CN111198209A - 一种基于电子鼻快速预测发酵水产品tvb-n值方法 - Google Patents
一种基于电子鼻快速预测发酵水产品tvb-n值方法 Download PDFInfo
- Publication number
- CN111198209A CN111198209A CN202010049259.0A CN202010049259A CN111198209A CN 111198209 A CN111198209 A CN 111198209A CN 202010049259 A CN202010049259 A CN 202010049259A CN 111198209 A CN111198209 A CN 111198209A
- Authority
- CN
- China
- Prior art keywords
- tvb
- sample
- electronic nose
- value
- aquatic product
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 238000000513 principal component analysis Methods 0.000 claims abstract description 17
- 238000000855 fermentation Methods 0.000 claims abstract description 15
- 230000004151 fermentation Effects 0.000 claims abstract description 15
- 230000004044 response Effects 0.000 claims description 40
- 238000005070 sampling Methods 0.000 claims description 17
- 238000012417 linear regression Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 239000007788 liquid Substances 0.000 claims description 6
- 239000007787 solid Substances 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 2
- 238000002360 preparation method Methods 0.000 claims description 2
- 238000011068 loading method Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000007619 statistical method Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 abstract description 2
- 239000000463 material Substances 0.000 abstract description 2
- 239000000126 substance Substances 0.000 description 18
- 239000007789 gas Substances 0.000 description 14
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 12
- 241000251468 Actinopterygii Species 0.000 description 10
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 10
- 235000019688 fish Nutrition 0.000 description 10
- UHOVQNZJYSORNB-UHFFFAOYSA-N Benzene Chemical compound C1=CC=CC=C1 UHOVQNZJYSORNB-UHFFFAOYSA-N 0.000 description 9
- 150000001335 aliphatic alkanes Chemical class 0.000 description 6
- 229910021529 ammonia Inorganic materials 0.000 description 6
- 239000007858 starting material Substances 0.000 description 6
- 238000002347 injection Methods 0.000 description 5
- 239000007924 injection Substances 0.000 description 5
- 125000002496 methyl group Chemical group [H]C([H])([H])* 0.000 description 5
- 229910052757 nitrogen Inorganic materials 0.000 description 5
- 241000143060 Americamysis bahia Species 0.000 description 4
- 241001454694 Clupeiformes Species 0.000 description 4
- ROSDSFDQCJNGOL-UHFFFAOYSA-N Dimethylamine Chemical compound CNC ROSDSFDQCJNGOL-UHFFFAOYSA-N 0.000 description 4
- 150000001412 amines Chemical class 0.000 description 4
- 235000019513 anchovy Nutrition 0.000 description 4
- 235000013305 food Nutrition 0.000 description 4
- GETQZCLCWQTVFV-UHFFFAOYSA-N trimethylamine Chemical compound CN(C)C GETQZCLCWQTVFV-UHFFFAOYSA-N 0.000 description 4
- 240000006439 Aspergillus oryzae Species 0.000 description 3
- 235000002247 Aspergillus oryzae Nutrition 0.000 description 3
- 150000001298 alcohols Chemical class 0.000 description 3
- 125000003118 aryl group Chemical group 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 150000004678 hydrides Chemical class 0.000 description 3
- 229910052945 inorganic sulfide Inorganic materials 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- -1 oxynitride Chemical compound 0.000 description 3
- 239000003755 preservative agent Substances 0.000 description 3
- 230000002335 preservative effect Effects 0.000 description 3
- 238000007789 sealing Methods 0.000 description 3
- 230000035943 smell Effects 0.000 description 3
- 230000001954 sterilising effect Effects 0.000 description 3
- 238000004659 sterilization and disinfection Methods 0.000 description 3
- 101100054292 Arabidopsis thaliana ABCG36 gene Proteins 0.000 description 2
- 101100351526 Arabidopsis thaliana PEN3 gene Proteins 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 2
- 241000238557 Decapoda Species 0.000 description 2
- 108090000790 Enzymes Proteins 0.000 description 2
- 102000004190 Enzymes Human genes 0.000 description 2
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000004821 distillation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- QJGQUHMNIGDVPM-UHFFFAOYSA-N nitrogen group Chemical group [N] QJGQUHMNIGDVPM-UHFFFAOYSA-N 0.000 description 2
- 235000015067 sauces Nutrition 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 206010016952 Food poisoning Diseases 0.000 description 1
- 208000019331 Foodborne disease Diseases 0.000 description 1
- FFEARJCKVFRZRR-BYPYZUCNSA-N L-methionine Chemical compound CSCC[C@H](N)C(O)=O FFEARJCKVFRZRR-BYPYZUCNSA-N 0.000 description 1
- OUYCCCASQSFEME-QMMMGPOBSA-N L-tyrosine Chemical compound OC(=O)[C@@H](N)CC1=CC=C(O)C=C1 OUYCCCASQSFEME-QMMMGPOBSA-N 0.000 description 1
- 239000001888 Peptone Substances 0.000 description 1
- 108010080698 Peptones Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000011149 active material Substances 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- KGBXLFKZBHKPEV-UHFFFAOYSA-N boric acid Chemical compound OB(O)O KGBXLFKZBHKPEV-UHFFFAOYSA-N 0.000 description 1
- 239000004327 boric acid Substances 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000009298 carbon filtering Methods 0.000 description 1
- 239000012159 carrier gas Substances 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 235000013882 gravy Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 1
- 239000000395 magnesium oxide Substances 0.000 description 1
- CPLXHLVBOLITMK-UHFFFAOYSA-N magnesium oxide Inorganic materials [Mg]=O CPLXHLVBOLITMK-UHFFFAOYSA-N 0.000 description 1
- AXZKOIWUVFPNLO-UHFFFAOYSA-N magnesium;oxygen(2-) Chemical compound [O-2].[Mg+2] AXZKOIWUVFPNLO-UHFFFAOYSA-N 0.000 description 1
- 229930182817 methionine Natural products 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 235000019319 peptone Nutrition 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000002791 soaking Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000004448 titration Methods 0.000 description 1
- OUYCCCASQSFEME-UHFFFAOYSA-N tyrosine Natural products OC(=O)C(N)CC1=CC=C(O)C=C1 OUYCCCASQSFEME-UHFFFAOYSA-N 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/12—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
- G01N33/12—Meat; Fish
Landscapes
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Medicinal Chemistry (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明公开了一种基于电子鼻快速预测发酵水产品TVB‑N的方法。通过电子鼻技术对于发酵过程中产生的挥发性气体进行记录并且分析，运用主成分分析(PCA)、线性判别分析(LDA)、载荷分析(loadings analysis)结合建模标准样品的TVB‑N含量，并通过数学统计方法建立TVB‑N的预测模型，从而对待测发酵水产品中TVB‑N含量进行有效、快速的预测。本方法操作简单，检测过程中节约了人力物力，检测效率高，是一种综合的、高效的、简单的预测方法，可以广泛的应用于水产品及发酵水产品的TVB‑N含量预测评价。
Description
技术领域
本发明涉及发酵水产品加工与安全领域，是一种基于电子鼻快速预测发酵水产品TVB-N的方法。
背景技术
挥发性盐基氮(TVB-N)指动物性食品由于酶和细菌的作用，在腐败过程中，使蛋白质分解而产生氨以及胺类等碱性含氮物质。此类物质具有挥发性，其含量越高，表明氨基酸被破坏的越多，特别是蛋氨酸和酪氨酸，因此营养价值大受影响。是反映原料鲜度的主要指标。挥发性盐基氮超标的食物存在腐变的问题，如果大量食用，有可能会导致食物中毒，极大程度威胁了人体的健康。
电子鼻主要由气敏传感器阵列、信号预处理和模式识别三部分组成。某种气味呈现在一种活性材料的传感器面前,传感器将化学输入转换成电信号,由多个传感器对一种气味的响应便构成了传感器阵列对该气味的响应谱。
在我国基于电子鼻对发酵水产品中TVB-N值的快速预测存在空缺，因此利用电子鼻对发酵水产品中的TVB-N值进行快速预测比常规测量方法会更加高效简洁，对待测样品的完整性提供了最大程度的保护。
发明内容
现阶段水产品中的TVB-N的测定常采用凯氏定氮仪法进行测定，为解决传统方法中测定步骤繁琐，耗费时间较长的问题，本发明提供一种基于电子鼻快速高效预测鱼、虾类等水产品在发酵过程中产生的TVB-N含量的方法。
一种基于电子鼻快速预测发酵水产品TVB-N的方法，包括以下步骤：
(1)建模标准样品的制备
鱼、虾类等水产品在密闭环境下进行发酵，作为建模标准样品。
其中，发酵的条件为：温度25℃～30℃条件下静置20min～30min。
具体的，鱼、虾类等水产品进行发酵后，于不同时间段共取出M组样品作为建模标准样品，鱼、虾类等水产品取样时应在无菌环境中操作，取样时的环境温度严格控制在20～25℃，防止取样后因为温度变化导致样品中的挥发性成分发生改变。鱼、虾类等水产品发酵前每次的取样量为5-10ml，放置于体积为50ml灭菌后的离心管中，将取出的样品以25℃～30℃条件下静置20min～30min，同时需用无菌保鲜膜进行封口处理，作为建模标准样品。
(2)TVB-N值预测模型的建立
电子鼻传感器阵列主要由对化学成分灵敏的传感器组成，不同挥发性气体成分进入传感器中会改变传感器的电阻率，进样结束后记录不同传感器的响应特征值。利用电子鼻传感器阵列记录建模标准样品在50～60s时传感器的响应特征值，同时采用主成分分析(PCA)、线性判别分析(LDA)和载荷分析(Loadings Analysis)对电子鼻传感器阵列获取的数据(传感器的响应特征值)进行处理分析，用线性回归模型将电子鼻获取的传感器响应特征值与建模标准样品的TVB-N值联系，建立发酵水产品中TVB-N值的预测模型。
优选的，步骤(2)中，所述电子鼻传感器阵列包括10种传感器，分别为W1C、W5S、W3C、W6S、W5C、W1S、W1W、W2S、W2W、W3S。这10种传感器对芳香成分苯类、氮氧化合物、氨类物质、氢化物、短链烷烃类、含甲基类物质、无机硫化物、醇类、长链烷烃类敏感。
优选的，步骤(2)中，所述传感器的响应特征值采用电导率比值G/G0或者G0/G表示，其中G0表示初始电阻，G表示测试实时电阻，选取电导率比值大于1的值。
优选的，步骤(2)中，采用顶空进样的方式向电子鼻内进样，所述电子鼻的测试条件为：进样时间为60～70s，传感器阵列间隔测定间隔为1s，样品产生的挥发性气体的进样速率为400～500ml/min，气体最终由电子鼻的后部排气口排出。
优选的，步骤(2)中，采用主成分分析时(PCA)要保证第一主成分和第二主成分的贡献率之和大于90％。
优选的，步骤(2)中，同时采用自动凯氏定氮仪法测定建模标准样品理化指标TVB-N值，作为实际值，并与发酵水产品中TVB-N值的预测模型中的预测值进行验证多元线性回归是利用数理统计中回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。优选的，步骤(2)中，线性回归模型为y＝b0+b1x1+b2x2+……bnxn+e，其中y为TVB-N预测值，x为传感器的响应特征值，n表示建模样本个数，xn表示第n个样品的测试值，e作为常数项，函数模型判定系数R2越接近于1，表明模型越良好，这说明模型拟合效果就越好，拟合的函数具有更良好的统计意义，
其中yi代表建模过程中第i个样本的预测值，
表示建模过程样本的预测值的平均值。
(3)未知样品传感器阵列响应值的测定
将待测样品置于恒温箱25～30℃条件下恒温静置20min～30min，最大程度还原发酵时的温度环境，防止取样后样品的挥发性气体因环境温度的改变而发生变化。用电子鼻传感器阵列记录在50～60s时传感器的响应特征值，再代入到步骤(2)中得到的TVB-N值预测模型中，获得待测样品的TVB-N值。
优选的，步骤(3)中，当所述待测样品为固体样品时，所述固体样品的取样量为2～4g；当所述待测样品为液体样品时，所述液体样品的取样量为5～10ml。
优选的，步骤(3)中，电子鼻传感器阵列包括10种传感器，分别为W1C、W5S、W3C、W6S、W5C、W1S、W1W、W2S、W2W、W3S。这10种传感器对芳香成分苯类、氮氧化合物、氨类物质、氢化物、短链烷烃类、含甲基类物质、无机硫化物、醇类、长链烷烃类敏感。
优选的，步骤(3)中，传感器的响应特征值采用电导率比值G/G0或者G0/G表示，其中G0表示初始电阻，G表示测试实时电阻，选取电导率比值大于1的值。
优选的，步骤(3)中，采用顶空进样的方式向电子鼻内进样，所述电子鼻的测试条件为：进样时间为60～70s，传感器阵列间隔测定间隔为1s，样品产生的挥发性气体的进样速率为400～500ml/min，气体最终由电子鼻的后部排气口排出。
优选的，步骤(3)中，所述电子鼻的测试的清洗时间60～80s。
优选的，步骤(3)中，当所述待测样品为固体样品时，所述固体样品的取样量为2～4g；当所述待测样品为液体样品时，所述液体样品的取样量为2～4g；
具体的，取，将待测样品置于灭菌的50ml的离心管中，同时用无菌保鲜膜进行封口，静置90s，待容器内的挥发性气体稳定后，采用顶空进样的方式向电子鼻内进样，电子鼻的进样针头与活性炭过滤装置的针头同时插入容器内，挥发性气体通过电子鼻传感器阵列，进样结束后记录在50～60s时不同传感器的响应特征值。再代入到步骤(2)中得到的TVB-N值预测模型中，获得待测样品的TVB-N值。
TVB-N，中文名称挥发性盐基氮。一般指动物性食品由于酶和细菌的作用，在腐败过程中，使蛋白质分解而产生氨以及胺类等碱性含氮物质。主要是氨和胺类，胺类中主要包括二甲胺和三甲胺。鱼虾等在发酵过程中产生的腐腥气味与这两种物质的存在有必要的联系。又因为二甲胺和三甲胺同属于含甲基化合物，因此TVB-N值同电子鼻阵列传感器W1S、W5S响应特征值建立数学关系提供了可靠依据。
本发明通过电子鼻技术对于发酵过程中产生的挥发性气体进行记录并且分析，运用主成分分析(PCA)、线性判别分析(LDA)、载荷分析(loadings analysis)结合建模标准样品的TVB-N含量，并通过数学统计方法建立TVB-N的预测模型，从而对待测发酵水产品中TVB-N含量进行有效、快速的预测。
与现有测定TVB-N值的方法相比，本方法利用主成分分析(PCA)，线性判别分析(LDA)以及结合载荷分析(Loading Analysis)对传感器阵列响应值进行分析，结合理化指标的测定，利用多元线性回归建立TVB-N值预测模型。该方法操作简单，检测过程中节约了人力物力，检测效率高，是一种综合的、高效的、简单的预测方法，可以广泛的应用于水产品及发酵水产制品的TVB-N值(含量)预测评价中。
附图说明
图1为电子鼻传感器阵列0～60s区间实时的响应值图，横轴表示进样时间，纵轴表示电子鼻传感器阵列的响应特征值，各条曲线分别表示不同的传感器对不同挥发性气味的响应。
图2为用于建模标准样品通过电子鼻传感器阵列的主成分分析结果，横纵坐标分别代表第一主成分与第二主成分贡献率，不同的线圈表示不同的样本，同时在线圈一侧标注样本编号。
图3为用于建模标准样品通过电子鼻传感器陈列的载荷分析分析结果，不同的线圈表示不同类型的传感器，同时在线圈一侧标注传感器编号。
图4为用于建模标准样品通过电子鼻传感器陈列的线性判别分析结果，其中，横纵坐标分别代表第一主成分与第二主成分贡献率，不同的线圈表示不同的样本，同时在线圈一侧标注样本编号。
图5为待测样品的预测值与实际值的散点分析图。
具体实施方式
本发明结合附图以及实施例进行更加详细的解释。
实施例1
基于电子鼻快速预测鳀鱼发酵鱼露的TVB-N值方法，具体包括如下步骤。
(1)利用米曲霉(沪酿3.042)和麸皮质量比制备鳀鱼发酵成曲(具体为：在不锈钢铁桶中加入麸皮10kg，蛋白胨300g，水9L，持续搅拌均匀20min，表面盖上纱布，放入蒸汽灭菌锅中120℃灭菌45min，灭菌后移入超净工作台，开启紫外静置1h，待曲料晾凉后，按照米曲霉(沪酿3.042)和曲料1：5000的质量比加入米曲霉，移入到恒温培养箱37℃下培养36h，制得发酵成曲。)将新鲜的鳀鱼准备好，用洁净、流速较慢的水将鱼体清洗干净，与制备好的发酵成曲按10:1的质量比混合，在25～35℃，密闭环境下发酵，每10d取样一次，每次取样20ml备用。将取出的样品按取样先后的时间顺序编号1到14，分为两组，其中编号1～9的样品用于预测模型的建立，作为建模标准样品；编号10～14的样品用于模型精确度的验证，作为待测样品。
(2)然后将建模标准样品和待测样品置于恒温箱25℃条件下25分钟，取10ml建模标准样品置于灭菌的50ml的离心管中，同时用无菌保鲜膜进行封口，静置90s，待容器内的挥发性气体稳定后，采用顶空进样的方式向电子鼻内进样，电子鼻的进样针头与活性炭过滤装置的针头同时插入容器内，挥发性气体通过电子鼻传感器阵列，进样结束后记录建模标准样品和待测样品不同传感器的响应特征值。电子鼻传感器阵列包括10种传感器，分别为W1C、W5S、W3C、W6S、W5C、W1S、W1W、W2S、W2W、W3S。这10种传感器对芳香成分苯类、氮氧化合物、氨类物质、氢化物、短链烷烃类、含甲基类物质、无机硫化物、醇类、长链烷烃类敏感。样品的挥发性物质测定所采用的是德国AIRSENSE公司生产的PEN3型电子鼻。电子鼻传感器阵列信息由表1表示，传感器的响应特征值采用电导率比值G/G0或者G0/G表示，选取电导率比值大于1的值。进样时间为60s，传感器阵列间隔测定间隔为1s，样品产生的挥发性气体的进样速率为400ml/min，以干净的空气作为载气，气体最终由电子鼻的后部排气口排出，并记录建模标准样品和待测样品传感器59s时的响应值。同时采用主成分分析、线性判别分析和载荷分析对电子鼻传感器阵列获取的传感器的响应特征值进行处理分析，用线性回归模型将电子鼻获取的传感器响应特征值与建模标准样品的TVB-N值联系，建立发酵水产品中TVB-N值的预测模型；其中，采用主成分分析时要求第一主成分和第二主成分的贡献率之和大于90％。通过SPSS Statistic 17.0，以W5S和W1S传感器响应特征值作为自变量，以TVB-N值作为因变量，利用多元线性回归建立函数关系：Y＝0.426X1-0.047X2+28.588,，R2为0.952，Y表示TVB-N的预测值，X1、X2为W5S和W1S传感器的特定响应值。
表1 PEN3型电子鼻传感器特征信息
(3)取编号10～14的鱼露样品10ml于蒸馏管中，加入75ml的水，浸渍30min，同时加入1g氧化镁，立刻连接到蒸馏器上，清洗自动凯氏定氮仪后并开启，设置参数，设定加碱、加水体积为0ml，硼酸接受液设定为30ml，蒸馏时间为180s，使用盐酸标准滴定溶液进行滴定，并记录消耗的体积，并计算TVB-N值，作为实际值。进行三次平行实验。
(4)将步骤(2)中编号为10～14的待测样品经电子鼻分析后获取的传感器的响应特征值代入到TVB-N值预测模型函数Y＝0.426X1-0.047X2+28.588中，获得待测样品鱼露的预测值，并且与实际值进行比较分析。
附图1表示用于建模标准样品经过电子鼻传感器阵列检测时0～60s区间的响应特征值，横轴表示进样时间，纵轴表示电子鼻传感器阵列的响应特征值，各条曲线分别表示不同的传感器对不同挥发性气味的响应。不同传感器的响应特征值在进样初始阶段一般先上升后下降，待所有传感器的响应特征值趋于稳定阶段时，取59s时的传感器响应特征值作为结果。
由附图2可见，对用于建模的标准样品的进行主成分分析(PCA分析)，结合载荷分析(loadings analysis)，第一主成分贡献率为97.60％，第二主成分贡献率为1.25％，两者的总贡献率达到98.85％。说明用于建模的标准品的电子鼻分析结果涵盖了整个样本所有的挥发性成分信息，具有很高的可信性。
由附图3可见，结合载荷分析(loadings analysis)，比较各传感器在X轴上的截距可知，对于第一主成分贡献率最高的是W1S传感器，其次是W5S传感器，它们代表的物质是含甲基类物质以及氮氧化物等。比较各传感器在Y轴上的截距可知，对于第二主成分贡献率最高的是W1W传感器，它对硫化氢类具有高敏感性。但是由于第二主成分的贡献率远低于第一主成分贡献率，因此仅考虑W1S和W5S这两类传感器及其敏感的物质。
由附图4可见，通过线性判别分析(LDA)，第一主成分贡献率为62.17％，第二主成分贡献率为30.66％，二者的总贡献率达到了92.83％。说明判别分析结果能够代表大部分样品气味信息，样品之间的区分度比较好。
图5表示待测样品的预测值与实际值的散点分析图，R2结果值表明因变量即挥发性盐基氮的预测值与W5S和W1S传感器的特征响应值之间呈现良好的线性关系，因此，挥发性盐基氮的预测值与电子鼻传感器阵列之间可以建立一种可靠的联系。
表2未知样品预测值与实际值对比表
经过比较分析后，未知样品的误差率控制在7％以内，说明该模型的预测效果比较良好。
Claims (9)
1.一种基于电子鼻预测发酵水产品TVB-N的方法，其特征在于，包括以下步骤：
(1)建模标准样品的制备
水产品在密闭环境下进行发酵，作为建模标准样品；
其中，发酵的条件为：温度25℃～30℃条件下静置20min～30min；
(2)TVB-N值预测模型的建立
利用电子鼻传感器阵列记录建模标准样品在50～60s时传感器的响应特征值，同时采用主成分分析、线性判别分析和载荷分析对电子鼻传感器阵列获取的传感器的响应特征值进行处理分析，用线性回归模型将电子鼻获取的传感器响应特征值与建模标准样品的TVB-N值联系，建立发酵水产品中TVB-N值的预测模型；
(3)未知样品传感器阵列响应值的测定
将待测样品置于25～30℃条件下静置20min～30min，用电子鼻传感器阵列记录在50～60s时传感器的响应特征值，再代入到步骤(2)中得到的TVB-N值预测模型中，获得待测样品的TVB-N值。
2.根据权利要求1所述的基于电子鼻预测发酵水产品TVB-N的方法，其特征在于，步骤(1)中，水产品发酵前每次的取样量为5-10ml，取样时的环境温度为20～25℃。
3.根据权利要求1所述的基于电子鼻预测发酵水产品TVB-N的方法，其特征在于，步骤(2)中，采用主成分分析时要求第一主成分和第二主成分的贡献率之和大于90％。
4.根据权利要求1所述的基于电子鼻预测发酵水产品TVB-N的方法，其特征在于，步骤(2)中，电子鼻传感器阵列包括10种传感器，分别为W1C、W5S、W3C、W6S、W5C、W1S、W1W、W2S、W2W、W3S。
5.根据权利要求1所述的基于电子鼻预测发酵水产品TVB-N的方法，其特征在于，步骤(2)中，所述线性回归模型为y＝b0+b1x1+b2x2+……bnxn+e，其中y为TVB-N预测值，x为传感器的响应特征值，n表示建模样本个数，xn表示第n个样品的测试值，e作为常数项。
6.根据权利要求1所述的基于电子鼻预测发酵水产品TVB-N的方法，其特征在于，步骤(3)中，当所述待测样品为固体样品时，所述固体样品的取样量为2～4g；当所述待测样品为液体样品时，所述液体样品的取样量为5～10ml。
7.根据权利要求1所述的基于电子鼻预测发酵水产品TVB-N的方法，其特征在于，步骤(2)和(3)中，所述电子鼻的测试条件为：进样时间为60～70s，传感器阵列间隔测定间隔为1s，样品产生的挥发性气体的进样速率为400～500ml/min。
8.根据权利要求1所述的基于电子鼻预测发酵水产品TVB-N的方法，其特征在于，步骤(2)中，采用自动凯氏定氮仪法测量TVB-N值。
9.根据权利要求1所述的基于电子鼻预测发酵水产品TVB-N的方法，其特征在于，其特征在于，步骤(2)中，将待测样品置于25℃～30℃条件下静置20min～30min再进行电子鼻的测试。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010049259.0A CN111198209A (zh) | 2020-01-16 | 2020-01-16 | 一种基于电子鼻快速预测发酵水产品tvb-n值方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010049259.0A CN111198209A (zh) | 2020-01-16 | 2020-01-16 | 一种基于电子鼻快速预测发酵水产品tvb-n值方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111198209A true CN111198209A (zh) | 2020-05-26 |
Family
ID=70744881
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010049259.0A Pending CN111198209A (zh) | 2020-01-16 | 2020-01-16 | 一种基于电子鼻快速预测发酵水产品tvb-n值方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111198209A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| NL2027699B1 (en) * | 2021-03-03 | 2022-09-23 | South China Sea Fisheries Res Institute | A Multi-dimensional Integration Identification Method for Fermentation Degree of Meixiang Salted Fish Based on Odour Visualization |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103063709A (zh) * | 2012-08-16 | 2013-04-24 | 浙江省海洋开发研究院 | 一种利用电子鼻检测带鱼新鲜度的方法 |
| CN106324011A (zh) * | 2016-08-25 | 2017-01-11 | 江南大学 | 一种确定调理水产品低温货架期的鲜度联合检测方法 |
| WO2017097683A1 (en) * | 2015-12-11 | 2017-06-15 | Koninklijke Philips N.V. | A system and method for determining the freshness of a food item, and a configuration method |
| CN107942015A (zh) * | 2017-12-15 | 2018-04-20 | 山东商业职业技术学院 | 一种水产品新鲜度无损检测装置及评价方法 |
| WO2019169803A1 (zh) * | 2018-03-05 | 2019-09-12 | 江南大学 | 一种果菜类蔬菜射频预处理-低温气调贮藏方法 |
-
2020
- 2020-01-16 CN CN202010049259.0A patent/CN111198209A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103063709A (zh) * | 2012-08-16 | 2013-04-24 | 浙江省海洋开发研究院 | 一种利用电子鼻检测带鱼新鲜度的方法 |
| WO2017097683A1 (en) * | 2015-12-11 | 2017-06-15 | Koninklijke Philips N.V. | A system and method for determining the freshness of a food item, and a configuration method |
| CN106324011A (zh) * | 2016-08-25 | 2017-01-11 | 江南大学 | 一种确定调理水产品低温货架期的鲜度联合检测方法 |
| CN107942015A (zh) * | 2017-12-15 | 2018-04-20 | 山东商业职业技术学院 | 一种水产品新鲜度无损检测装置及评价方法 |
| WO2019169803A1 (zh) * | 2018-03-05 | 2019-09-12 | 江南大学 | 一种果菜类蔬菜射频预处理-低温气调贮藏方法 |
Non-Patent Citations (2)
| Title |
|---|
| G. OÄ LAFSDO´TTIR 等: "Application of an Electronic Nose To Predict Total Volatile Bases in Capelin (Mallotus villosus) for Fishmeal Production", 《J. AGRIC. FOOD CHEM》 * |
| 孙天利: "冰温保鲜技术对牛肉品质的影响研究", 《中国优秀博硕士学位论文全文数据库（博士） 工程科技Ⅰ辑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| NL2027699B1 (en) * | 2021-03-03 | 2022-09-23 | South China Sea Fisheries Res Institute | A Multi-dimensional Integration Identification Method for Fermentation Degree of Meixiang Salted Fish Based on Odour Visualization |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Khulal et al. | Intelligent evaluation of total volatile basic nitrogen (TVB-N) content in chicken meat by an improved multiple level data fusion model | |
| Wu et al. | Novel techniques for evaluating freshness quality attributes of fish: A review of recent developments | |
| CN101382531B (zh) | 利用电子鼻检测虾新鲜度的方法 | |
| Jia et al. | Electronic noses as a powerful tool for assessing meat quality: A mini review | |
| Panigrahi et al. | Design and development of a metal oxide based electronic nose for spoilage classification of beef | |
| Adesogan | What are feeds worth? A critical evaluation of selected nutritive value methods | |
| Weng et al. | A comprehensive method for assessing meat freshness using fusing electronic nose, computer vision, and artificial tactile technologies | |
| CN102297930A (zh) | 一种识别与预测肉新鲜度的方法 | |
| Balasubramanian et al. | Spoilage identification of beef using an electronic nose system | |
| CN102879432A (zh) | 一种利用电子鼻检测罗非鱼新鲜度的方法 | |
| Bernardo et al. | Fish Quality Index Method: Principles, weaknesses, validation, and alternatives—A review | |
| Guo et al. | Method and system for nondestructive detection of freshness in Penaeus vannamei based on hyperspectral technology | |
| US20090272889A1 (en) | Method for measuring fiber digestibility | |
| Li et al. | Fish meal freshness detection by GBDT based on a portable electronic nose system and HS-SPME–GC–MS | |
| CN111198209A (zh) | 一种基于电子鼻快速预测发酵水产品tvb-n值方法 | |
| Xu et al. | Olfactory visualization sensor system based on colorimetric sensor array and chemometric methods for high precision assessing beef freshness | |
| Wei et al. | A near‐infrared spectroscopy method for the detection of texture profile analysis of Litopeneo vannamei based on partial least squares regression | |
| Hong et al. | Discrimination and Prediction of Pork Freshness by E-nose | |
| Pradhana et al. | Sensor Array System Based on Electronic Nose to Detect Borax in Meatballs with Artificial Neural Network | |
| CN105136881A (zh) | 一种快速检测掺假腐烂猪肉香肠的方法 | |
| Nastiti et al. | Classification of freshness levels and prediction of changes in evolution of NH3 and H2S gases from chicken meat during storage at room temperature. | |
| Hui et al. | Ridgetail white prawns, Exopalaemon carinicauda, storage time rapid determination using electronic nose | |
| CN211292687U (zh) | 一种用于葡萄酒so2浓度测定的电子鼻装置 | |
| CN111610269A (zh) | 一种快速鉴定真蛸风味及所投喂饵料种类的方法 | |
| Madhubhashini et al. | Current applications and future trends of artificial senses in fish freshness determination: A review |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200526 |
|
| RJ01 | Rejection of invention patent application after publication |