基于电子鼻与多元统计分析判别三七品质

刘元林，龙 鸣，张 希，田晓静，2*，柏家林，2，宋 礼

(1.西北民族大学生命科学与工程学院，甘肃 兰州 730124；2.西北民族大学生物医学研究中心，中国-马来西亚国家联合实验室，甘肃 兰州 730030；3.云南中医药大学中药学院，云南 昆明 650500；4.甘南牦牛乳研究院，甘肃 合作 747000）

五加科植物三七Panax notoginseng(Burk.) F.H.Chen 主要生长于湿润阴凉、温差小的环境中,在我国云南、广西、四川等地均有种植,其中云南省文山州三七质量最好,是其道地产区［1］。三七具有散瘀止血、消肿定痛、补益气血、免疫调节等药理作用［2］。三七主根、支根和根茎的有效成分含量也存在一定差异［3］。因此不同产地、不同部位三七价格上存在较大差异,不法商贩为获得较高利益,往往以其他产区冒充道地产地三七、以支根和根茎三七粉冒充主根三七粉。因此,鉴别不同部位、不同产地的三七特征可以为三七质量控制提供重要依据。目前用于三七产地区分的方法有傅里叶变换红外光谱［4-5］、核磁共振指纹图谱［6］、紫外指纹图谱技术［7］。

电子鼻技术可以将气味成为可量化的指标,在食品工业、医疗工业、环境监测、中药质量控制等方面有着广泛应用［8-9］,如区分紫苏［10］、人参［11］与高良姜［12］品种；判别当归［13］、南五味子［14］产地；应用于鹿茸片［15］、藏红花［16］、枸杞子［17-18］品质评估等方面。三七具有独特气味,适合于电子鼻的检测,且检测过程不需要添加任何试剂,Yang等［19-20］运用电子鼻对三七掺假与品质鉴别进行研究；汪萌等［21］研究表明通过气味识别法可区分不同等级云南三七。本研究采用单因素试验优化电子鼻检测条件,结合多元统计与多层感知器神经网络分析,研究运用电子鼻判别三七主根、支根及产地的可行性,以期为三七品质市场监控提供数据支撑。

1 材料与方法

1.1 材料与前处理 所用三七样品于2017 年11月采集云南4 个不同地区,每个产地采集40～50颗。样品经干制后,分别将每个产地的主根和支根粉碎后过60 目筛,密封保存于4 ℃冰箱待用。将样品恢复至室温后,进行电子鼻检测。信息见表1,其中罗平产三七用于电子鼻检测条件优化,丘北、个旧、沾益三七用于主根、支根及产地判别研究。

表1 样品信息Tab.1 Information of samples

1.2 仪器 实验采用德国Airsense 公司的PEN3型便携式电子鼻进行检测,该设备包括气体传感器阵列(表2)、模式识别系统、信号处理系统3 个部分。

表2 电子鼻传感器阵列与性能特点Tab.2 E-nose sensor array and performance characteristics

1.3 因素水平确定 受样品量、顶空生成时间、顶空体积和载气体积流量等因素影响,顶空挥发物浓度会发生变化,从而影响传感器响应信号。本研究采用单因素实验研究样品量、顶空生成时间、顶空体积和载气体积流量4 个因素对电子鼻传感器响应信号的影响,因素水平设计见表3。此外,电子鼻清洗时间设置为80 s、采样时间为90 s。样品检测过程中,每种样品均随机称取36 个重复样品分析其气味信息。数据分析时,为避免样品气味信息的干扰,将电子鼻适应过程的前3 个样品气味信息剔除后,提取传感器第89 s 响应信号值进行分析。

表3 因素水平Tab.3 Factors and levels

1.4 数据处理 采用单因素方差分析研究样品量、顶空生成时间、顶空体积和载气体积流量对电子鼻传感器响应的影响,结合典则判别分析获得较佳检测条件。采用主成分分析和典则判别分析对三七主根、支根及产地进行定性分析；采用多层感知器(Multilayer Perceptron,MLP) 神经网络对三七主根、支根及产地进行定量分析。方差分析、主成分分析和典则判别分析均由SAS (V8) 完成；MLP分析由SPSS (V17) 完成；结果由Origin8.0 软件完成绘图。

2 结果与分析

2.1 电子鼻检测条件 采用单因素试验研究样品量、顶空生成时间、顶空体积和载气体积流量对电子鼻10 个传感器响应信号的影响。提取传感器第89 s 的响应值,利用SAS (V8) 进行单因素方差分析,得到4 个因素对电子鼻各个传感器响应信号的影响,见表4。采用典则判别分析对4 个因素不同水平的结果进行分析,以数据点的聚集性和对样品的区分效果来确定较佳检测条件。

表4 方差分析Tab.4 Analysis of variance

2.1.1 样品量 在顶空体积250 mL,顶空生成时间10 min、载气体积流量300 mL/min,清洗时间80 s,采样时间90 s 条件下,研究三七样品量(0.5、1、1.5 g) 对电子鼻传感器响应信号的影响。方差结果表明样品量对传感器S4、S5 影响无统计学意义(P＞0.05),对其余8 个传感器响应影响有统计学意义(P＜0.01)。典则判别分析表明成分1 占92.21%,成分2 占7.79%,反映出全部的原始信息,见图1。不同样品量数据点彼此有重叠,但规律性分布明显,沿成分1 增大的方向,样品量逐渐增大；样品量为1.5 g 时较0.5、1.0 g 时的数据点更为聚集。

2.1.2 顶空生成时间 在三七样品量1.5 g,样品顶空体积250 mL、载气体积流量300 mL/min、清洗时间80 s、采样时间90 s 条件下,研究顶空生成时间(5、10、15 min) 对电子鼻传感器响应信号的影响。方差结果表明样品顶空生成时间对传感器S5、S7 影响无统计学意义(P＞0.05),对其余8个传感器响应影响有统计学意义(P＜0.01) (表4)。典则判别分析表明成分1 占68.80%,成分2占31.20%,反映出全部的原始信息,见图1。与样品量规律相同,沿成分1 增大的方向,顶空生成时间逐渐增大,顶空生成时间15 min 的数据点较5、10 min 的数据点更为聚集。

2.1.3 顶空体积 在三七样品量1.5 g、顶空生成时间15 min、载气体积流量300 mL/min、清洗时间80 s、采样时间90 s 条件下,研究样品顶空体积(150、250、500 mL) 对电子鼻传感器响应信号的影响。方差结果表明样品顶空体积对传感器S4、S5 影响无统计学意义(P＞0.05),对S7 响应影响有统计学意义(P＜0.05),对其余7 个传感器响应影响有统计学意义(P＜0.01) (表4)。典则判别分析表明成分1 占63.74%,成分2 占36.26%,反映出全部的原始信息,见图1。顶空体积250 mL的数据点较150 mL 时更为聚集,且数据区分性较500 mL 时更佳。

图1 单因素典则判别分析结果Fig.1 Results of single factor canonical discriminant analysis

2.1.4 载气体积流量 在三七样品量1.5 g、样品顶空体积250 mL、顶空生成时间15 min、清洗时间80 s、采样时间90 s 条件下,研究载气体积流量(200、300、400 mL/min) 对电子鼻传感器响应信号的影响。方差结果表明载气体积流量对传感器S5 影响无统计学意义(P＞0.05),对其余9 个传感器响应影响有统计学意义(P＜0.01) (表4)。典则判别分析表明成分1 占84.95%,主成分占15.05%,反映出全部的原始信息,见图1。载气体积流量为 400 mL/min 的数据点较 200、300 mL/min的数据点更为聚集。

按表3 各因素和水平设计量,采用单因素方差分析样品量、顶空生成时间、顶空体积和载气体积流量对电子鼻10 个传感器第89 s 的响应信号值,采用典则判别对4 个因素不同水平样品进行分析,以数据点的聚集性和对样品的区分效果来分别确定各较佳检测条件为样品1.5 g、顶空生成时间15 min、顶空体积250 mL、载气体积流量400 mL/min、清洗时间80 s、采样时间89 s。

2.2 三七传感器特征响应曲线 在较佳检测条件下,对表1 中3 个不同产地三七主根进行检测,绘制传感器特征响应曲线,见图2。前30 s 传感器对三七样品中的挥发物快速响应,之后逐渐平衡；但不同产地三七达到平衡的时间不一样,QB、GJ 和ZY 达到平衡的响应信号分别为65、60、55 s。不同产地三七对响应信号强度也不同,QB 最强、ZY较弱,特别是传感器S6、S7,其次是S2、S8、S9,这为利用电子鼻判定三七产地提供数据支持,为进一步对比不同产地的差异,提取第89 s 响应信号均值绘制雷达图,见图3。响应信号强度大的QB在最外层,其次是GJ,ZY 在最里层,利用原始信号可初步实现对不同产地三七的区分,后续数据分析时均用提取的第89 s 数据。

2.3 基于气味信息对三七品质定性判别

图2 不同产地三七主根电子鼻特征响应信号Fig.2 E-nose characteristic response for taproots of P.notoginseng from different growing areas

图3 不同产地三七主根电子鼻特征响应信号雷达图Fig.3 Radar map of E-nose characteristic response signals for taproots of P.notoginseng from different growing areas

2.3.1 三七主根与支根定性判别 为实现三七主根与支根定性判别,对电子鼻检测结果进行主成分分析与典则判别分析,见图4,前者结果表明成分1 占42.26%,成分2 占32.67%,共解释原始数据74.93%的信息。不同产地三七主根样品部分重叠,分布于图下方,不同产地三七支根样品也有重叠,分布于图上方,成分2 大于0 的区域为三七支根样品,成分2 小于0 的区域为三七主根样品,故依据成分2 可区分主根与支根,见图4。典则判别分析结果表明成分1 占93.77%,成分2 占3.77%,共解释了原始变量97.54% 的信息。不同产地三七主根样品部分重叠性较强,分布于图左侧,不同产地三七支根样品分布于图右侧,成分1 大于0 的区域为三七支根样品,成分1 小于0 的区域为三七主根样品,故依据成分1 也可将主根与支根区分开,见图4。2 种分析方法中主根与支根区分明显,相较于主成分分析结果,典则判别分析结果数据的聚集性更强,更容易进行区分。

2.3.2 三七产地定性判别 为区分不同三七产地,分别对3 个产地的三七主根、支根进行典则判别分析,见图5。不同产地主根典则判别分析结果表明成分1 占67.83%,成分2 占32.17%,反映出全部的原始信息。沿成分1 逐渐变大的方向,呈现ZY、GJ、QB 分布的趋势,3 个产地区分效果明显。不同产地支根典则判别分析结果表明成分1 占81.80%,成分2 占18.20%,反映出全部的原始信息。3 个产地区虽能实现区分,但产地与产地之间距离较近,没有主根区分效果好,因此电子鼻检测可实现三七产地溯源,三七主根、支根在产地判断上均具有可行性。

图4 三七主根与支根判别结果Fig.4 Discriminant results of taproot and rootlet of P.notoginseng

2.4 三七品质定量判别分析 MLP 是一种前向结构的人工神经网络,由多个节点层组成,每一层全连接到下一层,在每一层中有一些神经元与加权连接有关,这些神经元的数量取决于模型的输入和输出变量的数量［22］。为实现三七主根与支根及产地的定量判别,对电子鼻响应信号进行MLP 神经网络分析。

图5 不同产地三七典则判别分析结果Fig.5 Canonical discriminant analysis results for P.notoginseng from different growing areas

在主根和支根判别时,以电子鼻10 个传感器响应作为输入层,主根和支根两类为输出层,采用10-6-2 网格结构,即输入层10 个神经元、隐藏层6个神经元和输出层2 个神经元；判断结果表明应用MLP 可很好区分三七主根与支根,只有1 个支根样品被错分为主根样品,样品分类准确率达99.49%,见表5。10-6-2 网格混淆矩阵［23］的4 个基本指标准确率、精确率、灵敏度、特异度、以及AUS 的平均值分别为99.49%、99.49%、99.50%、99.50%、99.50%,见表6。

在三七产地判别时,分别以主根、支根传感器响应作为输入层,采用10-6-3 网格作为最终结构,即输入层10 个神经元、隐藏层6 个神经元和输出层3 个神经元,判断结果表明应用MLP 可区分三七产地,见表7。所建主根产地判别中,1 个QB主根样品错分为GJ 主根样品,样品分类准确率达99.49%；所建支根产地判别中,2 个QB 支根被错判为GJ 支根,2 个GJ 支根样品错分为ZY 支根,样品分类准确率达95.95%。10-6-3 网格混淆矩阵表明主根产地判别准确率、精确率、灵敏度、特异度以及AUS 的平均值分别为99.32%、98.98%、99.01%、99.50%、99.25%,见表8；支根产地判别准确率、精确率、灵敏度、特异度以及AUS 的平均值分别为 97.29%、95.95%、96.07%、98.00%、97.03%；综上所述,MLP 神经网络分析对三七主根与支根及产地的判定准确率均在95.00%以上。结合MLP 神经网络,电子鼻信号可以实现对三七主根与支根及产地的定量区分。

表5 主根和支根混淆矩阵鉴别结果Tab.5 Results of confusion matrix for identification of taproot and rootlet

表6 MLP 分类10-6-2 网格性能参数（%）Tab.6 Performance parameters of 10-6-2 grid MLP classifier （%）

表7 产地判别混淆矩阵结果Tab.7 Results of confusion matrix for discrimination of growing areas

3 结论

结合模式识别方法,电子鼻技术在中草药产地、品种、来源及加工方式判别研究中有较多应用。Wang 等［24］采用深卷积神经网络算法分析了石斛电子鼻气味信息对石斛产地进行分类,且其准确率为87.56%。结合主成分分析和判别因子分析,刘晓梅等［25］运用电子鼻可以区分地龙及其炮制品。在姜黄属4 种中药的鉴别中,利用气味指纹图谱建立的XG-Boost 判别模型可以快速判别其种属,训练集、测试集正判率分别达99.39%、95.65%［26］。对不同来源的南北五味子,利用其气味指纹图谱进行判别因子分析,正确识别率可达100%［27］。此外,电子鼻气味信息结合色度信息在厚朴产地判别中也显示了其优势,分类准确率达99.53%［28］。

表8 MLP 分类10-6-3 网格性能参数（%）Tab.8 Performance parameters of 10-6-3 grid MLP classifier （%）

三七中挥发性呈香物质主要为萜烯类、醇类、醛类、烯烃类和烷烃类等,尤其是萜烯类发挥了重要作用［29］。而三七的质量、产地和采摘季节等均对其内部成分有影响,外部表现为其气味的细微差异,利用气味信息评价三七综合品质具有可行性。本研究应用单因素方差分析结合典则判别分析建立了电子鼻检测三七的最佳条件为样品量1.5 g、顶空生成时间15 min、顶空体积250 mL、载气体积流量400 mL/min。结合主成分分析与典则判别分析可实现电子鼻对三七主根与支根的定性区分,典则判别分析能实现三七产地的定性区分,其中主根产地区分效果比支根产地区分效果好。MLP 神经网络分析能实现对三七主根、支根的定量区分,准确率高达99.49%；在主根产地判别时,准确率为99.49%；在支根产地判别时,准确率为95.95%。本实验优化得到的电子鼻检测条件较理想,可实现对三七主根、支根及产地的定性、定量判别。在今后的研究中,可尝试将电子鼻气味信息应用到三七内部活性成分含量的检测中,实现其内部品质的快速、无损评价,以期为市场监控三七品质和产地判别提供新的检测方法。