电子鼻融合BP神经网络预测玉米赤霉烯酮和黄曲霉毒素B1含量模型研究

于慧春 彭盼盼 殷 勇 刘云宏

(河南科技大学食品与生物工程学院，洛阳 471023)

电子鼻融合BP神经网络预测玉米赤霉烯酮和黄曲霉毒素B1含量模型研究

于慧春 彭盼盼 殷 勇 刘云宏

(河南科技大学食品与生物工程学院，洛阳 471023)

为探究玉米赤霉烯酮和黄曲霉毒素B1的无损快速定量测定方法，用电子鼻对7级不同霉变程度玉米样品进行检测，并用理化分析方法分别测定霉变玉米中的玉米赤霉烯酮与黄曲霉毒素B1含量；在提取电子鼻响应信号的积分值作为特征参量的前提下，采用BP神经网络建立不同霉变程度下玉米样品中的玉米赤霉烯酮与黄曲霉毒素B1含量的预测模型。同时，为了获得较为可靠的BP神经网络预测模型，在神经网络结构不变的条件下，对比分析了不同训练集、测试集构建的预测模型。结果发现在各预测模型的70组测试样本中，相对误差控制在5%以内的样本数量都在60个以上，最大相对误差控制在15%以内，从而证明了BP神经网络预测模型的有效性、可靠性。该研究为实施玉米霉变毒素的快速无损检测提供了一种途径。

电子鼻 玉米 玉米赤霉烯酮 黄曲霉毒素B1BP神经网络 霉变 预测模型

玉米不仅是我国重要的商品粮之一，也是重要的工业原料。但由于玉米收获后原始水分较高，呼吸强度大等，易被霉菌污染[1]，因此，在储藏过程中易发生霉变。霉变后的玉米在代谢过程中会产生以黄曲霉毒素B1、玉米赤霉烯酮为代表性的多种真菌毒素[2]，进而危害家畜及人类健康[3-4]。

目前，对于霉变玉米中玉米赤霉烯酮的定量测定主要是高效液相色谱法[5]，酶联免疫吸附法[6]，免疫亲和柱荧光光度法[7]等；对于黄曲霉毒素B1的定量测定主要采取的方法有薄层色谱法[8]，液相色谱荧光检测[9]，酶联免疫法[10]等。这些方法操作过程繁琐、耗时，化学试剂消耗量大，成本高，不能满足玉米储藏过程中快速检测霉变的需要。

近年来，电子鼻在农产品品质的无损检测中有着较多的应用。在谷物的检测中，张红梅等[11]研制一套适合对谷物霉变进行检测的电子鼻系统，该系统可以准确区分各个不同霉变程度的稻谷；Matteo等[12]用电子鼻对新鲜玉米以及被真菌污染的玉米进行检测分析，得出结果令人满意；周显青等[13]收集了玉米样品40份，利用电子鼻技术对样品进行模式识别，并对电子鼻传感器阵列进行优化，结果表明，电子鼻能够对正常和霉变样品进行区分。这些研究说明了电子鼻有能力检测出霉菌污染，并且对不同污染及霉变程度的谷物能进行较好的鉴别。但是，对于霉菌污染后的谷物产生的霉菌毒素与电子鼻响应信号间定量关系却鲜有研究。

本研究首先用电子鼻对不同霉变程度玉米样品进行检测，同时用理化分析定量测定霉变玉米中的玉米赤霉烯酮、黄曲霉毒素B1的含量。然后利用BP神经网络建立电子鼻响应信号与玉米赤霉烯酮含量和黄曲霉毒素B1含量的预测模型。最后，对比分析了对应于不同训练集与测试集的神经网络检测模型的预测误差，进而证明了检测模型的可靠性与稳健性。

1 材料与方法

1.1 试验材料

试验材料分别为新鲜玉米和不同霉变等级的玉米。不同霉变等级的玉米由实验室培育产生，培育条件如下：将新鲜玉米放入恒温恒湿培养箱，在温度30 ℃，湿度90%条件下进行培育，然后分别取新鲜玉米和培养第2天，第4天，第6天，第8天，第10天，第12天的玉米共7组，作为测试样品。

1.2 仪器与设备

使用实验室自行研制的电子鼻进行电子鼻信号的采集。该系统主要由气敏传感器阵列，测量室，数据采集装置，计算机判别分析软件等部分组成。传感器阵列由14个金属氧化物气敏传感器(日本FIGARO公司)组成。分别为TGS-813，TGS-800, TGS-821，TGS-822，TGS-824，TGS-816，TGS-812，TGS-825，TGS-826，TGS-831，TGS-832，TGS-830，TGS-880，TGS-842。气敏传感器的加热电压均为(5.0±0.05)V，工作电压为(10.0±0.01)V。

1.3 试验方法

1.3.1 玉米赤霉烯酮的测定

依照GB/T 5009.209—2008《谷物中玉米赤霉烯酮的测定》[14]给出的方法，对不同霉变等级的玉米样品进行玉米赤霉烯酮含量测定。

1.3.2 黄曲霉毒素B1的测定

依照GB/T 5009.22—2003《食品中黄曲霉毒素B1的测定》[8]给定的方法，对不同霉变等级的玉米样品进行黄曲霉毒素B1含量测定。

1.3.3 霉变玉米电子鼻测定

利用电子鼻对各个霉变等级玉米样品进行测定。每个样品测量前先进行空载测试(即电子鼻对测量环境的响应)，然后再进行样品测量。样品取样量为60 g，并用蒸发皿将样本置于电子鼻测量室内进行测量。电子鼻采样时间为2 500 s，采样间隔为1s，即每个样本动态测试2 500个数据。每个样本测量后电子鼻的恢复时间为600 s，以保证电子鼻得到完全恢复，以便下一次的样本测量。每个霉变等级测试40个平行样本，7个霉变等级共测试280个玉米样本。

1.4 电子鼻数据处理

1.4.1 电子鼻响应特征信号的去基准处理

为了减小环境温、湿度对气敏传感器的影响，需对电子鼻数据去基准处理，即样品响应值减去空载响应值。计算公式为[15]：

Yij=Xij-Xj0(i=1,2,…,2 500;j=1,2,…,16)

(1)

式中：Yij为第j个传感器第i秒响应值经去基准之后所得的测试值；Xij为第j个传感器第i秒时的响应值；Xj0为第j个传感器对环境的响应平均值。

1.4.2 电子鼻信号的特征提取

在建立气敏信号与霉变毒素间的预测模型时，气敏信号特征参量的选择对预测模型检测结果影响很大。通过比较分析，选用电子鼻气敏信号的积分值作为特征参量[16]，其计算公式如下：

(2)

式中：S为积分值；N为传感器的响应时间(N=2 500 s)；xi为第i秒的响应值；Δt为相邻两采样点的时间间隔(Δt=1 s)。

1.4.3 预测模型建立方法

BP神经网络(Back-Propagation Network)是一种基于误差逆传播算法的多层前馈网络，是目前应用最广泛的神经网络模型之一，尤其适合无法用明确数学公式描述的输入-输出映射关系。因此选用BP神经网络来建立玉米霉变电子鼻响应信号与霉变毒素间的映射关系。有关BP神经网络的学习算法详见文献[17]。由于前向3层BP神经网络最为常用，所以论文中选用3层结构的神经网络。BP神经网络的构建用Matlab 7.0实现。

2 结果与分析

2.1 玉米赤霉烯酮含量测定

图1是不同霉变天数的玉米中赤霉烯酮含量的检测结果。从图1可以看出，新鲜玉米的玉米赤霉烯酮含量较低，远小于国标中所规定的玉米赤霉烯酮限量(60 μg/kg)。在温度30 ℃，湿度90%条件下培养2 d后，玉米赤霉烯酮含量增加到34.6 μg/kg；继续培养到第6天时，玉米赤霉烯酮含量达到67.2 μg/kg，已经超过国标中所规定的玉米赤霉烯酮限量。继续培养直至第12天，玉米赤霉烯酮的含量随霉变程度的增加而增加。

图1 玉米赤霉烯酮含量随时间变化情况

2.2 黄曲霉毒素B1含量测定结果

图2是不同霉变天数的玉米中黄曲霉毒素B1含量的检测结果。从图中可以看出新鲜玉米的黄曲霉毒素B1含量较低，远小于国标中所规定的黄曲霉毒素B1限量(20 μg/kg)。在温度30 ℃，湿度90%条件下培养2天之后，黄曲霉毒素B1含量增加至12.18 μg/kg，培养至第4天时，黄曲霉毒素B1含量达到21.75 μg/kg，超过国标中所规定的黄曲霉毒素B1限量。继续培养至第12天，黄曲霉毒素B1的含量随霉变程度的增加也相应增加。

图2 黄曲霉毒素B1含量随时间变化情况

2.3 BP神经网络预测模型建立与讨论

2.3.1 BP神经网络结构确定

由于每个霉变等级的样品重复测试40个样本，因此可对每个样品随机抽取30个样本作为神经网络的训练集(共210个样本)，剩余的10个作为测试集(共70个)。不同霉变等级玉米中相应的玉米赤霉烯酮、黄曲霉毒素B1的含量作为神经网络的输出期望值。通过试凑法训练BP神经网络，得到了网络的结构组成及训练误差值。

由于神经网络的输入为16个传感器的特征值，输出为玉米赤霉烯酮、黄曲霉毒素B1的含量，所以神经网络输入层神经元个数为16，输出层神经元个数为2。当隐层神经元传递函数选为tansig函数、输出层神经元传递函数选为logsig函数、训练函数选为traincgf函数时，运用训练集数据训练神经网络，并通过试凑法可确定隐层神经元个数为23，此时的网络训练误差为0.000 499 6，最小训练速率为0.2。因此BP神经网络的结构为16×23×2。

2.3.2 玉米赤霉烯酮与黄曲霉毒素B1的神经网络预测结果

采用上述网络结构及神经元传递函数，对测试集中不同霉变程度玉米样品中的玉米赤霉烯酮、黄曲霉毒素B1含量进行预测，结果分别如图3、图4所示。玉米赤霉烯酮预测值与实测值的最大相对误差为9.56%，平均相对误差为4.99%；黄曲霉毒素B1预测值与实测值的最大相对误差为8.69%，平均相对误差为5.92%。

图3 玉米赤霉烯酮的BP网络预测结果和期望结果对比图

图4 黄曲霉毒素B1的BP网络预测结果和期望结果对比图

由图3可知，玉米赤霉烯酮含量预测结果和期望结果拟合良好，70组测试样品中相对误差控制在5%以内的样品达到63个。由图4可知，黄曲霉毒素B1含量预测结果和期望结果拟合良好，70组测试样品中相对误差控制在5%以内的样品达到62个。由此可认为已构建了关于玉米赤霉烯酮、黄曲霉毒素B1的BP神经网络预测模型。

2.4 模型可靠性分析

为保证模型有较高的预测精度及稳定性，从霉变玉米样品的电子鼻响应信号中，随机5次抽取样本，以组成5个不同的训练集和测试集。在模型结构及各层神经元传递函数不变的前提下，分别用这5个训练集与测试集对BP神经网络进行训练和测试，玉米赤霉烯酮和黄曲霉毒素B1预测值和实测值的相对误差如表1所示。

表1 不同测试集的测试结果/%

通过测试结果的对比，可以看出，虽然每次的训练集、测试集是随机选出的，但神经网络对玉米赤霉烯酮和黄曲霉毒素B1的预测结果均趋于一致，变化不大，这说明用BP神经网络建立的预测模型具有较高的稳定性与可靠性。

3 结论

在神经网络结构及各层神经元传递函数不变的前提下，多次随机变换神经网络的训练集和预测集，70组测试样本相对误差控制在5%以内的样本数量都在60个以上，最大相对误差控制在15%以内，预测精度较高。结果表明，利用电子鼻、BP神经网络技术所建立的霉变玉米中玉米赤霉烯酮和黄曲霉毒素B1含量的预测模型是稳健的，这为快速无损检测玉米霉变毒素提供了一种新途径。

[1]石德权, 郭庆法, 汪黎明, 等. 我国玉米品质现状、问题及发展优质使用玉米对策[J]. 玉米科学, 2001, 9(2):3-7 Shi D Q, Guo Q F, Wang L M, et al. The situation of maize quality and development priority of high quality food maize in China[J]. Journal of Maize Science, 2001, 9(2): 3-7

[2]唐芳, 程树峰, 伍松陵. 玉米储藏主要危害真菌生长规律的研究[J]. 中国粮油学报, 2008, 23(5): 137-140 Tang F, Cheng S F, Wu S L. Growth of spoilage fungi in stored corn[J]. Journal of the Cereals and Oils Association, 2008, 23(5): 137-140

[3]Bennett J W, Klich M A. Mycotoxins[J]. Clinical Microbiology Reviews, 2003, 16(3): 497-516

[4]吴存荣, 张玉荣, 刘婷, 等. 玉米储藏过程中品质指标变化研究[J]. 郑州工程学院学报, 2004, 25(2): 50-52 Wu C R, Zhang Y R, Liu T, et al. Determination of maize quality during storage[J]. Journal of Zhengzhou Institute of Technology, 2004, 25(2): 50-52

[5]Hsieh H Y, Shyu C L, Liao C W, et al. Liquid chromatography incorporating ultraviolet and electrochemical analyses for dual detection of zeranol and zearalenone metabolites in mouldy grains[J]. Journal of the Science of Food & Agriculture, 2012, 92(6):1230-1237

[6]单安山, 周长路, 张圆圆, 等. 东北地区不同饲料原料中霉菌毒素含量的测定[J]. 东北农业大学学报, 2013, 44(6): 96-100 Shan A S, Zhou C L, Zhang Y Y, et al. Detection of contents of mycotoxins in different feed ingredients in northeastern China[J]. Journal of Northeast Agricultural University, 2013, 44(6): 96-100

[7]褚庆华, 郭德华, 王敏, 等. 油料和食用油中真菌毒素快速测定方法的研究[J]. 中国粮油学报, 2006, 21(2): 114-119 Chu Q H, Guo D H, Wang M, et al. Rapid determination for mycotoxins in oilseeds and edible vegetable oils[J].Journal of the Cereals and Oils Association, 2006, 21(2):114-119

[8]GB/T 5009.22—2003, 食品中黄曲霉毒素B1的测定[S] GB/T 5009.22—2003, Determination of aflatoxin B1in foods[S]

[9]马占峰. 免疫亲和柱净化-在线柱后光化学衍生-高效液相色谱-荧光检测法快速测定食品中黄曲霉毒素含量[J]. 食品安全质量检测学报, 2012, 03(3): 209-211 Ma Z F. Fast determination of aflatoxins in food by HPLC with fluorescence detection after immunoaffinity column with online post-column photochemical derivatization[J]. Journal of Food Safety and Quality, 2012, 03(3): 209-211

[10]谢芳, 赖卫华, 史爱武, 等. 免疫磁珠富集结合酶联免疫吸附法检测酱油中黄曲霉毒素B1[J]. 食品科学, 2013, 34(18): 165-169 Xie F, Lai W H, Shi A W, et al. Immunomagnetic bead enrichment and ELISA for detection of Aflatoxin B1in sauce[J]. Food Science, 2013, 34(18): 165-169

[11]张红梅, 王俊, 叶盛, 等. 电子鼻传感器阵列与谷物霉变程度的检测[J]. 传感技术学报, 2007, 20(6): 1207-1210 Zhang H M, Wang J, Ye S, et al. Optimized of sensor array and detection of moldy degree for grain by electronic nose[J].Chinese Journal of Sensor and Actuators, 2007, 20(6): 1207-1210

[12]Matteo F, Emanuela G, Matteo P, et al. Detection of toxigenic strains of fusarium verticillioides in corn by electronic olfactory system[J]. Sensors and Actuators B: Chemical, 2005, 108(2): 250-257

[13]周显青, 暴占彪, 崔丽静, 等. 霉变玉米电子鼻识别及其传感器阵列优化[J]. 河南工业大学学报：自然科学版, 2011, 32(4): 16-20 Zhou X Q, Bao Z B, Cui L J,et al. Recognition of moldy corn using electronic nose and optimization of sensor array[J].Journal of Henan University of Technology: Natural Science Edition, 2011,32(4):16-20

[14]GB/T 5009.209—2008 谷物中玉米赤霉烯酮的测定[S] GB/T 5009.209—2008 Determination of zearalenone in cereals[S]

[15]孙香丽, 殷勇. 乳制品电子鼻分类中传感器阵列的一种优化方法[J]. 传感技术学报, 2008, 21(7): 1124-1127 Sun X L, Yin Y. Optimization method of sensor array for dairy products identification by electronic nose[J]. Chinese Journal of Sensor and Actuators, 2008, 21(7): 1124-1127

[16]杨福生, 洪波. 独立分量分析的原理与应用[M]. 北京：清华大学出版社, 2006 Yang F S, Hong B. The principle and application of independent component analysis[M].Beijing, Tsinghua University, 2006

[17]边肇祺, 张学工：模式识别[M]. 北京, 清华大学出版社, 2000 Bian Z Q, Zhang X G. Pattern recognition[M].Beijing,Tsinghua University, 2000.

Coupled Electronic Nose and BP Neural Network to Study on the Predicting Model of Zearalenone and Aflatoxin B1

Yu Huichun Peng Panpan Yin Yong Liu Yunhong

(College of Food and Bioengineering, Henan University of Science and Technology, Luoyang 471023)

In order to explore the fast, quantitative and nondestructive test method for zearalenone and aflatoxin B1, corn samples with 7 different levels of mold were tested by electronic nose (e-nose). At the same time the content of zearalenone and aflatoxin B1were tested using biochemical analysis method. The integral value of the e-nose response signal was extracted and acted as the characteristic parameter; BP neural network was adopted to establish prediction model for the content of zearalenone and aflatoxin B1of different degree of mildew corn samples. In addition, in order to obtain a more reliable BP neural network prediction model, on the premise that the structure of the neural network was unchanged, the prediction model based on different training sets and test sets was compared and analyzed. The results showed that in each prediction model of 70 groups of test samples, the relative error control within 5% of the sample quantity was over 60, and maximum relative error was controlled within 15%, which proved the validity and reliability of the BP neural network prediction model. The study provided a method of fast nondestructive testing corn mycotoxin.

electronic nose, corn, zearalenone, aflatoxin B1, BP neural network, mildew,forecast model

国家自然科学基金(31171685)，河南省教育厅自然科学研究项目(13A550269)

2015-10-11

于慧春，女，1977年出生，副教授，农产品、食品无损检测技术

殷勇，男，1966年出生，教授，农产品、食品无损检测技术

TP212

A

1003-0174(2017)05-0117-05