jù)采集時間默認為120s，每種樣品重復采集10次，為了得到穩(wěn)定和準確的試驗數(shù)據(jù)，同時也為了減少誤差，去除第1次和最后1次采集到的數(shù)據(jù)，用中間8個數(shù)據(jù)進行后續(xù)處理。
為了比較8種配方的苦味程度，選取20名對苦味敏感的感官評價員，對8種配方進行品嘗，根據(jù)表2的評價標準進行評價。配方1-配方8的苦味得分分別為3.7、3.8、3.9、4.0、4.1、4.1、4.3、4.4。由評分結(jié)果可知，8種配方苦味差異不大，苦味均可以接受，8種配方苦味得分近似呈線性分布。
2、傳感器的選擇
使用Astree電子舌采集樣品味覺信息，圖1為7根傳感器對配方1的響應強度。由圖1可見，傳感器JE的電壓響應強度最高，ZZ與BB的電壓響應強度接近，HA的電壓響應強度最低，最不敏感。
表3為7根傳感器在8種配方中的相對標準偏差。由表3可知，傳感器JE、ZZ、BB、GA對8種配方的相對標準偏差均小于6%，傳感器CA、HA、JB的相對標準偏差6%＜RSD＜30%。表明傳感器CA、HA、JB會影響試驗結(jié)果，造成較大偏差。剔除判別能力較弱的傳感器，選擇判別能力強的傳感器，以增強試驗的準確性。故選用傳感器JE、ZZ、BB和GA分析8種配方的味覺信息。
3、主成分分析和判別因子分析
主成分分析(PCA)是一種降低數(shù)據(jù)集維數(shù)的多元統(tǒng)計方法，它在不丟失任何信息的前提下，對采集到的數(shù)據(jù)進行降維處理和數(shù)據(jù)轉(zhuǎn)換，據(jù)此把多個相關性很高的變量歸結(jié)為幾個不相干變量或相關性很低的變量。主成分分析散點圖上的散點代表樣品，散點之間的距離代表樣品間的差異性與親疏性，主成分貢獻率越大，代表包含更多數(shù)據(jù)信息。
判別因子分析(DFA)是一種通過重新組合原始變量信息來優(yōu)化區(qū)分的分類技術(shù)，它根據(jù)相關性大小把數(shù)據(jù)分組，且不改變原有變量，使不同類數(shù)據(jù)組間距離最大的同時，保證同類數(shù)據(jù)組內(nèi)差異最小，使各個組間的重心距離最大。
選用奎寧作為苦味標準液對8種配方進行試驗，所得結(jié)果分別用PCA和DFA進行分析。
選擇傳感器JE、ZZ、BB、GA，PCA和DFA分析結(jié)果見圖3。
由圖3可知，主成分PC1、PC2貢獻率分別為94.026%和3.792%，判別因子DF1、DF2貢獻率分別為98.505%和1.259%，總貢獻率近似為100%?？鼘幦芤号c配方溶液的落點分居于y軸兩側(cè)，表明配方溶液與奎寧溶液區(qū)分度高?？鼘幦芤号c配方溶液組間距離較遠，表明8種配方溶液苦味不明顯。8種配方溶液組內(nèi)離散程度較小，表明各配方之間苦味差異性小。PCA、DFA顯示一致的苦味評價結(jié)果。因此，PCA和DFA均可鑒別配方的苦味程度。
4、PLS建模及預測
建立PLS大豆分離蛋白苦味預測模型，以4根優(yōu)化后傳感器電壓響應值作為自變量，以感官評分值作為因變量構(gòu)建PLS模型。得回歸方程:
y=66.6953－0.0041s1－0.0053s2+0.0004s3－0.0001s4，
式中：y為電子舌苦味預測值;s1、s2、s3、s4分別為傳感器ZZ、JE、BB、GA電壓響應值。
在所建立的偏最小二乘模型中，P(P=0.000)＜0.05，表明此模型的回歸方程具有顯著意義。以4根優(yōu)化后傳感器電壓響應值構(gòu)建PLS為0.969，RMSE為0.035，實際值與預測值有較好的相關性，預測效果較好。
5、RBF建模及預測
本次試驗重疊系數(shù)選取范圍為1～3，隱含層節(jié)點數(shù)選取范圍為4～15。建立兩個RBF神經(jīng)網(wǎng)絡模型，其中建模集有32個樣本，預測集有32個樣本。輸入層節(jié)點數(shù)都為4，分別對應4根傳感器電壓響應值和前4個PC值，隱含層節(jié)點通過自身學習確定最優(yōu)節(jié)點數(shù)，輸出層輸出配方的苦味得分。預測結(jié)果表明，隨著重疊系數(shù)的增加，建模集與預測集的RMSE逐漸減小，因此最終確定重疊系數(shù)為3。隨著隱含層節(jié)點數(shù)的增加，RMSE逐漸減小，但隱含層節(jié)點數(shù)增加到一定值之后，RMSE逐漸增大，由此確定最佳隱含層R節(jié)點數(shù)為9。在4-9-1結(jié)構(gòu)中，4根優(yōu)化后傳感器電壓響應值預測集的RMSE和分別為0.010和0.987，前4個PC預測集的RMSE和R分別為0.007、0.913。RMSE小于PLS預測模型的0.035、0.093，R均大于PLS預測模型的0.969、0.334，說明4根傳感器電壓響應值與前4個PC作為輸入?yún)?shù)建立的RBF預測模型預測值更接近真實值，預測效果較好。
參考文獻：蘆建超,惠延波,胡曉利,布冠好.基于電子舌的大豆分離蛋白苦味分析與評價技術(shù)研究[J].河南工業(yè)大學學報(自然科學版),2019,40(06):65-69+79.DOI:10.16433/j.cnki.issn1673-2383.2019.06.011.
提醒：文章僅供參考，如有不當，歡迎留言指正和交流。且讀者不應該在缺乏具體的專業(yè)建議的情況下，擅自根據(jù)文章內(nèi)容采取行動，因此導致的損失，本運營方不負責。如文章涉及侵權(quán)或不愿我平臺發(fā)布，請聯(lián)系處理。 本文采用法國Alpha MOS公司Astree電子舌采集配方溶液信號，利用PCA和DFA進行定性分析，結(jié)合偏最小二乘法和RBF神經(jīng)網(wǎng)絡建立苦味定量預測模型。
一、材料與方法
試驗材料大豆分離蛋白、堿性蛋白酶、奎寧。
配制不同質(zhì)量濃度(1g/mL、2g/mL、4g/mL、8g/mL、16g/mL、32g/mL)的奎寧溶液作為苦味標準液，大豆分離蛋白配方見表1。
表1 試驗配方
使用法國Alpha MOS公司Astree電子舌采集配方的味覺信息。它由一個16位自動進樣器、安裝在Ag/AgCl參比電極上的7根具有交叉敏感性的傳感器陣列（ZZ、JE、BB、CA、GA、HA和JB）、信號采集模塊以及模式識別系統(tǒng)組成。電子舌模擬人類的感覺器官舌頭對待測樣品進行分析、識別和判斷。每根傳感器對不同樣品吸附溶液分子的靈敏度不同，表現(xiàn)出不同的電位變化，根據(jù)電位變化分析溶液的味覺特性。
試驗開始前，為了使結(jié)果更準確，需要對電子舌進行調(diào)試，主要包括活化、初始化、校準和診斷等環(huán)節(jié)。試驗開始時，將待測液倒入電子舌專用燒杯中，按照待測液-清洗液-待測液的順序交替擺放在電子舌自動進樣器上，樣品數(shù)據(jù)采集時間默認為120s，每種樣品重復采集10次，為了得到穩(wěn)定和準確的試驗數(shù)據(jù)，同時也為了減少誤差，去除第1次和最后1次采集到的數(shù)據(jù)，用中間8個數(shù)據(jù)進行后續(xù)處理。
二、結(jié)果與分析
1、傳統(tǒng)感官評價為了比較8種配方的苦味程度，選取20名對苦味敏感的感官評價員，對8種配方進行品嘗，根據(jù)表2的評價標準進行評價。配方1-配方8的苦味得分分別為3.7、3.8、3.9、4.0、4.1、4.1、4.3、4.4。由評分結(jié)果可知，8種配方苦味差異不大，苦味均可以接受，8種配方苦味得分近似呈線性分布。
表2 苦味評價標準
使用Astree電子舌采集樣品味覺信息，圖1為7根傳感器對配方1的響應強度。由圖1可見，傳感器JE的電壓響應強度最高，ZZ與BB的電壓響應強度接近，HA的電壓響應強度最低，最不敏感。
表3 7根傳感器在8種配方中的相對標準偏差
3、主成分分析和判別因子分析
主成分分析(PCA)是一種降低數(shù)據(jù)集維數(shù)的多元統(tǒng)計方法，它在不丟失任何信息的前提下，對采集到的數(shù)據(jù)進行降維處理和數(shù)據(jù)轉(zhuǎn)換，據(jù)此把多個相關性很高的變量歸結(jié)為幾個不相干變量或相關性很低的變量。主成分分析散點圖上的散點代表樣品，散點之間的距離代表樣品間的差異性與親疏性，主成分貢獻率越大，代表包含更多數(shù)據(jù)信息。
判別因子分析(DFA)是一種通過重新組合原始變量信息來優(yōu)化區(qū)分的分類技術(shù)，它根據(jù)相關性大小把數(shù)據(jù)分組，且不改變原有變量，使不同類數(shù)據(jù)組間距離最大的同時，保證同類數(shù)據(jù)組內(nèi)差異最小，使各個組間的重心距離最大。
選用奎寧作為苦味標準液對8種配方進行試驗，所得結(jié)果分別用PCA和DFA進行分析。
選擇傳感器JE、ZZ、BB、GA，PCA和DFA分析結(jié)果見圖3。
4、PLS建模及預測
建立PLS大豆分離蛋白苦味預測模型，以4根優(yōu)化后傳感器電壓響應值作為自變量，以感官評分值作為因變量構(gòu)建PLS模型。得回歸方程:
y=66.6953－0.0041s1－0.0053s2+0.0004s3－0.0001s4，
式中：y為電子舌苦味預測值;s1、s2、s3、s4分別為傳感器ZZ、JE、BB、GA電壓響應值。
在所建立的偏最小二乘模型中，P(P=0.000)＜0.05，表明此模型的回歸方程具有顯著意義。以4根優(yōu)化后傳感器電壓響應值構(gòu)建PLS為0.969，RMSE為0.035，實際值與預測值有較好的相關性，預測效果較好。
5、RBF建模及預測
本次試驗重疊系數(shù)選取范圍為1～3，隱含層節(jié)點數(shù)選取范圍為4～15。建立兩個RBF神經(jīng)網(wǎng)絡模型，其中建模集有32個樣本，預測集有32個樣本。輸入層節(jié)點數(shù)都為4，分別對應4根傳感器電壓響應值和前4個PC值，隱含層節(jié)點通過自身學習確定最優(yōu)節(jié)點數(shù)，輸出層輸出配方的苦味得分。預測結(jié)果表明，隨著重疊系數(shù)的增加，建模集與預測集的RMSE逐漸減小，因此最終確定重疊系數(shù)為3。隨著隱含層節(jié)點數(shù)的增加，RMSE逐漸減小，但隱含層節(jié)點數(shù)增加到一定值之后，RMSE逐漸增大，由此確定最佳隱含層R節(jié)點數(shù)為9。在4-9-1結(jié)構(gòu)中，4根優(yōu)化后傳感器電壓響應值預測集的RMSE和分別為0.010和0.987，前4個PC預測集的RMSE和R分別為0.007、0.913。RMSE小于PLS預測模型的0.035、0.093，R均大于PLS預測模型的0.969、0.334，說明4根傳感器電壓響應值與前4個PC作為輸入?yún)?shù)建立的RBF預測模型預測值更接近真實值，預測效果較好。
三、結(jié)論
本文采用法國Astree電子舌對8種不同條件下大豆分離蛋白的苦味進行分析，采用主成分分析、判別因子分析、偏最小二乘法和RBF神經(jīng)網(wǎng)絡對采集到的數(shù)據(jù)進行分析。結(jié)果表明，PCA與DFA顯示的結(jié)果一致，均可鑒別配方的苦味程度;經(jīng)超聲波、超高壓、高壓均質(zhì)、酶解處理的大豆分離蛋白苦味相近，經(jīng)超聲波、超高壓、高壓均質(zhì)處理酶解的大豆分離蛋白苦味程度較高，勉強可以接受;RBF神經(jīng)網(wǎng)絡預測模型的預測效果比PLS預測模型的預測效果好，預測結(jié)果與感官評價得分結(jié)果一致。參考文獻：蘆建超,惠延波,胡曉利,布冠好.基于電子舌的大豆分離蛋白苦味分析與評價技術(shù)研究[J].河南工業(yè)大學學報(自然科學版),2019,40(06):65-69+79.DOI:10.16433/j.cnki.issn1673-2383.2019.06.011.
