基于电子鼻技术对羊奶粉中掺假牛奶粉的快速检测
2014-12-16马利杰贾茹杨春杰丁武
马利杰,贾茹,杨春杰,丁武
(西北农林科技大学食品科学与工程学院,陕西杨凌712100)
0 引言
羊奶因其独特的营养价值,在欧美国家有“贵族奶”之称[1]。近年来,发生在乳制品上的食品安全事件层出不穷,令人触目惊心。其中,不法分子在乳制品中掺入外来物质是造成这类事件的主要原因之一[2]。为了牟取暴利,某些不法商贩对羊奶及其制品进行掺杂掺假[3],因此对掺杂掺假的现象亟待解决。
目前,研究掺假的范围大多是围绕着乳及乳制品的掺假,而关于羊奶粉中掺入牛奶粉这种情况却鲜有研究报道;检测掺假的方法主要有色谱法[4]、光谱法[5]、电泳、PCR[6-7]和ELISA[8]等,但这些方法大多费时费力且对样品具有破坏性。电子鼻技术是一种操作简单、快速、准确的无损分析技术[9]。目前,电子鼻技术在乳品工业中的应用主要集中在乳制品的产地鉴别[10]、货架期及成熟期的判定[11-16]、以及掺假分辨[17,18]等方面,电子鼻在乳品工业中应用的深度和广度还在不断扩大[19-20]。本研究以羊奶粉中掺入不同比例的牛奶粉为研究对象,用电子鼻检测不同掺假比例样品的挥发性成分,进而利用PCA和FLDA实现掺假奶的快速定性判别,并利用线性回归拟合分析实现掺假物质的定量分析。
1 材料与方法
1.1 材料与试剂
美羚全脂羊奶粉,伊利全脂奶粉(市售);溴硝醇,纯度≥98%。
表1 PEN3电子鼻传感器名称及性能描述
1.2 仪器与设备
PEN3电子鼻(含有10个金属氧化物传感器阵列,各个传感器的名称及性能描述见表1);XHF-DY超声波清洗机。
1.3 方法
按羊奶粉与牛奶粉混合比例的不同分为5组,即:分别掺入0%、0.1%、1%、5%和10%牛奶粉的羊奶粉。将掺假羊奶粉与纯净水按1∶7.2(质量比)搅拌混合,超声15 min乳化均质,并加入溴硝醇标准液至其质量浓度为400 mg/L[21],制得掺假奶样品。
将制备好的奶样取10 mL移入50 mL洁净玻璃瓶中,每组奶样做21个平行,为了减小试验误差,每组奶样在室温下现做现配。电子鼻检测时,将每个密封样品依次置于25℃环境平衡30 min后顶空进样测量。
电子鼻试验参数设置:样品准备时间5 s,检测时间55 s,测量计数1 s,自动调零时间10 s,清洗时间300 s,内部流量400 mL/min,进样流量400 mL/min。
1.4 数据分析
采用基于最小协方差(MCD)估计的稳健马氏距离异常值检测方法[22]剔除异常值后,分别对数据进行主成分分析(PCA)、Fisher线性判别分析(FLDA)及线性回归拟合分析。异常值检测采用Matlab R2010a处理;PCA和FLDA采用SPSS20.0处理,线性回归拟合分析采用Minitab15.0处理。
2 结果与分析
2.1 样品传感器信号分析
对5组不同掺假比例的样品进行电子鼻检测,最终获得了电子鼻对各样品的响应图,以未掺假纯羊奶粉样品为例(见图1)。图中每条曲线代表每根传感器对该样品挥发性成分的响应强度G/G0(G电导率,G0初始电导率)随时间变化而变化的情况,G/G0的值越偏离1(大于或者小于1),表明响应气体浓度越大;如果浓度低于检测限或者没有感应气体,G/G0则接近甚至等于1。进样后,挥发性成分被传感器吸附,G/G0随之发生改变,电子鼻10根传感器的响应值先迅速偏离1,然后趋于平稳并在50 s后基本达到稳定状态,因此试验选取51~54 s内的平均响应值作为特征值分析。另外,不同传感器对奶样的响应不同,对照发现S6,S7,S8,S10号传感器对奶样的响应较大。这几根传感器分别对甲烷、乙醇、芳香物、硫化物等敏感,而奶类主要风味物质是乙醛、双乙酰以及挥发性脂肪酸和含硫有机物等,因此电子鼻能较好反映奶样的整体信息。
为了直观比较电子鼻对5组奶样响应值的差异,将每组奶样的平均特征值用雷达图表示(见图2)。从图中可以看出,不同组奶样的响应结果存在差异且S6,S7,S8,S10号传感器的响应值差异较大,因此可以根据电子鼻对不同组奶样的响应差异来区分它们。
图1 电子鼻对对照组奶样挥发成分的响应
图2 电子鼻对不同组奶样响应的雷达图
2.2 异常值检测
试验共得到105组数据,异常值会对试验结果产生很大的影响,甚至会出现错误的分析结果,因此有必要对异常值进行诊断和处理。基于最小协方差(MCD)估计的稳健马氏距离异常值检测方法采用迭代方式构造了一个稳健的协方差矩阵和稳健的均值向量,由此消除了多个异常值的掩盖作用[22],使得异常值能够被正确识别。对纯羊奶粉样品组应用该方法检测异常值,如图3所示,14,17,18号共3个样品异常值被检出,将这些异常值剔除。用同样方法分别对5组奶样数据做MCD估计,剔除异常值后共得到90组数据用于进一步分析。
2.3 主成分分析(PCA)
图3 对照组MCD估计检测异常值
PCA是一种无监督分类方法,它是利用降维的思想,在损失较少信息的前提下把原来多个变量线性转化为几个新变量(主成分),选取较少数量的新变量就可以解释原有变量的大部分变异[23]。PC1和PC2是散点图中的两个坐标轴,包含了在PCA转换中得到的第1主成分和第2主成分的贡献率,贡献率越大,说明主要成分越具有代表性。一般总贡献率超过70%~85%,此方法即可使用[24-26]。PCA主要用于客观分析样品之间的差异。
在PCA二维图中(见图4),PC1的方差贡献率为86.48%,PC2的方差贡献率为9.79%,合计为96.27%。未掺假奶和掺假奶区分明显;5%和10%掺假组虽有个别重叠,但基本上能区分开来。
图4 各类奶样主成分析二维分图
2.4 Fisher线性判别分析(FLDA)
FLDA是一种有监督分类方法,侧重对样品在空间中的分布状态以及彼此之间的距离分析,将高维模式样本投影到最佳鉴别矢量空间,以达到抽取分类信息和压缩特征空间维数的效果,投影后保证模式样本在新的子空间有最大的类间距离和最小的类内距离,使得各类样品能够更好的区分,然后再根据样本到每个类中心点的距离远近判定将其归于哪一个类别[27-28]。
在FLDA二维图中(见图5),LD1方差贡献率为88.2%,LD2方差贡献率为7.1%,合计为95.3%。总体上看,各掺假浓度的样品之间分布区域明显,随着掺假质量分数的增加,掺假组与对照组的距离增大,呈规律性分布,这说明不同质量分数的牛奶粉对羊奶粉挥发性气体的影响能够被电子鼻区分。因此,LDA可以将含有不同掺假浓度的样品区分开。虽然两种定性分析方法都能将不同样品区分开来,但LDA分析中,各组采集点更加集中,且分布规律更明显,所以,LDA区分效果优于PCA。
2.5 线性回归拟合分析
图5 各类奶样线性分析二维图
回归分析的任务就是揭示出呈因果关系的相关变量间的联系形式,建立它们之间的回归方程,利用所建立的回归方程,由自变量(原因)来预测、控制因变量(结果)。本研究用Minitab15.0做线性回归拟合模型进行定量分析,并用决定系数的大小来评判回归方程估测可靠程度的高低或回归直线拟合度的高低,此模型的决定系数是0.9550,考虑到自变量个数的影响,对决定系数进行校正,调整后的决定系数为0.9500,表明此回归方程估测可靠程度高。羊奶粉的实际掺假比例和模型预测掺假比例的关系如图6所示。所建立的回归方程为
Y=2.56+4.11X1-0.142X2-5.42X3-0.262X4-0.790X5-0.272X6+0.272X7+0.346X8-0.259X9+0.179X10,
式中:Y为预测掺假比例;X1~X10为10根传感器的响应值。
图6 实际掺假比例和预测掺假比例关系
由图6可以看出,掺假比例的预测值和真实值比较接近,说明电子鼻可以较好的预测出羊奶粉中掺假牛奶粉的比例。电子鼻对掺假质量分数为0%和0.1%的预测结果很接近,但是从线性拟合的情况来看,电子鼻对0.1%掺假浓度的预测值在真实值附近,说明电子鼻对羊奶粉中掺假牛奶粉的检测浓度可精确到0.1%。
3 结论与讨论
(1)异常值的检测是影响模型性能的重要因素,采用MCD估计法消除了掩盖作用,进而正确识别并剔除了异常值。
(2)定性分析时,选用PCA和FLDA这两种方法都能够区分不同掺假比例的奶粉,且FLDA区分的效果好于PCA区分的效果,这是因为FLDA主要突出样本的判别(差异)特征,而PCA主要显示样本的描述特征。
(3)定量分析时,建立线性回归拟合模型进行分析,模型的预测精度可达0.1%,从而验证了电子鼻技术应用于羊奶粉掺假牛奶粉的快速定性判别和定量分析的可行性。
(4)回归模型建立时采用的样本比较单一,因此,模型应用于实际时还需要进行深入的研究。实际应用时建模的样本量应该远远大于本试验中的样本量,同时应注意对不同样品(如不同产地、不同厂商等)分别建立相应的回归模型,以降低模型的复杂度和预测风险。
[1]RIBEIRO A C,RIBEIRO S D A.Specialty Products Made from Goat Milk[J].Small Ruminant Research,2010,89(2-3):225-233.
[2]彭攀,林慧,杜如虚.利用近红外光谱技术同时检测奶粉中的多个掺假成分[J].计算机与应用化学,2011,28(3):307-310.
[3]王坤,叶兴乾,关荣发.羊乳及其奶酪中掺入牛乳检测的研究[J].食品与发酵工业,2005,31(10):136-138.
[4]CHEN R K,CHANG L W,CHUNG Y Y,et al.Quantification of Cow Milk Adulteration in Goat Milk Using High-Performance Liquid Chromatography with Electrospray Ionization Mass Spectrometry[J].Rapid Commun Mass Spectrom,2004,18(10):1167-1171.
[5]褚莹,丁武,丁丁.近红外光谱法用于掺假羊奶的快速无损鉴别[J].中国乳品工业,2012,40(2):51-54.
[6]LOPEZ-CALLEJA I M,GONZALEZ I,FAJARDO V,et al.Application of an Indirect ELISA and a PCR Technique for Detection of Cow,s Milk in Sheep,s and Goat Milk cheeses[J].International Dairy Journal,2007,17(1):87-93.
[7]尹艳,李通,姜艳彬,等.运用PCR技术进行5种液态奶的鉴别[J].中国乳品工业,2013,41(1):59-63.
[8]宋宏新,韩燕.免疫学检测羊乳中掺入牛乳成分[J].中国乳品工业,2007,35(10):43-46.
[9]BALASUBRAMANIAN S,PANIGRAHI S,LOGUE C M,et al.Independent component analysis-processed electronic nose data for predicting Salmonella typhimurium populations in contaminated beef[J].Food Control,2008,19(3):236-246.
[10]PILLONEL L,AMPUERO S,TABACCHI R,et al.Analytical methods for the determination of the geographic origin of Emmental cheese:volatile compounds by GC/MS-FID and electronic nose[J].European Food Research?and?Technology,2003,216(2):179-183.
[11]庞旭欣,郑丽敏,朱虹,等.电子鼻对不同存储时间纯牛奶的检测分析[J].传感器与微系统,2012,31(9):67-70.
[12]郭奇慧,白雪,胡新宇,等.应用电子鼻区分不同货架期的酸奶[J].食品研究与开发,2008,29(10):109-110.
[13]LABRECHE S,BAZZO S,CADE S,et al.Shelf life determination by electronic nose:application to milk[J].Sensors and Actuators B:Chemical,2005,106(1):199-206.
[14]ORIORDAN P J,DELAHUNTY C M.Characterisation of commercial Cheddar cheese flavor.1:traditional and electronic nose approach to quality assessment and market classification[J].International Dairy Journal,2003,13(5):355-370.
[15]伍慧方,薛璐,胡志和,等.借助电子鼻对中式传统奶酪货架期进行预测[J].食品与发酵工业,2010,36(2):150-154.
[16]张虹艳,丁武.电子鼻对不同温度下生鲜羊奶贮藏时间的判定[J].食品科学,2011,32(16):257-260.
[17]徐亚丹,王俊,赵国军,等.基于电子鼻的对掺假的“伊利”牛奶的检测[J].中国食品学报,2006,6(5):111-118.
[18]李照,邢黎明,云战友,等.电子鼻测定牛奶中掺入外来脂肪[J].乳业科学与技术,2008,(1):39-41.
[19]刘志东,郭本恒,王荫愉,等.电子鼻在乳品工业中的应用[J].食品与发酵工业,2007,33(2):102-107.
[20]兰会会,胡志和.电子鼻技术在乳品生产与质量控制中的应用[J].食品科学,2010,31(17):467-472.
[21]ERIKSSONA A,PERSSON WALLER K,SVENNERSTEN-SJAUNJAA K,et al.Detection of mastitic milk using a gas-sensor array system(electronic nose)[J].International Dairy Journal,2005(15)1193-1201.
[22]VERBOVEN S,HUBERT M.LIBRA:a MATLAB library for robust analysis[J].Chemometrics and Intelligent Laboratory Systems,2005,75(2):127-136.
[23]PERIS M,ESCUDER-GILABERT L.A 21st century technique for food control:electronic noses.Analytica Chimica Acta,2009,638(1):1-15.
[24]胡桂仙,王俊,海铮.不同储藏时间柑橘电子鼻检测研究[J].浙江农业学报,2006,18(6):458-461
[25]庞林江,王俊,路兴花.电子鼻判别小麦陈化年限的检测方法研究[J].传感技术学报,2007,20(8):1717-1722
[26]张晓华,张东星,刘远方.电子鼻对苹果货架期质量的评价[J].食品与发酵工业,2007,33(6):20-23.
[27]袁志发,周静芋.多元统计分析[M].北京:科学出版社,2002:220-230.
[28]SNEER D.Validation of regression models:methods and examples[J].Technometrics,1977,19(4):415-428.