由于電子鼻具有分析快速、操作簡單、重現性好等人和常規分析儀器所無法比擬的優點,如今已廣泛地應用于橄欖油品質分析中。在橄欖油品質分析中,電子鼻主要對橄欖油中的揮發性成分進行識別和分類,結合感官指標和理化指標對產品進行質量分級、產地鑒別、摻假判別和缺陷分析等。下面主要介紹電子鼻在分析橄欖油時的采樣方式、所用電子鼻體系、模式識別方法及數據融合的方法。
1、采樣方式
目前,比較常用的是頂空方法,一般是取一定量的油樣放入樣品瓶/杯中,加蓋密封,平衡一段時間,平衡的方法不同,時間也各不相同。平衡好的樣品頂空氣體大多直接泵入傳感器室進行分析,但也有預先對樣品進行濃縮以提高分析的靈敏度和重復性。
一般來說,電子鼻分析橄欖油氣味特征時,采用的樣品量都在1～5g/10mL 玻璃瓶杯;樣品頂空溫度為30～40℃,接近室溫;頂空產生時間在7～30min 變化;載氣流速也在50～300mL/min 之間。與此對比,海錚之前采用Pen2電子鼻研究了山茶油芝麻油摻假的問題,對比數據,Pen2 電子鼻分析時,與其他電子鼻分析時樣品量上的差別在于:Pen2 電子鼻分析時,大多是將10～20g 樣品置于250mL、500mL 燒杯內;而其他電子鼻分析時,樣品量多在1～2g(mL)/10mL。在檢測時,需根據實際條件,選擇最佳的測定方法。
食用油的揮發性物質主要是一些醇、醛和酮類,不同品種、不同質量的橄欖油所含的風味成分及含量均不同。在分析過程中,一方面應該使油樣中的特征風味物質盡量揮發出來,提高分析的靈敏度;另一方面,還要保證采樣方式的穩定性,使分析到的同一橄欖油的揮發性組分的比例保持一致。不同的品質、產地及摻假橄欖油的特征風味物質的揮發難易不同,其樣品頂空達到平衡的條件也不同。分析時,若平衡不充分,難以獲得橄欖油的真實指紋圖譜,而過多風味物質的揮發又會干擾到傳感器的分析結果。所以,研究并建立不同橄欖油的電子鼻分析體系,相關參數包括分析樣品用量、頂空生成溫度和時間、進樣體積和速率、載氣種類和流速等的篩選,顯得十分必要。
2、分析用電子鼻體系
目前,應用在橄欖油品質分析中的電子鼻一般采用傳感器陣列技術,但是使用的傳感器種類和數量有所不同,目前商業用的電子鼻和科研組自行開發的電子鼻介紹如下。
M.J.Lerma-García 等采用的是意大利 Bologna 公司生產的 EOS507 電子鼻對橄欖油的缺陷進行分析,該電子鼻包含6個金屬氧化物半導體傳感器陣列,利用傳感器電導率的變化產生響應信號,結果顯示,分別添加有5種典型橄欖油感官缺陷(霉潮味、陳腐味、泥腥味、酸敗味和酒酸味)的葵花油可以采用線性判別分析(linear discriminant analysis,LDA)和人工神經網絡(artificial neural network,ANN)法正確區分,且采用多元線性分析法對電子鼻數據進行分析,可以確定缺陷成分添加的比例。Manuel Cano 等采用商業化的電子鼻體系 EOS835 對常見于橄欖油揮發組分的幾種芳香成分和品質高低不同的橄欖油進行了分析,發現僅從電子鼻傳感器相應信號能夠很好地將這些單一芳香化合物進行區分,主成分分析也獲得較好的效果;對不同品質的橄欖油——初榨橄欖油(virgin olive oil,VOO)、特級初榨橄欖油(extra virgin olive oil,EVOO)和僅供加工提煉的初榨橄欖油(lampante olive oil,LOO),采用判別分析可獲得比主成分分析更好的區分效果。
電子鼻應用在橄欖油摻假的分析研究中,Ma Concepción Cerrato Oliveros 等采用 AlphaMOS 公司生產的FOX4000 電子鼻(12個傳感器)研究了 VOO 的摻假問題,摻假物為葵花籽油和橄欖果渣油,分別以5%、10%、20%、40%和60%摻入 VOO 中。對 VOO 和摻入葵花籽油和橄欖果渣油的摻假橄欖油,電子鼻12個傳感器的響應變化規律有明顯差異。特征提取后,采用線性判別分析 LDA 和二次判別分析 QDA 對其進行分析,結果發現兩種分析方法在區分和預測時,其正確率基本都在93%以上,電子鼻能夠很好地區分橄欖油中摻假物的種類。采用 ANN 和PLS 進行定量分析時,所建立的預測模型精度有待進一步提高。Sylwia Mildner-Szkudlarz 等采用 FOX4000 電子鼻(18個傳感器)研究了橄欖油中摻雜榛子油的問題,摻雜量為5%、10%、25%和50%,PCA 分析圖中,4種不同的 EVOO 位于同一區域,且能相互區分;4個不同的摻假橄欖油位于另外的區域,且以其摻假物的含量也能很好地區分。
榛子油與上述兩個區域明顯區分。結合氣相色譜法(gas chromatography,GC)、質譜(mass spectrometry,MS)也可以獲得類似的結果,并采用氣質聯用(GC/MS)分析其中的揮發性成分,進行了驗證。M.S.Cosio等采用產自 Sweden 的 Model 3320電子鼻研究了不同貯藏條件下(暗室貯藏1年:class1;自然光線下貯藏1年:class2;暗室貯藏2年:class3)EVOO 油脂氧化的變化情況。結果發現電子鼻能夠區分不同貯藏條件下的橄欖油樣品。
除商業電子鼻外,不同科研團隊開發的電子鼻也應用在橄欖油品質分析中。A.Guadarrama 等采用的是由16個高分子聚合物傳感器陣列組成的電子鼻對不同品質和產地的橄欖油進行了分析,結果發現,該傳感器陣列不僅能將不同品質的橄欖油區分開來,還能實現不同品種的區分,對不同產地的橄欖油也具有一定的區分效果。C.Apetrei 等采用由15個金屬氧化物傳感器組成的電子鼻分析了不同苦度的橄欖油,發現與電子舌和電子眼相結合可以獲得比三個電子感官分析方法更好的結果,且發現苦度與電子舌信號具有較好的相關關系。María E.Escuderos 等采用由5個石英晶體微天平傳感器自制的電子鼻結合理化指標的分析對橄欖油進行了判定,通過主成分分析發現,電子鼻信號基本可以將可食用的橄欖油(VOO 和 EVOO)與不可食用的橄欖油(LOO)區分開來。Z.Haddi 等采用自制電子鼻研究了摩洛哥不同地區的 VOO 中的揮發性成分。根據電子鼻各傳感器的相應指紋圖譜,可初步將5種不同地區的VOO區分開;采用 PCA 和 LDA 對電子鼻響應信號進行分析,可以獲得較好的區分效果,且 LDA 的效果更好。A.Cimato 等采用由5個具有不同敏感層的傳感器陣列組成的電子鼻結合理化指標分析方法(GC,GC/MS,HPLC)研究了Tuscan 地區12種單品種的 EVOO 中的揮發性成分,電子鼻能夠將不同種類的 EVOO 很好地區分。
3、模式識別方法
電子鼻的分析結果是傳感器的一系列響應值,數據量大,必須通過適當的模式識別技術進行處理,才能對樣品進行定性和定量分析。而不同的模式識別技術對電子鼻原始信號的解釋能力有所不同。針對不同的分析目的,應選擇合適的模式識別系統,并在試驗的過程中不斷優化所選用的模式識別方法,使得電子鼻的分析結果更加準確可信。目前在橄欖油品質和產地鑒別的分析中,常用的模式識別技術有 PCA、LDA、DA、QDA、DFA 和單類成分判別分析(soft independent modeling of class analogy,SIMCA),用于摻假樣品定量預測的模式識別技術有 PLS、多元線性回歸分析(multivariate linear regression,MLR)和ANN。
在定性分析方面,A.Guadarrama 等采用電子鼻對不同品質、不同產地的橄欖油進行區分,采用 PCA 對結果進行分析,對中等品質和品質較差的不同地區的橄欖油,其前兩個主成分之和均在95.7%以上,說明這兩種方法提取的信息能夠反映原始數據的大部分信息,說明 PCA 分析可以實現對不同品質、不同區域的橄欖油進行區分。Manuel Cano等采用電子鼻對橄欖油中常見揮發成分的單一化合物和不同品質的橄欖油進行區分,并對其結果進行 PCA 和 DFA 分析,發現數據點有部分重疊,但基本能夠區分開,且 DFA 的區分效果優于 PCA 分析。Z.Haddi 等采用自制電子鼻對不同地區的初榨橄欖油進行區分,采用 PCA 和 LDA 對電子鼻響應信號進行分析,可以獲得較好的區分效果,且 LDA 分析中數據點聚集效果很好。Monica Casale 等采用電子鼻對不同地區的 EVOO 進行了研究,采用 SIMCA分析對不同數據融合方法進行了判別,發現采用直接將數據合并并進行 SELECT 之后的識別效果優于分別提取主成分分析前2個因子。Ma Concepción Cerrato Oliveros 等采用電子鼻研究了橄欖油中摻假的問題,采用 QDA 分析對未摻假、摻葵花籽油和摻橄欖果渣油進行區分,發現在逐步貝葉斯判別分析篩選參數后,其區分效果較好,對識別和預測集的判別率基本都在95%以上。
在樣品摻假比例的定量預測方面,M.J.Lerma-García 等將橄欖油按不同比例加入到精煉葵花籽油中,利用基于 MLR的神經網絡對各種橄欖油的百分比進行預測,實際值和預測值之間的回歸系數高達0.988,證明 ANN 能夠對未知樣進行準確的定量預測。Mildner-Szkudlarz 等將榛子油以不同比例(5%、10%、25%和50%)摻入橄欖油中,利用PLS 對各個百分比進行預測,實際值和預測值之間的回歸系數高達0.997,PLS 能夠對摻假含量進行準確的定量預測。
4、數據融合方式
在電子鼻信號進行模式識別前,為降低信息維度,減少噪聲,常采用特征值提取的方法。目前在橄欖油電子鼻分析信號特征值提取中,常用的方法有直接合并不同儀器的數據、直接合并后進行標準化、對不同儀器數據進行主成分分析并提取前幾個主成分形成新的數據集、直接合并后采用逐步判別分析(Step-LDA)降低原始變量的個數。
Monica Casale 等采用電子鼻、近紅外光譜技術 NIR 和紫外-可見光分析對不同地區的橄欖油進行區分,采用兩種方法實現三種儀器數據的融合:第一,對每組分析數據進行主成分降維,并取前兩個主成分形成新的數據集并進行進一步的分析。第二,將三個儀器的數據直接合并,并采用特征值提取方法,獲得12個參數。這兩種方法獲得的區分效果都比單一儀器的分析效果好,且第二種方法融合后的 SIMCA 結果優于第一種。C.Apetrei 等采用電子鼻、電子舌和電子眼對不同苦度的橄欖油進行區分,采用主成分分析分別對三組數據進行分析,提取前2個主成分形成新數據集,但是主成分分析對融合后的數據的區分效果并沒有提高(相對于3種方法獨立分析時的結果),而 PLS-DA 分析的區分效果較好。