CN105738503B - 一种基于电子鼻快速预测山核桃脂肪酸含量的方法 - Google Patents

一种基于电子鼻快速预测山核桃脂肪酸含量的方法 Download PDF

Info

Publication number
CN105738503B
CN105738503B CN201610071566.2A CN201610071566A CN105738503B CN 105738503 B CN105738503 B CN 105738503B CN 201610071566 A CN201610071566 A CN 201610071566A CN 105738503 B CN105738503 B CN 105738503B
Authority
CN
China
Prior art keywords
fatty acid
content
sample
mrow
detection
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201610071566.2A
Other languages
English (en)
Other versions
CN105738503A (zh
Inventor
王俊
姜水
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201610071566.2A priority Critical patent/CN105738503B/zh
Publication of CN105738503A publication Critical patent/CN105738503A/zh
Application granted granted Critical
Publication of CN105738503B publication Critical patent/CN105738503B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/62—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating the ionisation of gases, e.g. aerosols; by investigating electric discharges, e.g. emission of cathode
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N2030/022—Column chromatography characterised by the kind of separation mechanism
    • G01N2030/025—Gas chromatography

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

本发明公开了一种基于电子鼻快速预测山核桃脂肪酸含量的方法。步骤如下：使用电子鼻直接对不同储藏时间的山核桃样品的顶空气进行体检测；采用稳定值法提取传感器阵列响应曲线上的特征值；采用气相色谱质谱联用仪结合外标法检测山核桃样品中的脂肪酸含量；建立基于电子鼻信号特征值和脂肪酸含量的预测模型，选择确定系数R2大而均方根误差RMSE小的预测模型作为最终的脂肪酸含量预测模型；对脂肪酸含量未知的检测样品进行电子鼻检测、特征值提取等操作，将提取出的特征值导入所建立的预测模型，从而获得准确的脂肪酸含量。本发明实现了不同储藏时间的山核桃样品的脂肪酸含量的快速预测，操作简单、效率高，具有较高的应用价值。

Description

一种基于电子鼻快速预测山核桃脂肪酸含量的方法
技术领域
本发明涉及农产品品质检测，尤其是涉及一种基于电子鼻快速预测山核桃脂肪酸含量的方法。
背景技术
山核桃是我国特有的坚果类产品，由于含有丰富的油脂和蛋白质等营养物质，山核桃成为人们越来越喜欢的坚果产品。山核桃在储藏过程中，内部的油脂会发生酸败现象，导致其脂肪酸含量发生变化。检测山核桃脂肪酸含量的方法往往采用气质联用法和高效液相色谱法，虽然这两种检测方法的检测结果比较准确，但是由于需要复杂的样品处理过程和昂贵的仪器等，检测效率低、成本高，使得这种山核桃脂肪酸含量检测方法局限于实验室内而无法推广开来。
电子鼻是一种模拟动物嗅觉系统的仪器设备，包含传感器阵列和模式识别两部分，其工作原理为：样品挥发出的气味作用于传感器阵列，产生响应信号，这种信号称为样品气味的模式或“气味指纹图谱”，利用多元统计分析和神经网络等方法对样品进行定性或定量分析。电子鼻技术提供了一种快速无损的检测方法，由于不需要复杂的样品处理过程，且具有高灵敏度、可靠性和重复性等，食品检测领域得到越来越广泛的应用。为了解决山核桃脂肪酸含量的传统检测方法效率低、操作复杂、成本高等问题，采用电子鼻直接对完整的山核桃进行检测，通过特定的模式识别方法建立脂肪酸含量的预测模型，从而大大提高山核桃脂肪酸含量检测的效率。目前，还没有电子鼻技术直接应用于山核桃脂肪酸含量预测的相关报道，本发明提供了一种基于电子鼻快速预测山核桃脂肪酸含量的方法。
发明内容
针对目前山核桃脂肪酸含量检测效率低、操作复杂、成本高等问题，本发明提供了一种基于电子鼻快速预测山核桃脂肪酸含量的方法。
一种基于电子鼻快速预测山核桃脂肪酸含量的方法，它的步骤如下：
(1)电子鼻检测过程：选取不同储藏时间的山核桃作为检测样品，按照储藏时间的不同分为若干批次，相同储藏时间的山核桃至少有3组不同检测样品；按照1颗/25ml顶空气体的比例将各组山核桃分别放入无味的密闭容器中，所述密闭容器的容积不小于500ml；放入山核桃后，密封，并在室温中静置45-75分钟，山核桃散发的气味充满整个密闭容器并达到平衡，从而获得顶空气体；每次电子鼻检测开始前，使用干燥洁净空气对电子鼻系统进行清洗，设置清洗流速为500ml/min-700ml/min，清洗时间为60-80秒；清洗完成后，电子鼻抽取密闭容器中的顶空气体，设置抽取顶空气体的流速为150ml/min-300ml/min，检测时间为70-90秒；检测记录传感器阵列响应信号，从而得到传感器阵列对不同储藏时间的检测样品的响应曲线；
(2)脂肪酸含量检测过程：对步骤(1)中经过电子鼻检测后的不同储藏时间的检测样品进行破壳、取仁、粉碎后，提取油脂样品进行脂肪酸含量检测，从而获得不同储藏时间的检测样品的脂肪酸含量；
(3)特征值提取过程：采用稳定值法提取步骤(1)获得的传感器阵列响应曲线上的特征值，所述稳定值法为传感器阵列响应曲线上稳定阶段的响应信号；
(4)预测模型建立过程：将步骤(3)中提取出的特征值作为自变量，不同储藏时间的检测样品的脂肪酸含量作为因变量，建立脂肪酸含量预测模型，选择其中确定系数大而均方根误差小的回归模型作为最终的脂肪酸含量预测模型；
(5)脂肪酸含量预测过程：通过步骤(1)和步骤(3)获得脂肪酸含量未知的检测样品的响应曲线的特征值，将获得的特征值导入步骤(4)中所建立的脂肪酸含量预测模型，从而获得脂肪酸含量未知的检测样品的脂肪酸含量。
进一步的，所述步骤(2)为：将粉碎后的检测样品放入索氏提取仪进行油脂提取，提取出的油脂样品进行甲酯化，参考国家标准GB/T 17376-2008中的酯交换法，从而获得甲酯化样液；使用气相色谱质谱联用仪检测甲酯化样液中脂肪酸甲酯含量，参考国家标准GB/T 17377-2008，从而获得甲酯化样液中脂肪酸甲酯含量；通过脂肪酸分子量和脂肪酸甲酯分子量的比值将甲酯化样液中脂肪酸甲酯含量转换为油脂样品中脂肪酸含量，通过检测样品的含油率将油脂样品中脂肪酸含量转换为检测样品中脂肪酸含量，转换公式如下：
W精确＝W酸P油
其中，W酸为油脂样品中脂肪酸含量，W甲酯为甲酯化样液中脂肪酸甲酯的含量，M酸为脂肪酸的分子量，M甲酯为脂肪酸甲酯的分子量；W精确为检测样品中脂肪酸含量，P油为检测样品的含油率。
进一步的，所述的步骤(4)中确定系数和均方根误差的计算公式如下：
其中，R2为确定系数；RMSE为均方根误差；N为预测模型建立过程中使用的脂肪酸含量已知的样本个数；Xi为预测模型建立过程中第i个样本脂肪酸含量的实际值；为预测模型建立过程中所有样本脂肪酸含量的实际值的平均值；Yi为预测模型建立过程中第i个样本脂肪酸含量的预测值；为预测模型建立过程中所有样本脂肪酸含量的预测值的平均值。
进一步的，所述的步骤(3)中脂肪酸含量预测模型建立方法是数据统计分析方法或神经网络算法。
本发明的有益结果是：通过使用电子鼻直接对完整山核桃散发的顶空气体进行检测，实现了不同储藏时间的山核桃样品的脂肪酸含量的快速预测，该方法操作简单、不需要复杂的样品处理和昂贵的仪器，具有较高的应用价值。
附图说明
图1实施例1中电子鼻检测的传感器响应信号；
图2实施例1中基于BP神经网络的山核桃脂肪酸含量预测模型；
图3实施例1中山核桃油酸含量预测模型效果图；
图4实施例1中山核桃亚油酸含量预测模型效果图；
图5实施例1中山核桃棕榈油酸含量预测模型效果图；
图6实施例1中山核桃亚麻酸含量预测模型效果图；
图7实施例1中山核桃棕榈酸含量预测模型效果图；
图8实施例1中山核桃硬脂酸含量预测模型效果图。
具体实施方式
本发明公开的一种基于电子鼻快速预测山核桃脂肪酸含量的方法，适用于山核桃中油酸、亚油酸、棕榈油酸、亚麻酸、棕榈酸、硬脂酸等脂肪酸含量的预测。电子鼻系统通过气体传感器阵列快速获取被检测样品的整体气味信息，通过合适的模式识别方法挖掘出代表内部隐含指标的信息，并对相应的指标进行定性或定量分析，具有较高的灵敏度、可靠性和重复性。以下具体实施案例中详细介绍了基于电子鼻快速预测山核桃脂肪酸含量的方法在实际中的应用，从而进一步说明本发明的广泛性。
本发明公开的一种基于电子鼻快速预测山核桃脂肪酸含量的方法，利用电子鼻系统对不同的山核桃样品进行快速检测，基于电子鼻数据建立起有效的预测模型，具体步骤如下：
(1)电子鼻检测过程：选取不同储藏时间的山核桃作为检测样品，按照储藏时间的不同分为若干批次，相同储藏时间的山核桃至少有3组不同检测样品，按照1颗/25ml顶空气体的比例将各组山核桃分别放入无味的密闭容器中，所述密闭容器的容积不小于500ml；放入山核桃后，使用无味保鲜膜进行密封，并在室温中静置45-75分钟，山核桃散发的气味充满整个密闭容器并达到平衡，从而获得顶空气体；每次电子鼻检测开始前，使用干燥洁净空气对电子鼻系统进行清洗，设置清洗流速为500ml/min-700ml/min，清洗时间为60-80秒；清洗完成后，电子鼻抽取密闭容器中的顶空气体，设置抽取顶空气体的流速为150ml/min-300ml/min，检测时间为70-90秒；检测过程中按照1次/秒的速率记录传感器响应信号，响应信号为传感器阵列检测样品气体时的电导率G与检测洁净空气时的电导率G0的比值，从而得到传感器阵列对不同储藏时间的检测样品的响应曲线；
(2)脂肪酸含量检测过程：对步骤(1)中经过电子鼻检测后的不同储藏时间的检测样品进行破壳、取仁、粉碎后，提取油脂样品进行脂肪酸含量检测，从而获得不同储藏时间的检测样品的脂肪酸含量；
(3)特征值提取过程：采用稳定值法提取步骤(1)获得的传感器阵列响应曲线上的特征值，所述稳定值法为传感器阵列响应曲线上稳定阶段的响应信号；
(4)预测模型建立过程：将步骤(3)中提取出的特征值作为自变量，不同储藏时间的检测样品的脂肪酸含量作为因变量，建立脂肪酸含量预测模型，选择其中确定系数大而均方根误差小的回归模型作为最终的脂肪酸含量预测模型；
(5)脂肪酸含量预测过程：通过步骤(1)和步骤(3)获得脂肪酸含量未知的检测样品的响应曲线的特征值，将获得的特征值导入步骤(4)中所建立的脂肪酸含量预测模型，从而获得脂肪酸含量未知的检测样品的脂肪酸含量。
进一步地，所述步骤(2)为：将粉碎后的检测样品放入索氏提取仪进行油脂提取，提取出的油脂样品进行甲酯化，参考国家标准GB/T 17376-2008中的酯交换法，从而获得甲酯化样液；使用气相色谱质谱联用仪检测甲酯化样液中脂肪酸甲酯含量，参考国家标准GB/T 17377-2008，从而获得甲酯化样液中脂肪酸甲酯含量；通过脂肪酸分子量和脂肪酸甲酯分子量的比例将甲酯化样液中脂肪酸甲酯含量转换为油脂样品中脂肪酸含量，通过检测样品的含油率将油脂样品中脂肪酸含量转换为检测样品中脂肪酸含量，转换公式如下：
W精确＝W酸P油
其中，W酸为油脂样品中脂肪酸含量，W甲酯为甲酯化样液中脂肪酸甲酯的含量，M酸为脂肪酸的分子量，M甲酯为脂肪酸甲酯的分子量；W精确为检测样品中脂肪酸含量，P油为检测样品的含油率。
进一步地，所述的步骤(4)中确定系数和均方根误差的计算公式如下：
其中，R2为确定系数；RMSE为均方根误差；N为预测模型建立过程中使用的脂肪酸含量已知的样本个数；Xi为预测模型建立过程中第i个样本脂肪酸含量的实际值；为预测模型建立过程中所有样本脂肪酸含量的实际值的平均值；Yi为预测模型建立过程中第i个样本脂肪酸含量的预测值；为预测模型建立过程中所有样本脂肪酸含量的预测值的平均值。
进一步地，所述的步骤(3)中脂肪酸含量预测模型建立方法是数据统计分析方法或神经网络算法。
实施例1
本实施例以不同储藏时间的山核桃作为检测对象，采用本发明公开的基于电子鼻快速预测山核桃脂肪酸含量的方法，实现对山核桃脂肪酸含量的快速检测。
本实施例中，采用人工陈化的山核桃代替自然陈化的山核桃。经验证，新鲜山核桃在35℃和30％相对湿度环境中存放10天和20天后的各项理化指标与在4℃环境下储藏1年和2年山核桃的各项理化指标几乎相同，这是人工陈化山核桃替代自然陈化山核桃的理论依据。具体人工陈化方式为将挑选后的山核桃放于温度为35℃、相对湿度为30％的恒温恒湿箱中，每隔5天取出一批作为一种新鲜度的山核桃样品，共计取出4批，再加上新鲜的山核桃，共计5批不同新鲜度的山核桃样品，分别编号为day0，day5，day10，day15，day20。
本实施例中，采用德国Airsense公司的PEN2型电子鼻作为检测仪器进行详细说明。PEN2电子鼻主要有三部分组成：进样装置、传感器阵列和数据处理软件。其中传感器阵列包含10个不同类型的金属氧化物传感器，传感器型号和主要特征描述如表1所示。
表1 PEN2型电子鼻传感器型号及其主要特性
本实施例中，电子鼻检测过程按照如下步骤进行：从编号为day0，day5，day10，day15，day20的山核桃样品中随机选取15组，每组20颗山核桃，分别放于500ml烧杯中，用保鲜膜密封后在室温(20±1℃)中静置45分钟，待山核桃散发出的气体充满整个顶空空间并达到平衡后，抽取顶空气体进行电子鼻检测，电子鼻检测时间为80秒，抽取顶空气体的速率为200ml/min，每一秒记录一次传感器响应值，清洗时间为70秒，抽取空气的速率为600ml/min。
本实施例中，电子鼻传感器阵列响应信号如图1所示，对所获得的传感器阵列响应信号进行特征提取，根据之前的研究，传感器响应曲线中平稳阶段的值具有最优的预测性能，因此选择各个传感器响应曲线中第75秒处的响应值作为特征值，用于预测模型的建立和未知样品脂肪酸含量的预测。
本实施例中，用于脂肪酸含量检测的样品准备过程如下：采用索氏提取方法(意大利VELP公司脂肪测定仪)对山核桃油脂进行提取，提取剂为乙醚，加热温度为110℃，浸提时间1.5小时，滤提时间1.5小时，分别对5种不同储藏时间的山核桃样品进行以上操作，共获得5种样品的提取油脂；由于脂肪酸在高温环境中容易分解，所以在进行气质联用检测前需要对油脂样品进行甲酯化，甲酯化后的脂肪酸不易分解，使检测结果更加准确，甲酯化过程参考GB/T 17376-2008中的酯交换法进行。
本实施例中，使用的气质联用仪为安捷伦公司的7890A气相色谱仪结合5975质谱检测器，色谱柱型号为DB-WAX(30m×250μm×0.5μm)。气质联用仪具体参数设置如下：
(1)GC条件：进样量为1μL，进样口温度为250℃，载气为纯净氦气，载气流速为1ml/min，采用分流模式，分流比为50：1。升温程序：起始温度50℃，停留1分钟，然后以25℃/分钟的速率爬升至200℃，最后以3℃/分钟的升温速率爬升至230℃，停留5分钟，总运行时间为22分钟。
(2)MS条件：溶剂延迟2分钟，GC-MS接口温度280℃，EI电离源，离子源温度230℃，离子能量70eV，四极杆温度150℃，质量扫描范围30-500amu质量单位，标准库为NIST库。
本实施例中，脂肪酸甲酯标准曲线制作过程如下：配置不同含量的脂肪酸甲酯标准品溶液，采用与山核桃样品检测相同的气质条件进行检测，获得总离子流图，计算相应脂肪酸甲酯的峰面积，分别进行3次重复检测取峰面积平均值作为代表该标准品溶液中脂肪酸甲酯含量的峰面积，然后以面积作为自变量，脂肪酸甲酯含量作为因变量描绘标准曲线，并拟合方程，所获得的拟合方程如表2所示。表中的拟合方程已经通过脂肪酸和脂肪酸甲酯的比例转化为山核桃脂肪酸含量的拟合方程，即代入峰面积后，方程得到的结果是相应脂肪酸的含量，表中最后一列是脂肪酸和其对应脂肪酸甲酯的分子量。
表2脂肪酸标准曲线拟合方程
脂肪酸名称 标准曲线拟合方程 R2 脂肪酸分子量/脂肪酸甲酯分子量
油酸 y＝7E-09x-1.839 0.9939 282.46/296.49
亚油酸 y＝4E-09x-0.0934 0.9981 280.44/294.47
棕榈油酸 y＝3E-09x-0.0074 0.9994 254,41/268.43
亚麻酸 y＝7E-09x-0.011 1.0000 280.45/292.46
棕榈酸 y＝5E-09x+0.0655 0.9905 256.42/270
硬脂酸 y＝7E-09x-0.0389 0.9984 284.48/298.51
本实施例中，不同储藏时间山核桃样品经过气质联用检测后分别获得各个脂肪酸对应的峰面积，经过3次重复检测，取平均值作为最终结果，代入标准曲线拟合方程，获得相应的脂肪酸含量，如表3所示，该表中的脂肪酸含量用于后续建立预测模型。
表3不同储藏时间山核桃样品的脂肪酸含量
本实施例中，采用BP神经网络建立山核桃脂肪酸含量的预测模型。图2为建立的神经网络模型，该模型为三层神经网络，第一层为输入层，神经元个数为10(输入选取的10个电子鼻数据特征值)；第二层为隐藏层，隐藏层的神经元个数直接影响了所建立模型的性能，经过实验验证，当隐藏层的神经元个数为14时具有较高的预测性能，同时消耗的计算机资源也相对较少，达到最优的性价比；第三层为输出层，输出层输出脂肪酸含量的预测结果，神经元个数为1。
本实施例中，所建立的山核桃各个脂肪酸含量的BP神经网络预测模型的效果图如图3-图8所示，各个模型的预测性能如表4所示。由表4中的校正集数据可以看出，模型预测的脂肪酸含量与使用气质联用仪测量得到的脂肪酸含量具有很好的相关性，具有较高的R2值和较小的RMSE值。
将脂肪酸含量未知的山核桃样品通过电子鼻检测获得其电子鼻传感器阵列响应值，进行特征提取后，将特征值导入所构建的BP神经网络预测模型，最终获得脂肪酸含量未知样品中脂肪酸的预测值。由表4中的测试集数据可以看出，模型的预测值和使用气质联用仪测量的实际值之间具有很好的相关性，较高的R2值和较小的RMSE值，说明预测模型有很好的预测性能。
表4基于BP神经网络的脂肪酸含量预测模型及其性能
通过以上实施例对基于电子鼻快速预测山核桃脂肪酸含量的方法的详细介绍，所建立的山核桃中油酸、亚油酸、棕榈油酸、亚麻酸、棕榈酸和硬脂酸含量的预测模型均具有较高的预测性能，进一步说明，本发明公开的方法具有较高的应用价值，值得广泛推广。

Claims (4)

1.一种基于电子鼻快速预测山核桃脂肪酸含量的方法，其特征在于，它的步骤如下：
(1)电子鼻检测过程：选取不同储藏时间的山核桃作为检测样品，按照储藏时间的不同分为若干批次，相同储藏时间的山核桃至少有3组不同检测样品；按照1颗/25ml顶空气体的比例将各组山核桃分别放入无味的密闭容器中，所述密闭容器的容积不小于500ml；放入山核桃后，密封，并在室温中静置45-75分钟，山核桃散发的气味充满整个密闭容器并达到平衡，从而获得顶空气体；每次电子鼻检测开始前，使用干燥洁净空气对电子鼻系统进行清洗，设置清洗流速为500ml/min-700ml/min，清洗时间为60-80秒；清洗完成后，电子鼻抽取密闭容器中的顶空气体，设置抽取顶空气体的流速为150ml/min-300ml/min，检测时间为70-90秒；检测记录传感器阵列响应信号，从而得到传感器阵列对不同储藏时间的检测样品的响应曲线；
(2)脂肪酸含量检测过程：对步骤(1)中经过电子鼻检测后的不同储藏时间的检测样品进行破壳、取仁、粉碎后，提取油脂样品进行脂肪酸含量检测，从而获得不同储藏时间的检测样品的脂肪酸含量；
(3)特征值提取过程：采用稳定值法提取步骤(1)获得的传感器阵列响应曲线上的特征值，所述稳定值法为传感器阵列响应曲线上稳定阶段的响应信号；
(4)预测模型建立过程：将步骤(3)中提取出的特征值作为自变量，不同储藏时间的检测样品的脂肪酸含量作为因变量，建立脂肪酸含量预测模型，选择其中确定系数大而均方根误差小的回归模型作为最终的脂肪酸含量预测模型；
(5)脂肪酸含量预测过程：通过步骤(1)和步骤(3)获得脂肪酸含量未知的检测样品的响应曲线的特征值，将获得的特征值导入步骤(4)中所建立的脂肪酸含量预测模型，从而获得脂肪酸含量未知的检测样品的脂肪酸含量。
2.根据权利要求1所述的基于电子鼻快速预测山核桃脂肪酸含量的方法，其特征在于，所述步骤(2)为：将粉碎后的检测样品放入索氏提取仪进行油脂提取，提取出的油脂样品进行甲酯化，参考国家标准GB/T 17376-2008中的酯交换法，从而获得甲酯化样液；使用气相色谱质谱联用仪检测甲酯化样液中脂肪酸甲酯含量，参考国家标准GB/T 17377-2008，从而获得甲酯化样液中脂肪酸甲酯含量；通过脂肪酸分子量和脂肪酸甲酯分子量的比值将甲酯化样液中脂肪酸甲酯含量转换为油脂样品中脂肪酸含量，通过检测样品的含油率将油脂样品中脂肪酸含量转换为检测样品中脂肪酸含量，转换公式如下：
W精确＝W酸P油
其中，W酸为油脂样品中脂肪酸含量，W甲酯为甲酯化样液中脂肪酸甲酯的含量，M酸为脂肪酸的分子量，M甲酯为脂肪酸甲酯的分子量；W精确为检测样品中脂肪酸含量，P油为检测样品的含油率。
3.根据权利要求1所述的一种基于电子鼻快速预测山核桃脂肪酸含量的方法，其特征在于，所述的步骤(4)中确定系数和均方根误差的计算公式如下：
<mrow> <msup> <mi>R</mi> <mn>2</mn> </msup> <mo>=</mo> <mfrac> <msup> <mrow> <mo>(</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <mo>(</mo> <mrow> <msub> <mi>X</mi> <mi>i</mi> </msub> <mo>-</mo> <mover> <mi>X</mi> <mo>&amp;OverBar;</mo> </mover> </mrow> <mo>)</mo> <mo>(</mo> <mrow> <msub> <mi>Y</mi> <mi>i</mi> </msub> <mo>-</mo> <mover> <mi>Y</mi> <mo>&amp;OverBar;</mo> </mover> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mi>i</mi> </msub> <mo>-</mo> <mover> <mi>X</mi> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> <mn>2</mn> </msup> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>Y</mi> <mi>i</mi> </msub> <mo>-</mo> <mover> <mi>Y</mi> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </mfrac> </mrow>
<mrow> <mi>R</mi> <mi>M</mi> <mi>S</mi> <mi>E</mi> <mo>=</mo> <msqrt> <mrow> <mfrac> <mn>1</mn> <mi>N</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mover> <mi>Y</mi> <mo>&amp;OverBar;</mo> </mover> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> </mrow>
其中，R2为确定系数；RMSE为均方根误差；N为预测模型建立过程中使用的脂肪酸含量已知的样本个数；Xi为预测模型建立过程中第i个样本脂肪酸含量的实际值；为预测模型建立过程中所有样本脂肪酸含量的实际值的平均值；Yi为预测模型建立过程中第i个样本脂肪酸含量的预测值；为预测模型建立过程中所有样本脂肪酸含量的预测值的平均值。
4.根据权利要求1所述的一种基于电子鼻快速预测山核桃脂肪酸含量的方法，其特征在于，所述的步骤(3)中脂肪酸含量预测模型建立方法是数据统计分析方法或神经网络算法。
CN201610071566.2A 2016-02-01 2016-02-01 一种基于电子鼻快速预测山核桃脂肪酸含量的方法 Expired - Fee Related CN105738503B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610071566.2A CN105738503B (zh) 2016-02-01 2016-02-01 一种基于电子鼻快速预测山核桃脂肪酸含量的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610071566.2A CN105738503B (zh) 2016-02-01 2016-02-01 一种基于电子鼻快速预测山核桃脂肪酸含量的方法

Publications (2)

Publication Number Publication Date
CN105738503A CN105738503A (zh) 2016-07-06
CN105738503B true CN105738503B (zh) 2017-10-20

Family

ID=56245590

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610071566.2A Expired - Fee Related CN105738503B (zh) 2016-02-01 2016-02-01 一种基于电子鼻快速预测山核桃脂肪酸含量的方法

Country Status (1)

Country Link
CN (1) CN105738503B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230152287A1 (en) * 2020-01-23 2023-05-18 East China University Of Science And Technology Gas-sensitive-gas-chromatographic electronic nose instrument and online analysis method of multiple state parameters of fermentation and malodorous pollutant processes
CN111443160B (zh) * 2020-01-23 2021-02-12 湖州老恒和酿造有限公司 一种气敏-气相色谱信息融合和电子鼻仪器在线分析方法
CN113192026B (zh) * 2021-04-28 2023-08-04 北京林业大学 一种基于可见光图像的核桃成熟度检测与预测方法
CN115598226A (zh) * 2021-07-07 2023-01-13 佳禾食品工业股份有限公司（Cn） 超快速气相电子鼻在检测脂肪酸中的应用

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102749370A (zh) * 2012-07-19 2012-10-24 浙江大学 壳类农产品品质指标无损快速检测的方法
CN102879436A (zh) * 2012-10-22 2013-01-16 浙江工商大学 一种利用电子鼻检测河鲫鱼新鲜度的方法
CN104849323A (zh) * 2015-05-06 2015-08-19 浙江大学 一种基于电子鼻快速检测果汁中澄清剂的方法
CN104849320A (zh) * 2015-06-04 2015-08-19 安徽农业大学 电子鼻黄芽茶的香气品质分类方法
CN104897738A (zh) * 2015-05-06 2015-09-09 浙江大学 一种基于嗅觉指纹信息快速检测超高压果汁品质的方法
CN105223240A (zh) * 2015-11-20 2016-01-06 上海应用技术学院 一种利用电子鼻检测蟹新鲜度的方法
KR20160006888A (ko) * 2014-07-09 2016-01-20 주식회사 과학기술분석센타 농축 비오염 가스 공급용 전자코 전처리 기구

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102749370A (zh) * 2012-07-19 2012-10-24 浙江大学 壳类农产品品质指标无损快速检测的方法
CN102879436A (zh) * 2012-10-22 2013-01-16 浙江工商大学 一种利用电子鼻检测河鲫鱼新鲜度的方法
KR20160006888A (ko) * 2014-07-09 2016-01-20 주식회사 과학기술분석센타 농축 비오염 가스 공급용 전자코 전처리 기구
CN104849323A (zh) * 2015-05-06 2015-08-19 浙江大学 一种基于电子鼻快速检测果汁中澄清剂的方法
CN104897738A (zh) * 2015-05-06 2015-09-09 浙江大学 一种基于嗅觉指纹信息快速检测超高压果汁品质的方法
CN104849320A (zh) * 2015-06-04 2015-08-19 安徽农业大学 电子鼻黄芽茶的香气品质分类方法
CN105223240A (zh) * 2015-11-20 2016-01-06 上海应用技术学院 一种利用电子鼻检测蟹新鲜度的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A fuzzy ARTMAP- and PLS-based MS e-nose for the qualitative and quantitative assessment of rancidity in crisps;M.Vinaixa 等;《Sensors and Actuators》;20041019;第106卷(第2期);第677-686页 *
Monitoring of warmed-over &#64258;avour in pork using the electronic nose–correlation to sensory attributes and secondary lipid oxidation products;Kaja Tikk 等;《Meat Science》;20081231;第80卷(第4期);第1254-1263页 *
基于电子鼻的山核桃陈化时间检测;庞林江 等;《传感技术学报》;20110630;第24卷(第6期);第928-933页 *
鲳鱼货架期预测模型的电子鼻评价与研究;佟懿 等;《水产学报》;20100331;第34卷(第3期);第367-374页 *

Also Published As

Publication number Publication date
CN105738503A (zh) 2016-07-06

Similar Documents

Publication Publication Date Title
CN105738503B (zh) 一种基于电子鼻快速预测山核桃脂肪酸含量的方法
CN108645815B (zh) 一种植物油料中脂肪酸含量的近红外检测方法
CN105738504B (zh) 一种气相色谱质谱联用测定山核桃脂肪酸含量的方法
CN103134850B (zh) 一种基于特征香气的茶叶品质快速检测方法
CN102749370B (zh) 壳类农产品品质指标无损快速检测的方法
CN104316660B (zh) 快速检测豆瓣酱风味、等级及产品溯源的方法
CN104849321B (zh) 一种基于嗅觉指纹图谱快速检测柑橘品质的方法
CN105699437B (zh) 一种基于电子鼻的不同新鲜度山核桃的快速无损区分方法
CN105738581B (zh) 一种基于电子鼻的不同新鲜度山核桃的快速鉴别方法
CN102692488A (zh) 基于电子鼻技术的金华火腿分级与鉴别方法
CN103645144B (zh) 一种白酒成分定量分析方法
CN103134767A (zh) 一种红外光谱校正鉴定白酒品质的方法
Huang et al. Scent profiling of Cymbidium ensifolium by electronic nose
CN105738422A (zh) 一种基于电子鼻检测山核桃储藏时间的方法
Yin et al. Classification of Chinese drinks by a gas sensors array and combination of the PCA with Wilks distribution
CN108333300A (zh) 用于鉴别玛咖产地的方法
CN104833780B (zh) 一种基于乙醇传感器预测草莓品质等级的方法
CN103399092B (zh) 一种快速评定人参品质的方法
CN110887944A (zh) 一种茶油品质快速检测装置
CN104897738B (zh) 一种基于嗅觉指纹信息快速检测超高压果汁品质的方法
CN105738513A (zh) 一种检测原料乳中脂肪酸相对含量的方法
CN107764793A (zh) 电子鼻对郫县豆瓣制曲过程中米曲霉发酵情况的检测方法
Wei et al. Authentication of chaste honey adulterated with high fructose corn syrup by HS-SPME-GC-MS coupled with chemometrics
CN105548268A (zh) 一种基于电子鼻快速预测山核桃加工时间的方法
CN111060633B (zh) 基于特征风味组分对油煎过程中油脂判废模型的建立方法及判废方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20171020

CF01 Termination of patent right due to non-payment of annual fee