CN112949984B - 一种基于气味可视化的梅香鱼发酵程度多维融合鉴别方法 - Google Patents

一种基于气味可视化的梅香鱼发酵程度多维融合鉴别方法 Download PDF

Info

Publication number
CN112949984B
CN112949984B CN202110135985.9A CN202110135985A CN112949984B CN 112949984 B CN112949984 B CN 112949984B CN 202110135985 A CN202110135985 A CN 202110135985A CN 112949984 B CN112949984 B CN 112949984B
Authority
CN
China
Prior art keywords
fish
sample
fermentation
dimensional
plum
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.)
Active
Application number
CN202110135985.9A
Other languages
English (en)
Other versions
CN112949984A (zh
Inventor
王悦齐
吴燕燕
陈茜
李来好
杨贤庆
陈胜军
赵永强
李春生
杨少玲
岑剑伟
魏涯
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.)
South China Sea Fisheries Research Institute Chinese Academy Fishery Sciences
Original Assignee
South China Sea Fisheries Research Institute Chinese Academy Fishery Sciences
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 South China Sea Fisheries Research Institute Chinese Academy Fishery Sciences filed Critical South China Sea Fisheries Research Institute Chinese Academy Fishery Sciences
Priority to CN202110135985.9A priority Critical patent/CN112949984B/zh
Publication of CN112949984A publication Critical patent/CN112949984A/zh
Application granted granted Critical
Publication of CN112949984B publication Critical patent/CN112949984B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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
    • G01N27/622—Ion mobility spectrometry
    • 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
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Evolutionary Biology (AREA)
  • Analytical Chemistry (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Combustion & Propulsion (AREA)
  • Marketing (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Sampling And Sample Adjustment (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)

Abstract

本发明公开了一种基于气味可视化的梅香鱼发酵程度多维融合鉴别方法，融合了电子鼻系统、气相‑离子迁移质谱和多维数据融合分析建立了有效多维发酵程度鉴别模型，本发明的方法融合神经网络算法、PCA分析等数据分析方法建立了梅香鱼发酵程度快速鉴别模型，适用于梅香鱼的品质评估与发酵程度区分，鉴别成本低，结果可视化程度高，本发明基于多维融合鉴别与预测策略，相对于传统感官分析和单种风味分析，具有灵敏度高、分析时间短、操作方便和预测性高等优势，满足现代水产食品快速检测和分析的要求。

Description

一种基于气味可视化的梅香鱼发酵程度多维融合鉴别方法
技术领域
本发明属于水产食品快速分析检测技术领域，具体涉及一种基于气味可视化的梅香鱼发酵程度多维融合鉴别方法。
背景技术
我国特色传统发酵腌干鱼制品主要包括广东的梅香鱼、安徽的臭鳜鱼，苗族侗族的酸鱼和绍兴的糟醉鱼等，其中梅香鱼也称“酶香鱼”，是一种传统的固态自然发酵鱼制品，其生产主要分布在广东和福建等东南沿海地区。据统计，2018年我国腌干鱼制品总产量达162万吨，约占水产品加工总量(2157万吨)的7.51％，约占海水加工产品(1775万吨)的9.13％。传统梅香鱼具有历史悠久、营养丰富和风味独特等主要优势，深受消费者的青睐，但由于传统梅香鱼生产缺乏系统的理论支撑体系、自动化水平较低。因此，实现传统梅香鱼靶向工艺调控和品质监测是水产品加工行业迫切需要解决的关键问题之一。
梅香鱼发酵程度高低是其品质形成的关键工序，不同发酵程度的梅香鱼内部营养成分有较大的差异，在其发酵体系中微生物与代谢产物之间产生了一系列复杂的物质和能量交换。目前，梅香鱼发酵程度的鉴定仍依赖于色泽、硬度和气味等人工经验式感官判别，存在着主观性强、标准化程度低和产品品质不稳定等问题。特征风味作为传统梅香鱼发酵品质鉴定的“骨架”，气味可视化多维融合技术能够对响应信号、指纹图谱和特征挥发性风味物质(VOC)进行多维融合分析，构建传统梅香鱼发酵程度鉴别模型，是实现梅香鱼品质监测的有效策略。不同于人工感官和单一挥发性风味分析，气味可视化多维融合技术能更客观、更高效地对传统梅香鱼发酵程度进行鉴别，目前尚未见利用气味可视化与多维数据融合技术对传统梅香鱼发酵程度进行鉴别的技术报道。
发明内容
为了解决上述问题，本发明提供了一种基于气味可视化的梅香鱼发酵程度多维鉴别方法，融合了电子鼻系统(E-nose)、气相-离子迁移质谱(GC-IMS)和多维数据融合分析(神经网络算法、PCA分析和随机森林分布等)建立了有效多维发酵程度鉴别模型，该方法基于多维融合鉴别与预测策略，相对于感官分析和单种风味分析，具有灵敏度高、分析时间短、操作方便和预测性高等优势，满足现代水产食品快速检测和分析的要求。
本发明提供一种基于气味可视化的梅香鱼发酵程度多维融合鉴别方法，包括以下步骤：
S1.制备不同发酵阶段的梅香鱼检测样品，将梅香鱼检测样品去皮去骨后，从起点开始向尾部方向依次以中线和上表层为基点制取2cm×2cm×1cm的待测块状样品，将待测块状样品采用液氮冷却后研磨5-8s，待测块状样品重复研磨3次，获得梅香鱼粉末状样品；
S2.基于梅香鱼粉末状样品，通过电子鼻，收集梅香鱼粉末状样品的嗅觉指纹图谱，提取电子鼻的气敏传感器的特征响应值，构建气味特征模型；
S3.将梅香鱼粉末状样品2g，在60℃条件下经过顶空孵化10分钟后，通过气相色谱-离子迁移质谱联用装置进行提取，获得梅香鱼粉末状样品的特征挥发性风味物质的离子信号响应峰，基于NIST数据库和IMS数据库，通过离子信号相应峰，对特征挥发性风味物质进行定性分析，获得挥发性风味物质特征；
S4.基于挥发性风味物质特征，通过reporter插件获取三维图谱和二维俯视图谱，通过特征挥发性风味物质在所述三维图谱和二维俯视图谱的信号强度颜色差异，构建挥发性风味物质特征模型；
S5.基于气味特征模型和特征挥发性风味物质模型，构建梅香鱼发酵程度多维鉴别模型，其中，梅香鱼发酵程度多维鉴别模型包括判定系数和均方根误差，判断系数大，均方根误差小，梅香鱼发酵程度多维鉴别模型用于鉴定发酵程度未知的梅香鱼样品的实际发酵程度。
优选地，梅香鱼检测样品包括发酵0，3，6，9，12，15，18，21和24天的样品各5条；待测块状样品为5块2cm宽鱼块。
优选地，发酵0天的梅香鱼检测样品挥发性风味物质特征包括丁醛、庚醛、壬醛、3-甲基丁醛、2，3-丁二酮；发酵3-9天的梅香鱼检测样品挥发性风味物质特征包括丁酮、丁酸乙酯、丁酸丁酯、2-甲基丁酸丙酯、2-甲基丁酸乙酯、乙酸乙酯、丙酸乙酯；发酵10-18天的梅香鱼检测样品挥发性风味物质特征包括丁酸丙酯、3-壬酮；发酵19-24天的梅香鱼检测样品挥发性风味物质特征包括辛醛、苯甲醛、1-辛烯-3-酮、2，3，5-三甲基吡嗪、环己烯-2-酮、2，6-二甲基吡嗪。
优选地，电子鼻包括至少18个所述气敏传感器；特征响应值为气敏传感器的响应信号平均值和响应信息号积分值；
气敏传感器至少包括LY2/LG、P30/2、T40/2、LY2/G、LY2/AA、T30/1、P10/2、LY2/GH、LY2/gCTL、LY2/gCT、P40/1、T70/2、PA/2、P30/1、P40/2、T40/1P10/1和TA/2。
优选地，S2还包括，在使用电子鼻前，使用超纯的干燥空气对仪器进行清洗，空气流速为300mL/min，平衡时间为10min；
取1.00g梅香鱼粉末状样品放置于15mL顶空瓶中，加盖密封，在4℃条件下静置0.5h后，吸取顶空气体进行检测分析，设定检测流速为150mL/min，样品采集时间为120s，延滞时间为10min，重复以上5次生物学重复，获得810个数据点，基于数据点，获得特征响应值。
优选地，梅香鱼发酵程度多维鉴别模型的构建方法至少包括PCA分析、PLS-DA分析、神经网络算法、随机森林算法和最陡爬坡算法；
判定系数和均方根误差的计算公式如下：
Figure BDA0002926615790000041
Figure BDA0002926615790000042
其中，R2表示判定系数，RMSE表示均方根误差，Xi表示模型建立过程中第i个样本的实际发酵程度，
Figure BDA0002926615790000043
表示模型建立过程中所有样本的实际发酵程度的平均值，Yi表示模型建立过程中第i个样本的预测发酵程度，
Figure BDA0002926615790000044
表示模型建立过程中所有样本的预测发酵程度的平均值，N表示模型建立过程中所使用的已知发酵时间的样品量。
本发明的积极进步效果在于：
本发明的方法突破了现有人工经验式感官判别存在着的主观性强、标准化程度低和产品品质不稳定等问题，利用多维融合气味可视化技术对梅香鱼的发酵程度进行鉴别分析耗时短、操作便捷，适用于梅香鱼工业化生产中对其靶向工艺调控和品质监测；
本发明的方法融合神经网络算法、PCA分析等数据分析方法建立了梅香鱼发酵程度快速鉴别模型，适用于梅香鱼的品质评估与发酵程度区分，鉴别成本低，结果可视化程度高。
附图说明
图1为本发明所述的梅香鱼发酵过程中电子鼻风味轮廓；
图2为本发明所述的梅香鱼发酵过程中VOC三维指纹图谱定性结果；
图3为本发明所述的梅香鱼发酵过程中VOC谱图(俯视图)结果；
图4为本发明所述的梅香鱼发酵过程中VOC对比差异谱图；
图5为本发明所述的梅香鱼发酵过程中GalleryPlot指纹谱图；
图6为本发明所述的梅香鱼发酵过程中电子鼻PCA分析结果；
图7为本发明所述的梅香鱼发酵过程中气相迁移质谱PCA分析结果。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。用于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
如图1-7所示，本发明提供一种基于气味可视化的梅香鱼发酵程度多维融合鉴别方法，包括以下步骤：
S1.制备不同发酵阶段的梅香鱼检测样品，将梅香鱼检测样品去皮去骨后，从起点开始向尾部方向依次以中线和上表层为基点制取2cm×2cm×1cm的待测块状样品，将待测块状样品采用液氮冷却后研磨5-8s，待测块状样品重复研磨3次，获得梅香鱼粉末状样品；
S2.基于梅香鱼粉末状样品，通过电子鼻，收集梅香鱼粉末状样品的嗅觉指纹图谱，提取电子鼻的气敏传感器的特征响应值，构建气味特征模型；
S3.将梅香鱼粉末状样品2g，在60℃条件下经过顶空孵化10分钟后，通过气相色谱-离子迁移质谱联用装置进行提取，获得梅香鱼粉末状样品的特征挥发性风味物质的离子信号响应峰，基于NIST数据库和IMS数据库，通过离子信号相应峰，对特征挥发性风味物质进行定性分析，获得挥发性风味物质特征；
S4.基于挥发性风味物质特征，通过reporter插件获取三维图谱和二维俯视图谱，通过特征挥发性风味物质在所述三维图谱和二维俯视图谱的信号强度颜色差异，构建挥发性风味物质特征模型；
S5.基于气味特征模型和特征挥发性风味物质模型，构建梅香鱼发酵程度多维鉴别模型，其中，梅香鱼发酵程度多维鉴别模型包括判定系数和均方根误差，判断系数大，均方根误差小，梅香鱼发酵程度多维鉴别模型用于鉴定发酵程度未知的梅香鱼样品的实际发酵程度。
梅香鱼检测样品包括发酵0，3，6，9，12，15，18，21和24天的样品各5条；待测块状样品为5块2cm宽鱼块。
发酵0天的梅香鱼检测样品挥发性风味物质特征包括丁醛、庚醛、壬醛、3-甲基丁醛、2，3-丁二酮；发酵3-9天的梅香鱼检测样品挥发性风味物质特征包括丁酮、丁酸乙酯、丁酸丁酯、2-甲基丁酸丙酯、2-甲基丁酸乙酯、乙酸乙酯、丙酸乙酯；发酵10-18天的梅香鱼检测样品挥发性风味物质特征包括丁酸丙酯、3-壬酮；发酵19-24天的梅香鱼检测样品挥发性风味物质特征包括辛醛、苯甲醛、1-辛烯-3-酮、2，3，5-三甲基吡嗪、环己烯-2-酮、2，6-二甲基吡嗪。
电子鼻包括至少18个所述气敏传感器；特征响应值为气敏传感器的响应信号平均值和响应信息号积分值。
气敏传感器至少包括LY2/LG、P30/2、T40/2、LY2/G、LY2/AA、T30/1、P10/2、LY2/GH、LY2/gCTL、LY2/gCT、P40/1、T70/2、PA/2、P30/1、P40/2、T40/1P10/1和TA/2。
S2还包括，在使用电子鼻前，使用超纯的干燥空气对仪器进行清洗，空气流速为300mL/min，平衡时间为10min。
S2包括，取1.00g梅香鱼粉末状样品放置于15mL顶空瓶中，加盖密封，在4℃条件下静置0.5h后，吸取顶空气体进行检测分析，设定检测流速为150mL/min，样品采集时间为120s，延滞时间为10min，重复以上5次生物学重复，获得810个数据点，基于数据点，获得特征响应值。
梅香鱼发酵程度多维鉴别模型的构建方法至少包括PCA分析、PLS-DA分析、神经网络算法、随机森林算法和最陡爬坡算法；
判定系数和均方根误差的计算公式如下：
Figure BDA0002926615790000081
Figure BDA0002926615790000082
其中，R2表示判定系数，RMSE表示均方根误差，Xi表示模型建立过程中第i个样本的实际发酵程度，
Figure BDA0002926615790000083
表示模型建立过程中所有样本的实际发酵程度的平均值，Yi表示模型建立过程中第i个样本的预测发酵程度，
Figure BDA0002926615790000084
表示模型建立过程中所有样本的预测发酵程度的平均值，N表示模型建立过程中所使用的已知发酵时间的样品量。
以下将采用具体实施例来进一步说明该发明的具体实施过程。
实施例1：本发明提出的方法应用于传统梅香卵形鲳鲹发酵程度的预测，本实施例中所用的卵形鲳鲹购于阳江市宏凯渔风有限公司，发酵时间分别为0，3，6，9，12，15，18，21和24天的样品各5条，共计45条，根据发明专利中步骤(1)中的方法将统梅香卵形鲳鲹进行预处理，每条鱼从起点开始向尾部方向依次切取5块2cm宽的鱼块，小心切除每一个鱼块上表层的和中线部位的鱼肉，然后以中线和上表层为基点制取2cm×2cm×1cm(长×宽×厚)的待测样品，随后将块状的梅香卵形鲳鲹样品置于液氮环境中进行冷却，随后用研磨机进行研磨5-8s，每个样品重复研磨3次，制得传统梅香鱼粉末状样品，获得的样品用于电子鼻和迁移质谱分析。
采用的E-Nose系统为法国AlphaMOS公司的Fox4000，该系统包含了18个气敏传感器阵列分别为LY2/LG、P30/2、T40/2、LY2/G、LY2/AA、T30/1、P10/2、LY2/GH、LY2/gCTL、LY2/gCT、P40/1、T70/2、PA/2、P30/1、P40/2、T40/1P10/1和TA/2，且不同气敏传感器阵列对挥发性风味的敏感程度不同，信号处理系统采集的电信号经过模式识别系统对样品的整体挥发性风味做出总体评价，18个传感器的主要特性如表1所示：
表1
Figure BDA0002926615790000091
Figure BDA0002926615790000101
在使用E-Nose系统前，使用超纯的干燥空气对仪器进行清洗，空气流速为300mL/min，平衡时间为10min。取1.00g粉末状梅香卵形鲳鲹样品于15mL顶空瓶中，迅速加盖密封，在4℃条件下静置0.5h后，吸取顶空气体进行检测分析，设定检测流速为150mL/min，样品采集时间为120s，延滞时间为10min，每个发酵时间的样本重复以上5次生物学重复，共获得810个数据点(18个传感器*9个样品*5个生物学重复)，提取18个气敏传感器响应信号的平均值和积分值。
图1为电子鼻对传统梅香卵形鲳鲹发酵过程挥发性风味的传感器响应雷达图，由图1可知，不同传感器对样品挥发性风味物质响应强度差异较为明显。结合气敏传感器阵列代表性敏感物质类型可知，可见随着发酵时间的延长，传统梅香卵形鲳鲹样品中的醛类、醇类、酮类和含氮化合物的组分和含量发生变化，随之引起挥发性风味的变化，使电子鼻在一定程度上区分了不同发酵时间点的梅香卵形鲳鲹样品的挥发性风味。
采用的GC-IMS为德国GAS公司的FlavourSpec，该迁移质谱检出限为ppb级别，无需富集浓缩，色谱柱类型：MXT-5色谱柱(15m×0.53mm)；分析时间：15min；柱温：60℃；载气：N2；进样针温度：65℃。
取粉末状梅香卵形鲳鲹样品2g，在60℃条件下经过顶空孵化10分钟后采用GC-IMS进样，提取VOC的离子信号响应峰，根据NIST数据库和IMS数据库可对物质进行定性分析；
利用FlavourSpec内置插件自动生成样品VOC的三维谱图(保留时间，迁移时间和峰强度)如图2所示及二维俯视图如图3所示(保留时间和迁移时间)。从图2和图3中可以直观看出不同发酵阶段的样品中的VOC存在明显的差异，同时结合二维俯视图中，不同样品中的VOC种类及浓度差异比较直观，当以0DAY样本为参照差异对比时，如图4所示，其它各组样品中对应的挥发性物质的浓度高低一目了然，红色越深，由此可对不同发酵程度的样本进行可视化区分。
借助GalleryPlot插件来绘制挥发性物质的指纹谱图，结果如5所示，直观且定量地比较不同样品之间的VOC差异，根据权利构建的快速识别方法，其特征在于，新鲜梅香卵形鲳(0day)的特征VOC包括丁醛、庚醛、壬醛、3-甲基丁醛、2，3-丁二酮；轻度发酵样品(3-9day)的特征VOC包括丁酮、丁酸乙酯、丁酸丁酯、2-甲基丁酸丙酯、2-甲基丁酸乙酯、乙酸乙酯、丙酸乙酯；中度发酵样品(10-18day)的特征VOC包括丁酸丙酯、3-壬酮；高度发酵样品(19-24day)的特征VOC包括辛醛、苯甲醛、1-辛烯-3-酮、2，3，5-三甲基吡嗪、环己烯-2-酮、2，6-二甲基吡嗪；
进一步采用PCA方法对电子鼻系统和气相迁移质谱数据以及融合后的数据进行降维处理，PCA结果如图6和图7所示，图6为电子鼻PCA分析结果，图7为气相迁移质谱的PCA分析结果，不同发酵时间的梅香卵形鲳鲹挥发性风味结果分布在互不干扰的区域，区域之间的距离反映了梅香卵形鲳鲹样品间的挥发性风味差异，PC1方向样品按照发酵时间呈现类线性分布，9个发酵程度的梅香卵形鲳样本点呈现团簇现象，且各个团簇之间能够较好地区分开来。
基于多数据融合结合BP神经网络算法构建梅香卵形鲳的预测模型。在建模过程中不断优化隐含层神经元个数，并基于所提取的特征值进行模型训练。同时，将每个发酵程度的检测样本随机分成两个数据集，即校验集和验证集，校验集用于建立模型，验证集用于测试模型性能。其中，每个年份的梅香卵形鲳其校验集样本数为20个，验证集样本数为10个。通过判定系数(R2)和均方根误差(RMSE)作为模型评判指标，优选模型，其中判定系数(R2)和均方根误差(RMSE)的计算公式如下：
Figure BDA0002926615790000121
Figure BDA0002926615790000122
基于BP神经网络算法构建梅香卵形鲳的预测模型的性能效果校验集和验证集的R2和RMSE分别为0.9982和0.0601，较大的R2和较小的RMSE说明所构建预测模型具有较好的性能。
综上所述，本发明提出的基于气味可视化的传统梅香鱼发酵程度多维鉴别方法具有较强的可行性，能够实现对传统梅香鱼发酵程度进行准确预测，且预测值与真实值之间的相关性非常高，值得广泛推广。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (5)

1.一种基于气味可视化的梅香鱼发酵程度多维融合鉴别方法，其特征在于，包括以下步骤：
S1.制备不同发酵阶段的梅香鱼检测样品，将所述梅香鱼检测样品去皮去骨后，从起点开始向尾部方向依次以中线和上表层为基点制取2cm×2cm×1cm的待测块状样品，将所述待测块状样品采用液氮冷却后研磨5-8s，所述待测块状样品重复研磨3次，获得梅香鱼粉末状样品；
S2.基于所述梅香鱼粉末状样品，通过电子鼻，收集所述梅香鱼粉末状样品的嗅觉指纹图谱，提取所述电子鼻的气敏传感器的特征响应值，构建气味特征模型；
S3.将所述梅香鱼粉末状样品2g，在60℃条件下经过顶空孵化10分钟后，通过气相色谱-离子迁移质谱联用装置进行提取，获得所述梅香鱼粉末状样品的特征挥发性风味物质的离子信号响应峰，基于NIST数据库和IMS数据库，通过所述离子信号相应峰，对所述特征挥发性风味物质进行定性分析，获得挥发性风味物质特征；
S4.基于所述挥发性风味物质特征，通过reporter插件获取三维图谱和二维俯视图谱，通过所述特征挥发性风味物质在所述三维图谱和二维俯视图谱的信号强度颜色差异，构建挥发性风味物质特征模型；
S5.基于所述气味特征模型和特征挥发性风味物质模型，构建梅香鱼发酵程度多维鉴别模型，其中，所述梅香鱼发酵程度多维鉴别模型包括判定系数和均方根误差，所述判定系数大，均方根误差小，所述梅香鱼发酵程度多维鉴别模型用于鉴定发酵程度未知的梅香鱼样品的实际发酵程度；
所述梅香鱼发酵程度多维鉴别模型的构建方法至少包括PCA分析、PLS-DA分析、神经网络算法、随机森林算法和最陡爬坡算法；
所述判定系数和均方根误差的计算公式如下：
Figure FDA0003224463680000021
Figure FDA0003224463680000022
其中，R2表示判定系数，RMSE表示均方根误差，Xi表示模型建立过程中第i个样本的实际发酵程度，
Figure FDA0003224463680000023
表示模型建立过程中所有样本的实际发酵程度的平均值，Yi表示模型建立过程中第i个样本的预测发酵程度，
Figure FDA0003224463680000024
表示模型建立过程中所有样本的预测发酵程度的平均值，N表示模型建立过程中所使用的已知发酵时间的样品量。
2.如权利要求1所述一种基于气味可视化的梅香鱼发酵程度多维融合鉴别方法，其特征在于，
所述梅香鱼检测样品包括发酵0，3，6，9，12，15，18，21和24天的样品各5条；
所述待测块状样品为5块2cm宽鱼块。
3.如权利要求2所述一种基于气味可视化的梅香鱼发酵程度多维融合鉴别方法，其特征在于，
发酵0天的梅香鱼检测样品挥发性风味物质特征包括丁醛、庚醛、壬醛、3-甲基丁醛、2，3-丁二酮；
发酵3-9天的所述梅香鱼检测样品挥发性风味物质特征包括丁酮、丁酸乙酯、丁酸丁酯、2-甲基丁酸丙酯、2-甲基丁酸乙酯、乙酸乙酯、丙酸乙酯；
发酵10-18天的所述梅香鱼检测样品挥发性风味物质特征包括丁酸丙酯、3-壬酮；
发酵19-24天的所述梅香鱼检测样品挥发性风味物质特征包括辛醛、苯甲醛、1-辛烯-3-酮、2，3，5-三甲基吡嗪、环己烯-2-酮、2，6-二甲基吡嗪。
4.如权利要求1所述一种基于气味可视化的梅香鱼发酵程度多维融合鉴别方法，其特征在于，
所述电子鼻包括至少18个所述气敏传感器；
所述特征响应值为所述气敏传感器的响应信号平均值和响应信息号积分值；
所述气敏传感器至少包括LY2/LG、P30/2、T40/2、LY2/G、LY2/AA、T30/1、P10/2、LY2/GH、LY2/gCTL、LY2/gCT、P40/1、T70/2、PA/2、P30/1、P40/2、T40/1P10/1和TA/2。
5.如权利要求1所述一种基于气味可视化的梅香鱼发酵程度多维融合鉴别方法，其特征在于，
所述S2包括，在使用所述电子鼻前，使用超纯的干燥空气对仪器进行清洗，空气流速为300mL/min，平衡时间为10min；
取1.00g所述梅香鱼粉末状样品放置于15mL顶空瓶中，加盖密封，在4℃条件下静置0.5h后，吸取顶空气体进行检测分析，设定检测流速为150mL/min，样品采集时间为120s，延滞时间为10min，重复以上5次生物学重复，获得810个数据点，基于所述数据点，获得所述特征响应值。
CN202110135985.9A 2021-02-01 2021-02-01 一种基于气味可视化的梅香鱼发酵程度多维融合鉴别方法 Active CN112949984B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110135985.9A CN112949984B (zh) 2021-02-01 2021-02-01 一种基于气味可视化的梅香鱼发酵程度多维融合鉴别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110135985.9A CN112949984B (zh) 2021-02-01 2021-02-01 一种基于气味可视化的梅香鱼发酵程度多维融合鉴别方法

Publications (2)

Publication Number Publication Date
CN112949984A CN112949984A (zh) 2021-06-11
CN112949984B true CN112949984B (zh) 2021-10-26

Family

ID=76240671

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110135985.9A Active CN112949984B (zh) 2021-02-01 2021-02-01 一种基于气味可视化的梅香鱼发酵程度多维融合鉴别方法

Country Status (1)

Country Link
CN (1) CN112949984B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113686983A (zh) * 2021-07-22 2021-11-23 扬州市斯年网络科技有限公司 一种作物病虫害检测方法
CN114740075A (zh) * 2022-02-24 2022-07-12 广东美味鲜调味食品有限公司 一种基于hs-ptr-tof-ms快速确定酱油发酵阶段及特征香气的方法
CN114813995A (zh) * 2022-03-22 2022-07-29 广东美味鲜调味食品有限公司 一种基于gc-ims快速鉴别酱油发酵阶段及香气差异的方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107764793A (zh) * 2017-10-19 2018-03-06 西华大学 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
CN108088962A (zh) * 2018-02-05 2018-05-29 中国农业科学院麻类研究所 一种鉴别青贮发酵饲料品质的方法
CN109614714A (zh) * 2018-12-13 2019-04-12 上海应用技术大学 一种发酵乳香气感官质量控制的模型建立方法
CN111208238A (zh) * 2020-01-17 2020-05-29 华中农业大学 一种检测鱼糜或其制品挥发性物质的样品处理方法及其应用
CN111443160A (zh) * 2020-01-23 2020-07-24 华东理工大学 一种气敏-气相色谱信息融合和电子鼻仪器在线分析方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109374802B (zh) * 2018-09-06 2020-07-07 北京工商大学 基于身份标识性特征风味组分判别切达奶酪级别的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107764793A (zh) * 2017-10-19 2018-03-06 西华大学 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
CN108088962A (zh) * 2018-02-05 2018-05-29 中国农业科学院麻类研究所 一种鉴别青贮发酵饲料品质的方法
CN109614714A (zh) * 2018-12-13 2019-04-12 上海应用技术大学 一种发酵乳香气感官质量控制的模型建立方法
CN111208238A (zh) * 2020-01-17 2020-05-29 华中农业大学 一种检测鱼糜或其制品挥发性物质的样品处理方法及其应用
CN111443160A (zh) * 2020-01-23 2020-07-24 华东理工大学 一种气敏-气相色谱信息融合和电子鼻仪器在线分析方法

Also Published As

Publication number Publication date
CN112949984A (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
CN112949984B (zh) 一种基于气味可视化的梅香鱼发酵程度多维融合鉴别方法
CN105954412B (zh) 用于山核桃新鲜度检测的传感器阵列优化方法
CN105044298B (zh) 一种基于机器嗅觉的蟹类新鲜度等级检测方法
CN110441423B (zh) 一种测定粮食香气成分的方法及其系统
CN106568907B (zh) 一种基于半监督鉴别投影的大闸蟹新鲜度无损检测方法
CN103134850A (zh) 一种基于特征香气的茶叶品质快速检测装置及检测方法
CN109959765B (zh) 三文鱼新鲜度检测系统及方法
CN101655471A (zh) 一种气体传感器检测鸡蛋新鲜度的方法
CN102692488A (zh) 基于电子鼻技术的金华火腿分级与鉴别方法
CN104316635A (zh) 水果风味品质的快速鉴别方法
CN102338780A (zh) 一种卷烟品牌判别方法
CN110702815A (zh) 一种面粉储存品质的嗅觉传感检测方法
CN104849321A (zh) 一种基于嗅觉指纹图谱快速检测柑橘品质的方法
CN116843236A (zh) 一种基于人工智能的食品存储监管系统
CN112116964A (zh) 一种快速判断水果产地的检测方法
CN104914225A (zh) 一种基于嗅觉指纹信息预测果汁中澄清剂含量的方法
CN113340943B (zh) 基于指纹图谱的水体中嗅味类型和嗅味强度的分析方法
CN105738422A (zh) 一种基于电子鼻检测山核桃储藏时间的方法
CN110887944A (zh) 一种茶油品质快速检测装置
CN106918817A (zh) 一种能检测茶叶类型和品质的气敏传感器的优选方法
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
CN106770477A (zh) 一种优化传感数据及模式识别对蜜源鉴别及掺假快检方法
CN111693658A (zh) 基于多种智能感官数据融合的食品品质鉴定方法
NL2027699B9 (en) A Multi-dimensional Integration Identification Method for Fermentation Degree of Meixiang Salted Fish Based on Odour Visualization
Tudu et al. Comparison of multivariate normalization techniques as applied to electronic nose based pattern classification for black tea

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
GR01 Patent grant
GR01 Patent grant