基于电子舌的电子烟甜度评价模型研究

巩效伟，朱东来，洪鎏，李寿波，牛云蔚，杨继，吴俊，张霞，李廷华，陈永宽，韩熠

1 云南中烟工业有限责任公司技术中心，昆明市五华区红锦路367号 650231；2 上海应用技术大学，上海市奉贤区海泉路100号 201418

电子烟（electronic cigarettes），主要由雾化器、电池和控制元件等组成，其产生烟雾的原理是电子烟液在电子烟雾化系统的电加热元件上气化成高温蒸汽向开口端喷出，喷出后的蒸汽在空气中冷凝成烟状的微小雾滴，从而形成类似传统卷烟的烟雾[1]。电子烟的口味是由电子烟液来决定的。电子烟液（E-liquid或E-juice），是电子烟中用于雾化的含有香精（也可能同时含有烟碱）的溶液。烟液主要由甘油、丙二醇、香气成分、烟碱（也可不含）和其他成分等组成。由于甘油和丙二醇有甜味，造成电子烟普遍存在甜味过重的问题，给电子烟的口味和香气带来了不利影响，尤其对烟草口味电子烟的影响较大。为了研究卷烟中化合物的甜度，舒俊生等[2]采用量子化学计算和统计学方法，以30种化合物为训练集，10种化合物为验证集，建立了甜味化合物的三维定量构效关系的函数逼近模型，用于预测卷烟烟气中甜味化学成分的甜度，且对卷烟烟气中的一些甜味化合物甜度值进行了理论预测。杨阳等[3]为了探寻甜菊糖样品甜度评价的客观方法，研究人员采用电子舌技术结合主成分分析，以蔗糖为参比物，对5种不同组成的甜菊糖样品进行了甜味特性评价，并将评价结果与感官质量进行了对比，结果表明，电子舌技术在代替人工感官进行甜味评价方面有很好的应用前景。在模型建立方面，刘旭等[4]采用基于支持向量机回归算法，以常规化学分析方法测定的总糖、还原糖、总氮、烟碱的含量为参考值，建立了烟草中主要成分近红外光谱定量分析定标模型，并与偏最小二乘法、多元线性回归以及人工神经网络的定标模型进行比较，结果表明支持向量机模型具有更好的预测能力。

电子舌技术是20世纪80年代发展起来的一种分析、识别液体“味道”的新型检测技术，它使用一种类似于生物系统的材料作为传感器的敏感膜，当类脂薄膜的一侧与味觉物质接触时，膜电势发生变化，从而产生响应信号，对样品进行量化分析。电子舌技术的优点尤为突出：首先，不需要对样品进行任何的预处理，直接对样品进行无损检测；其次，检测速度快，电子舌检测一个样只需几十秒至几分钟，同时还具有较高的灵敏度、可靠性和重复性；最后，电子舌获取的是对液体样本的味觉特征的总体评价，规避了人的感觉器官存在疲劳和主观倾向性行为的缺陷。

目前，电子烟研发人员均采用人工感官对电子烟甜度进行评价，但人工感官存在主观性强的问题。为了能够客观评价电子烟甜度，本文采用电子舌技术，结合偏最小二乘、人工神经网络和支持向量机三种方法，以人工感官评价的电子烟甜度值为参考值，建立了三个电子烟甜度的定标模型用于电子烟的甜度评价，经比较，结果显示支持向量机模型具有更好的预测效果。

1 材料与方法

1.1 材料、试剂和仪器

材料：电子烟液1#-60#，电子烟（深圳合元科技有限公司）。实验用电子烟见图1。

图1 实验用电子烟Fig.1 E-cigarette for experiment

试剂：甘油（USP级，美国Sigma公司），1,2-丙二醇（USP级，美国Sigma公司），1,3-丁二醇（USP级，美国Sigma公司）；以下试剂均采购自美国Sigma公司，均为分析纯级别：羧甲基纤维素钠，山梨醇，KCl，NaCl，MgCl2·6H2O，无水CaCl2，KH2PO4，NaN3。

仪器：电子舌（法国，Alpha MOS公司），配备7个味觉传感器和1个参比电极。7个味觉传感器分别为I（酸味）、II（复合）、III（咸味）、IV（鲜味）、V（复合）、VI（甜味）、VII（苦味）。电子舌实物见图2。每根传感器除对目标味觉的响应起主要作用外，对其他味觉也有不同程度的响应；另外，不同味觉之间存在相互作用，如苦味对甜味有抑制作用，而采用单一传感器测定不出样品中某一味觉对其他味觉的影响。因此，与单一传感器测定某一味觉相比，采用多个传感器，能更加客观地评价样品的某一味觉值。为此，本文采用全部7个传感器对烟液样品进行测定，并通过建模的方法来评价电子烟的甜度。

图2 电子舌实物Fig.2 Electronic tongue

1.2 方法

1.2.1 人工唾液的配制

通过查阅文献[5]，确定人工唾液配方为：羧甲基纤维素钠1%，山梨醇3%，KCl 0.12%，NaCl 0.085%，MgCl2·6H2O 0.05‰，无水CaCl20.101‰，KH2PO40.35‰，NaN30.0004‰；按以上各成分的配比称量，先在一烧杯中对羧甲基纤维素钠单独加超纯水加热使其溶解，再将其它成分称取置于另一烧杯中加超纯水加以溶解，将二者混匀在容量瓶中定容至1 L，并置于冰箱中低温保存待用。

1.2.2 电子舌测定及数据采集

将60份烟液样品均以1%（体积百分含量）的量添加到人工唾液中，用于电子舌分析，每个样品进样7次，取中间3次的采集数据进行分析。

1.2.3 人工感官甜度评价

（1）样品制备：将60个烟液样品各取1 mL加入烟弹的吸油棉中，待烟液完全浸入吸油棉后，将烟弹安装在充满电的电子烟电池杆上，待感官评吸评价。

（2）电子烟甜度评价

采用9分制定量描述对电子烟进行甜度评价，0～3分表示无甜味或甜味较弱；4～6分表示甜味强度中等；7～9分表示甜味非常强烈。

以ISO 8586-1：1993(E)[6]和ASTM STP 758[7]为参考依据对10位感官评价人员进行培训（4女6男，年龄22-45）：（1）由感官人员对不同的电子烟样品进行评吸并确定相关感官属性；（2）评价人员提出并讨论各感官属性的参考标准，确定电子烟样品的基本味觉为：甜、苦、涩；参照标准物为：甜（30 g/L蔗糖），苦（0.15 g/L硫酸奎宁），涩（1.0 g/L硫酸铝）。

本次研究主要对电子烟的甜度进行品评，具体步骤为：（1）同时呈递给感官评价人员一定甜度的电子烟样品和水溶液，检验并训练其辨别能力，10位感官人员均能把电子烟样品与水样品区分开；（2）同时呈递给感官评价人员不同甜度的电子烟样品，检验并训练其区分能力，直至所有感官人员均能把电子烟样品按不同甜度级别区分；（3）呈递感官评价人员一定甜度的电子烟样品，让其进行甜度的描述，检验并训练其对电子烟甜度的定量描述能力。请10位感官评价人员进行抽吸，评价电子烟甜度，统计时计算算术平均值。

注：本文中的感官人员均为来自专业实验室的长期从事感官评价的相关人员。

1.2.4 电子烟甜度评价模型建立

利用Unscarmbler version 9.7分析软件（CAMO ASA, Oslo, Norway），采用偏最小二乘法将电子舌测定数据和人工感官甜度评价数据进行关联分析，并建模；利用IOS 2.0分析软件（上海恒阳数据有限公司），采用人工神经网络和支持向量机法，将电子舌测定数据和人工感官甜度评价数据进行关联分析，并建模。具体为：通过软件随机选择，将60个用于建模的电子烟样品分成两部分，一部分为建模集用于模型的建立，另一部分为验证模型可靠性的测试样品集。其中选择总样本数量的12%（即7个样品）作为预测样本，其余53个作为建模样本。建模完成后，利用建立的模型对7个测试样本集进行预测，比较测试值和真实值（人工感官值）之间的差异，以此来验证模型的可靠性。最后对三个模型进行对比分析。

2 结果与讨论

2.1 人工感官评价和电子舌测定结果

表1为60个烟液样品的电子舌测定结果及所对应电子烟的人工感官评价结果。表中，甜度感官值为10位评委评分的算术平均值；电子舌的测定结果包括了7个传感器的测定值，每个测定值均为3次测定值的算术平均值。

表1 烟液样品电子舌测定结果和所对应电子烟的人工感官评价结果Tab.1 Electronic tongue determination results of e-liquid and artificial sensory evaluation results of corresponding e-cigarettes

续表1

续表1

2.2 偏最小二乘法建模结果

2.2.1 预测模型建立

以电子舌7根传感器的响应信号值为自变量，以甜度的感官值为因变量，建立偏最小二乘法校正集模型，并根据此模型对预测样本集进行甜度的预测。表1列出的共60个样品中，其中前53个用来建立校正模型，后面7个样品用来验证模型。校正模型如图3所示，模型方程为：

由图4知，优化后的模型较优化前的模型稍好，相关系数由优化前的0.73提高到模型优化后的0.90。

2.2.2 模型的验证

根据优化后的模型，通过软件自带的预测功能对其余7个样品进行甜度的感官值预测，预测结果如表2。

图3 偏最小二乘法建模图（优化前）Fig.3 Predicting model of the sweetness of e-liquid with partial least squares method (before optimization)

由图3知，通过偏最小二乘法建立的模型，其相关系数为0.73，样品11、17、28和29（图3红色标记的点）这四个点偏离回归曲线较大，去除这四个点后，重新建立模型如图4，模型优化后的预测方程为：

图4 偏最小二乘法建模图（优化后）Fig.4 Predicting model of the sweetness of e-liquid with partialleast squares method (after optimization)

表2 利用偏最小二乘法模型对样品甜度的预测结果Tab.2 Prediction results of the samples’ sweetness by partial least squares model

由表2知：利用改进前的模型对样本进行预测时，除对样本54和55的预测值和实际值相差较小外，其余的均较大；而利用改进后的模型对样本进行预测时，除样本54和样本55的预测值和实际值相差较大外，对其余样本预测时，预测值和实际值较接近。说明改进后的模型对于预测电子烟的甜度值有一定的参考价值。

表3 偏最小二乘模型预测结果的误差分析Tab.3 Error analysis of partial least squares’ prediction results

由上表知：通过偏最小二乘法建立的模型，预测结果的平均相对误差为17.42%，均方根误差为0.74。预测结果的平均相对误差和均方根误差越小，其预测的结果越准确[8]，而本模型预测结果的平均相对误差大于10%，说明采用偏最小二乘法建模对未知样品的甜度进行预测具有一定的局限性。

2.3 人工神经网络建模结果

2.3.1 预测模型建立

通过软件随机选择，给出的7个预测样本分别为3#、41#、43#、12#、31#、20#和7#，其余53个样本为建模样本。使用人工神经网络方法，首先对其进行训练，即建模过程。训练给出的建模图形如图5。由下图可以看出，通过人工神经网络法建模，模型的相关系数达到0.97，模型的相关系数越高，说明模型的预测能力和稳健性越高[9]。

图5 人工神经网络建模图Fig.5 Artificial neural network modeling figure

2.3.2 模型的验证

利用建立的模型对7个测试样本集进行预测，比较测试值和感官值之间的差异。如果对样本的测试值与感官值较接近，则说明模型可靠，可以用来预测未知样本，若测试值与感官值之间的差别较大，则说明利用人工神经网络法建立的模型对样本预测时，预测的结果与实际值有一定的差异。预测的结果和预测结果的误差分析如表4和表5。

由表4知：利用人工神经网络法建立的模型对预测样本进行预测时，对一些样本的预测偏差较大，如对样本3的预测值为5.81，而实际值为4.50；对样本43的预测值为5.02，与实际值4.00相差1.02；对样本12的预测值为6.23，与实际值5.60相差0.63。但对样品41、样品31、样品20和样品7的预测较准，与实际值基本一致。

表4 人工神经网路模型的预测结果Tab.4 Prediction results of artificial neural network model

表5 人工神经网路模型预测结果的误差分析Tab.5 Error analysis of artificial neural network model’s prediction results

由表5知：利用人工神经网络法建立的模型对样本进行预测时，预测的平均相对误差为10.15%，均方根误差值为0.68。

2.4 支持向量机法建模结果

2.4.1 预测模型建立

通过软件随机选择，给出的7个预测样本分别为36#、15#、26#、31#、32#、20#、和49#，其余53个作为建模样本。使用支持向量机法，首先对其进行建模，建模图形如图6。

图6 支持向量机建模图Fig.6 Support vector machine modeling figure

由上图可以看出，通过支持向量机法建立的模型，其相关系数达到0.96。

2.4.2 模型的验证

利用建立的模型对7个测试样本集进行预测，比较预测值和感官值之间的差异。如果对样本的预测值与感官值较接近，则说明模型可靠，可以用来预测未知样本，若预测值与感官值之间的差别较大，则说明利用支持向量机法建立的模型对样本预测时，预测的结果与感官值有一定的差异。预测的结果和误差分析如表6和表7。

表6 支持向量机模型的预测结果Tab.6 Prediction results of support vector machine model

由表6知：利用支持向量机法建立的模型对预测样本进行预测时，对个别样本的预测偏差较大，如对样本15的预测值为4.08，而实际值为5.60；但对大部分样品的预测值与感官值较接近，如对样本36、样本26、样本32和样本20的预测，预测值基本与感官值一致。

表7 支持向量机模型预测结果的误差分析Tab.7 Error analysis of support vector machine model’s prediction results

由表7知：利用支持向量机法建立的模型对样本进行预测时，预测结果的平均相对误差为7.03%，均方根误差为0.61。

2.5 三个模型的比较

对电子舌结合偏最小二乘、人工神经网络和支持向量机法所建立的三个模型进行比较，比较结果见表8。

表8 三个模型的比较Tab.8 Comparison of three models

由上表可知：

（1）从模型的相关系数来看，偏最小二乘法的最小为0.90，均低于人工神经网络法的0.97和支持向量机法的0.96，人工神经网络的相关系数与支持向量机的相差不大；从均方根误差比较，偏最小二乘法的最高，为0.74，高于人工神经网络法的0.68和支持向量机法的0.61；从建模集和预测结果的平均相对误差来比较，偏最小二乘法的均最高。说明三个模型相比，偏最小二乘法模型的预测能力低于其他两个模型。

（2）人工神经网络和支持向量机法的比较：模型的相关系数基本一致，两者预测结果的均方根误差值有一定的差异，支持向量机法的为0.61低于人工神经网络法的0.68；预测结果的平均相对误差也有一定的差异，支持向量机法的7.30%也低于人工神经网络法的10.15%。支持向量机法预测结果的均方根误差和平均相对误差均低于人工神经网络法，说明通过支持向量机法建立的模型更为可靠。

（3）通过以上数据可知，电子舌结合支持向量机法所建立的电子烟甜度评价方法，可以实现对未知电子烟甜度的可靠预测。由于电子舌测定的是电子烟液的响应数据，人工感官评价的是电子烟烟气的甜度，这也间接证明电子烟液与烟气的成分具有较强的一致性。

3 结论

利用电子舌对60个电子烟液样品进行测定得到了60组电子舌测定数据，通过偏最小二乘法、神经网络法和支持向量机法三种方法对电子舌测定数据与电子烟人工感官甜度数据进行关联分析，建立了3个电子烟甜度评价模型。3个模型的对比分析结果显示，支持向量机法所建立的模型对未知电子烟样品甜度预测结果最为可靠，其中该模型的相关系数为0.96，预测结果的平均相对误差为7.30%，均方根误差为0.61。该模型的建立，为电子烟甜度的评价提供了客观、便捷的定量方法，对于电子烟液配方设计具有参考价值。

[1]韩力.一种非可燃性电子喷雾香烟[P]： 中国, 03111582.9.2004-11-03.HAN Li.A kind of Non-combustible Electronic Spray Cigarette[P]：China, 03111582.9.2004-11-03.

[2]舒俊生, 徐志强, 朱青林, 等.卷烟烟气中甜味化合物甜度的理论预测[J].食品工业科技, 2013, 34 (19)： 111-114.SHU Junsheng, XU Zhiqiang, ZHU Qinglin, et al.Theoritical predictions for sweetness of some sweet compounds in cigarette smoke[J].Science and Technology of Food Industry, 2013, 34 (19)：111-114.

[3]杨阳, 沈诚, 桑跃, 等.电子舌在甜菊糖甜味特性评价中的应用[J].农业机械学报, 2015, 46 (6)： 239-243.YANG Yang, SHEN Cheng, SANG Yue, et al.Evaluaion of steviol glycosides sweetness taste by electronic tongue[J].Journal of Agricultural Machinery, 2015, 46 (6)： 239-243.

[4]刘旭, 陈华才, 刘太昂, 等.PCA-SVR联用算法在近红外光谱分析烟草成分中的应用[J].光谱学与光谱分析, 2007, 27 (12)：2460-2463.LIU Xu, CHEN Huacai, LIU Taiang, et al.Application of PCASVR to NIR prediction model for tobacco chemical composition[J].Spectroscopy and Spectral Analysis, 2007, 27 (12)： 2460-2463.

[5]Amaechi B T, Higham S M.In vitro remineralisation of eroded enamel lesions by saliva[J].Journal of Dentistry, 2001, 29(5)： 371-376.Amaechi B T, Higham S M.In vitro remineralisation of eroded enamel lesions by saliva[J].Journal of Dentistry, 2001, 29(5)： 371-6.

[6]ISO 8586-1：1993 (E).Sensory analysis-General guidance for the selection, training and monitoring of assessors[S].ISO 8586-1：1993 (E).Sensory analysis-general guidance for the selection, training and monitoring of assessors[S].

[7]ASTM STP 758.Guidelines for the selection and training of sensory panel members[S].Philadelphia： 1981.ASTM STP 758.Guidelines for the selection and training of sensory panel members[S].Philadelphia： 1981.

[8]Danfeng Wang, Xichang Wang, Taiang Liu, Yuan Liu.Prediction of total viable counts on chilled pork using an electronic nose combined with support vector machine [J].Meat Science, 2011, 07,025.Danfeng Wang, Xichang Wang, Taiang Liu, Yuan Liu.Prediction of total viable counts on chilled pork using an electronic nose combined with support vector machine [J].Meat Science, 2011, 07,025.

[9]吴从元, 王俊, 韦真博, 等.电子舌预测不同体积分数牛奶的表观黏度[J].农业工程学报, 2010, 26(6), 226-229.WU Congyuan, WANG Jun, WEI Zhenbo, et al.Prediction of apparent viscosity of milk with different volume fraction using electronic tongue[J].Transaction of the CSAE, 2010, 26(6), 226-229.