综合型传感器阵列对掺杂生乳的识别

黄赣辉，石 磊，曾祥盛，，邓丹雯

（1.南昌大学食品科学与技术国家重点实验室，江西南昌330047；2.江西出入境检验检疫局综合技术中心，江西南昌330038）

现有的检测方法都只是针对某一种已知掺杂物的特征属性进行甄别的，而对生乳掺杂进行全面检测尚存在困难，且对于层出不穷的掺假技术也无法及时应对。研究表明，任何行为的掺杂必将导致一些与电化学性质相关的指标发生变化，如pH、电导率、钠离子浓度，甚或氨、溶解氧等的变化；另一方面，电化学检测方法所具有的灵敏性高、稳定性好、重现性佳等特点[6-7]；因此，电化学方法研究在乳品检测中逐步得到应用[8-11]。但在实践上发现存在着两大误区，一是过分依赖于化学计量学的作用而忽视传感器本身的差异性识别能力，信号庞杂，数据处理困难；其二是强调传感器的选择性，而忽视不同电化学物质在不同传感器上的差异性的影响，和不同电化学物质在不同传感器上的共性表达，使用大量的选择性传感器致使系统结构复杂而难以在技术上实现。

基于以上认识，本文提出了基于“非选择性-交互敏感”的多传感器阵列方法[12-13]，结合掺杂原料乳的某些变化属于特征性指标，在生乳掺杂检测装置中加入选择性传感器，以提高检测能力，对所采集的电化学数据进行统计学分析[14-15]来对生乳掺杂进行甄别，建立基于综合型传感器阵列对生乳掺杂检测的技术方法，探索和确立电化学传感器阵列在生乳掺杂判别的理论。

1 材料与方法

1.1 材料与仪器

生乳 江西阳光乳业股份有限公司；氯化钾（AR）上海展云化工有限公司；超纯水（18.25MΩ·cm-1）；γ-Al2O3粉末 上海辰华仪器有限公司；铁氰化钾（AR）、KCl（AR）、NaHCO3（AR）天津市大茂化学试剂厂；尿素（AR） 天津市永大化学试剂有限公司；三聚氰胺（AR） 上海精析化工科技有限公司；电极表面清洗液 0.2%活性清洗液，市售餐具清洗剂进行稀释配制而得。

电化学方法检测仪器设备 电化学工作站（CHI660B）和40通道多通道选通器，上海辰华仪器有限公司；KQ-2200DB超声波清洗器 昆山市超声清洗仪器有限公司；钯、铂、金、钛、钨和银6种惰性贵金属电极组工作电极 为自制；其他 为实验室常规仪器设备；PHS-2F pH电极、DDS-307电导率电极、DWS-51钠离子计电极 均为上海雷磁仪器厂生产。

1.2 实验装置

1.2.1 电极与传感器 金、铂、银、钨、钛、钯六种贵金属电极（自制）作为工作电极以及Φ2.0mm CHI102铂盘电极作为辅助电极的非选择性传感器阵列；水相3moL/L CHI110Ag/AgCl参比电极；

1.2.2 传感器清洗 非选择性电极在首次使用前进行机械抛光以清洁电极表面，然后，在0.2mmol/L HClO4溶液中，以-0.5～0.5V为电位区间，结合Ag/AgCl参比电极，进行0.1V/s循环伏安法（CV）扫描，直至cv曲线重合（约70周），再用去离子水超声波清洗，氮气吹干保护待用；在任意两次测量过程中对工作电极表面采用电化学清洗。

1.2.3 生乳掺杂检测系统的组装 传感器阵列组合由选择性传感器组、非选择性传感器阵列、参比电极组成，通过相应端口与电化学工作站相连接，电化学工作站通过数据线与安装有电化学工作站程序控制软件和统计学软件的计算机相连接，并由计算机进行检测和数据采集控制。选择性传感器组包括pH电极、电导率电极和钠度计电极；非选择性传感器阵列中包括金、铂、银、钨、钛、钯六种电极为工作电极，铂盘电极为辅助电极、Ag/AgCl电极为参比电极。所有电极在每组检测前进行校正，三次检测数据差异小于1.0%。

1.3 实验方法

1.3.1 电化学检测方法 非选择性传感器阵列中各电极采用微分脉冲伏安法检测，初始电位为0V和终止电位为0.5V，电位增量为0.005V，振幅为0.05V，脉冲宽度为0.05s，采样宽度为0.01s，脉冲周期为0.5s；选择性传感器阵列组中的pH计电极及钠度计电极均采用开路电位法对研究对象进行数据采集，开路电位法的设置参数为：数据采集时间每次为100s，采集间隔为0.1高电位和低电位限制分别设置为±1V；电导率电极在交流阻抗谱法的激发信号下对检测液进行数据采集，交流阻抗谱法的实验参数为以静息电位为起始电平，检测频率依次从1～100000Hz，振幅设置为0.005V，灵敏度设置为自动。

本设计系统使用的是以太坊的go-ethereum客户端来连接到自己搭建的以太坊私有网络，它提供的应用程序编程接口（API）可以给本设计系统进行调用，并用来创建新地址，验证数字签名、支付和转账、查看余额等。接口层包含了以太坊智能合约脚本、分布式计算、验证加密签名和数据存储的技术。所有的请求数据通过post传递，使用json参数传递。

1.3.2 生乳标准数据库的建立 以江西阳光乳业集团长山奶场荷斯坦牛生乳进行90d跟踪检测，采集电化学信息，经过Grubbs检验，保留电化学数据相对稳定的80%数量批次的乳样数据，并按照适合的模式识别方法建立标准荷斯坦乳牛生乳标准数据库。

1.3.3 掺杂乳样检测

1.3.3.1 检测样品的制备 新鲜生乳为对照组，在生乳中按表1浓度分别添加尿素和三聚氰胺，作为掺杂样本进行检测。

表1 待测生乳掺杂物浓度Table 1 Concentration of dopant in raw milk

其他待测样本如下处理：酸败乳（pH4.8）、添加饱和碳酸氢钠溶液调节酸度为pH6.5的酸败乳、陈放乳为2℃冰箱陈放2周（出现分层则弃去上层脂质层，将下层乳液备用）、巴氏杀菌乳为70℃恒温水浴覆盖保鲜膜加热30min，冷却至常温备用。所有待测样品检测前缓慢通入高纯氮气去除溶解氧。

1.3.3.2 数据采集 测试池温度25℃，检测烧杯放入测试池恒温5min后，按照标准生乳样品数据采集的电化学方法对上述样品进行样本检测和数据采集。每个样品设置5个平行样本，每个样本检测5次，最终数据取平均值，并提取出每次微分脉冲伏安法所采集的峰电流值。

1.3.3.3 数据分析 由于牛乳在微分脉冲伏安法下除银电极外各传感器的电流响应信号的数值都相对比较小，因此需要对响应电流进行放大处理后再进行统计分析。在单因素方差分析中，选取各传感器在电势激发信号下各个样本的响应峰电流作为特征点，以每根传感器当作一个因素，不同样品的响应当作水平，构成一个30×30的数据矩阵进行方差分析；在主成分分析中体现传感器阵列对各个样品的差异性识别区分效果，通过各样本的主成分得分点到标准生乳数据库中心的欧氏距离，最终以欧氏距离的雷达图进行直观表达。使用SPSS 18软件进行单因素方差分析和主成分分析处理。分析结果导入到Sigmaplot 11中作图。

2 结果与讨论

2.1 单因素方差分析

传感器阵列中传感器的响应性能直接影响最终系统的性能。主要通过同一传感器对同一样品的响应是否具有良好的稳定性和对不同样品是否具有较高的区分性来衡量传感器响应性能，借此来筛选传感器及性能分组。由于每个样本在微分脉冲伏安法检测中均采集到100个响应电流数据点，如此下来6类样品的30个样本的这个数据点构成30×100的数据矩阵，如果直接进行处理运算的话，无疑要增加很大的工作量及花费时间，故选取各传感器在电势激发信号下各个样本的响应峰电流作为特征点，以每根传感器当作一个因素，不同样品的响应当作水平，构成30×30的数据矩阵进行方差齐性检验，保证数据满足方差分析的条件。表2列出了应用SPSS 18数据分析软件对所有传感器数据分别进行单因素方差分析的计算结果。其中组内的均方值代表同一传感器对同一样品响应的重复性，均方越小，重复性越好、稳定性越好。F值和p值表明同一传感器对不同样品的区分度，F值越大，p值越小，区分度则越大。

表2 传感器响应强度方差分析结果表Table 2 ANOVA for sensor intensities

分析表中数据显示，各传感器的组内均方值都小于2×10-3，说明各个传感器的重复性、稳定性较好，其中以钯、铂、金、钛电极的为优；根据F值和p值将区分度稍差的钨、银传感器检测数据剔除，将筛选出的传感器检测数据进一步进行主成分分析，并根据分析结果组建传感器阵列。

2.2 综合型传感器阵列组对各样本的检测效果

对非选择性传感器阵列和综合型传感器阵列的数据分别进行检测，并以同批次荷斯坦牛生乳为对照组并进行等比优化，检测数据与雷达图为表3～表5和图1～图3。

2.2.1 不同尿素掺杂浓度与标准生乳之间的关系表3为传感器阵列组对不同尿素掺杂浓度样本采集到的数据与标准生乳数据库数据之间的欧氏距离及其平均值。

对数字进行转换后，以雷达图进行表征（见图1），可以看到，随着掺杂物浓度的增加，传感器阵列检测到的样本与标准生乳之间的距离越大。同时还可以注意到，作为检测对照物使用所采集的新鲜生乳与标准生乳数据库之间的欧氏距离较小，但也存在着一定的距离。这说明生乳的成分存在着一定的变化，或者传感器阵列组本身也存在着一定的漂移。但是，从检测效果看对掺杂的检出效果明显。

表3 两类传感器阵列（组）对不同尿素掺杂浓度生乳样本的检测与数据优化Table 3 The detection of different urea detection of doping concentration raw milk samples with two types of sensor array and data optimization

图1 非选择性传感器阵列与综合型传感器阵列组对掺杂尿素生乳样本的检测Fig.1 The detection of doped urea in raw milk samples with non-selective sensor array and integrated sensor array group

2.2.2 不同三聚氰胺掺杂浓度与标准生乳之间的关系 结果见表4、图2。对不同三聚氰胺掺杂浓度样本的检测也具有与尿素掺杂相同的效果和特点，综合型传感器阵列组对样本的检测具有更佳的效果，相对于标准生乳，不同的样本等比优化后的欧氏距离相较于非选择性传感器阵列组的欧氏距离的数字值更大，更有利于对掺杂的识别。

表4 两类传感器阵列（组）对不同三聚氰胺掺杂浓度生乳样本的检测与数据优化Table 4 The detection of different melamine detection of doping concentration raw milk samples with two types of sensor array and data optimization

2.2.3 传感器阵列组对不同物质掺杂的检测效果 对各种掺杂乳样本以两类传感器阵列组进行比较可得到表5和图3；其中，添加尿素和三聚氰胺组的掺杂生乳，分别选取1.0%和0.1%添加组来进行对比分析。

图2 非选择性传感器阵列与综合型传感器阵列组对掺杂三聚氰胺生乳样本的检测Fig.2 The detection of doped melamine in raw milk samples with non-selective sensor array and integrated sensor array group

图3 非选择性传感器阵列与综合型传感器阵列组对各掺杂生乳样本的检测Fig.3 The detection of doped raw milk samples with non-selective sensor array and integrated sensor array group

以上表格中所列均为各掺杂生乳到标准生乳数据库中心的欧氏距离，其中非选择性表示为非选择性传感器阵列对各样本的检测结果，综合型为非选择性传感器阵列与选择性传感器阵列的组合对各样本检测的结果。图3为非选择性传感器阵列的校正数据和综合型传感器阵列对样本的欧氏距离直观的雷达图。从图3中可以看到，由于选择性传感器的加入，各样本相对于生乳标准数据库中的距离均较非选择性传感器的距离增加。这里需要注意的是，由选择性和非选择性传感器阵列构建的综合型传感器阵列组与非选择性传感器阵列对于不同样本检测的欧氏距离的增量是不相等的；而另外，从欧氏距离的绝对值来看，传感器阵列（组）对陈放乳、巴氏乳、酸败乳的数字值均比较大，其中陈放乳和巴氏乳与生乳具有相同或接近的味觉感受，通过本传感器检测获得的欧氏距离具有明显的掺杂提示作用，这些都与固液界面上的电化学反应有关，其机理需要继续研究以得到合理的解释。

非选择性传感器阵列对掺杂尿素和三聚氰胺的荷斯坦牛生乳检测的数据相对于标准数据库的欧氏距离会随着掺杂浓度的增加而逐渐增大。在表5和图3中可以发现酸败乳的欧氏距离差别巨大，而感官风味没有明显变化的陈放乳和巴氏乳也有很明显的变化。

由图3和表5可见，各样本包括新鲜生乳与标准生乳之间的欧氏距离分布在0～30之间。可通过两种方式对检测样品中合格、怀疑、不合格的三个结果进行表达：a.数据表达：对欧氏距离的大小依据数字值的大小；b.由上述各欧氏距离所绘制的雷达图直观表达。图中每个轴代表一个乳液样品，圆心位置为该乳样所采集的基础数据库中，由每个轴与圆心的距离的联线代表不同样品的参加得分的分布，与圆心的距离代表不同样品与标准生乳之间的差异。本研究结果中，可以以Ed为0～1.0、1.0～2.0和2.0以上来对检测样进行掺杂预判，Ed为0～1.0的检测样本为合格样本，Ed为1.0～2.0的检测样本为怀疑样本，需要通过其他的检测方法来判定，Ed大于2.0的检测样本为不合格样本，直接淘汰。雷达图结果显示，不同样品具有不同的差异度，且区分效果显著。

3 结论与讨论

本文提出的技术方法对生乳的掺杂的检测具备了实施的可行性。以非选择性传感器阵列组及选择性传感器阵列组获得的各检测乳液样品的信号数据与标准生乳数据库中心的欧氏距离为判别依据，对检测样品中合格、怀疑、不合格的三个结果进行表达，系统的判断能力有效。

以选择性传感器阵列和非选择性阵列构成的阵列组对掺杂生乳进行检测，具有比单一属性传感器阵列进行检测的效果更佳；且非选择性传感器阵列对系统的检测效果具有决定性的作用，但是，固液界面上的电化学反应尚无法充分揭示，系统的优化还需要进行深入的理论研究以使系统的构成在技术上得以实践。

表5 两类传感器阵列（组）对不同掺杂生乳样本与标准生乳的欧氏距离及其优化Table 5 The euclidean distance of different melamine detection of doping concentration raw milk samples with two types of sensor array and data optimization

[1]刘迎春.原料奶掺假原因剖析与对策 [J].中国动物保健，2006（7）：9-10.

[2]赵旭博，董文宾，王顺民，等.国外牛奶中尿素含量检测新进展[J].食品研究与开发，2004，25（6）：109-114.

[3]Georgia-Paraskevi Nikoleli，Dimitrios P Nikolelis.Construction of a simple optical sensor based on air stable lipid film with incorporated urease for the rapid detection of urea in milk[J].Analytica Chimica Acta，2010，675：58-63.

[4]李秀琴，张庆合，全灿，等.液相色谱-质谱/质谱法对多种食品基体中三聚氰胺的检测[J].分析测试学报，2009，28（11）：1260-1265.

[5]Ya Ting Liu，Jian Deng，Xi Lin Xiao，et al.Electrochemical sensor based on a poly（para-aminobenzoic acid）film modified glassy carbon electrode for the determination of melamine in milk[J].Electrochimica Acta，2011（56）：4595-4602.

[6]贾静，戴长松，陈玲.电化学测量方法[M].北京：化学工业出版社，2010.

[7]藤屿昭.电化学测定方法[M].陈震，姚建年，译.北京：北京大学出版社，1995.

[8]Ciosek P，Wroeblewski W.Miniaturized electronic tongue with an integrated reference microelectrode for recognition of milk simples[J].Talanta，2008，76（3）：548-556.

[9]Winquist F，Holmin S，Krantz-Rulcker C，et al.An electronic tongue in the dairy industry[J].Sensors and Actuators B，2005：299～304.

[10]Mottran T，Rudnitskaya A，Lagin A，et al.Evaluation of a novel chemical sensor system to detect clinical mastitis in bovine milk[J].Journal of Bioelectronics，2007，22（11）：2689-2693.

[11]范佳利，韩剑众，邓少平，等.基于电子舌的掺假牛奶的快速检测[J].中国食品学报，2011，11（2）：202-207.

[12]石磊，曾祥盛，黄赣辉，等.生乳、巴氏乳与酸败乳的电化学识别研究[J].食品工业科技，2011，32（12）：468-472

[13]黄赣辉，邓少平，顾振宇.PVC薄膜味觉传感器阵列的实验构建[J].中国食品学报，2006，6（6）：58-63.

[14]余建英，何旭宏.数据统计分析与SPSS应用[M].北京：人民邮电出版社，2003：79-81.

[15]杜一平，潘铁英，张玉兰.化学计量学应用[M].北京：化学工业出版社，2008.