汤海青，吴维儿，王晓龙

（1.浙江医药高等专科学校食品学院，浙江宁波 315100；2.宁波海关技术中心，浙江宁波 315012）

0 引言

黄酒是以稻米、黍米、玉米、小米、小麦、水等为主要原料，经加曲或部分酶制剂、酵母等糖化发酵剂酿制而成的发酵酒[1]。近年来，伴随着黄酒市场需求的稳步上升，以及行业收入和利润的快速增长，黄酒生产企业的规模和数量、产品的品种和产量也在不断增加，这对黄酒行业的生产质量控制和监督检验提出了更高的要求[2]。目前，现行的黄酒产品质量标准为2019年4月正式实施的《GB 13662—2018黄酒》[1]。该标准主要以常规分析方法为主，存在效率低、操作繁琐等问题，需要开发高效、简便的方法，以补充检测手段、提高黄酒检测水平、完善黄酒质量评价体系，促进行业健康发展。

智能感官评价技术发展于20世纪80年代，其中的电子舌（Electronic Tongue，ET） 系统利用多传感阵列感测液体样品的特征相应信号，通过信号模式识别处理及专家系统学习识别，对样品进行定性或定量分析[3]。ET已被开发应用于许多食品，包括多种蒸馏酒和发酵酒，如白酒、葡萄酒、黄酒和啤酒等[4-7]，具有不需前处理、快速、检测范围广等优点，可以靠近和模拟对样品滋味的感官整体评价。

使用Astree电子舌系统对66个黄酒样品的滋味传感器阵列信号进行采集，应用多种统计分析方法，建立数学模型并进行预测分析，探讨电子舌技术在黄酒的理化指标快速检测方面应用的可行性。

1 材料与方法

1.1 材料与试剂

料酒，购于当地超市，产地为江浙沪地区，共66个样品。将全部样品随机排序编号，其中44个样品为校正集，用于建模；22个为预测集，用于外部检验，验证模型的稳定性和适应性。所用试剂均为分析纯，水为超纯水。

1.2 仪器与设备

Astree型电子舌系统，法国Alpha M.O.S公司产品。该系统的传感器为电势型，通过各传感器上脂膜的疏水作用和静电作用，与黄酒中水溶性的呈味物质发生反应，使膜电势发生变化，得到相应的信号值。传感器阵列包括7个电化学传感器，分别为SRS（酸味）、STS（咸味）、UMS（鲜味）、SWS（甜味）、BRS（苦味）、SPS（复合味Ⅰ） 和GPS（复合味Ⅱ），参比为Ag/AgCl电极。

1.3 试验方法

1.3.1 电子舌检测

（1）电子舌活化、校准和诊断。分别使用浓度为0.01 mol/L盐酸溶液、0.01 mol/L氯化钠溶液和0.01 mol/L谷氨酸钠溶液，运行电子舌活化、校准和诊断等程序，待系统稳定性和重复性满足后，准备测试。

（2） 电子舌测试。样品于室温（20℃） 下放置6 h，摇匀样品，上样。每个样品进行6次重复测定，单次信号采集时间为120 s，取100～120 s的响应值作为原始数据。

1.3.2 理化指标测定

黄酒中的总糖、非固形物、总酸、氨基酸态氮、pH值和酒精度的检测参考GB 13662—2018[1]。其中，总糖测定采用廉爱农法和亚铁氰化钾滴定法；非糖固形物采用质量法；pH值采用酸度计法；总酸和氨基酸态氮采用自动电位滴定法；酒精度采用密度瓶法。

1.3.3 定量预测模型的构建

分别采用偏最小二乘法（Partial Least Squares，PLS） 和多元线性回归 （Multiple Linear Regressing，MLR）进行多元统计分析，建立理化指标的定量预测模型。PLS与主成分回归有关系，通过投影分别将预测变量和观测变量投影到一个新空间，来寻找一个线性回归模型。即除了考虑自变量矩阵外，还考虑了响应矩阵，因此具有预测功能[8-9]。MLR也称为逆最小二乘法，是一元线性回归的扩展，能将多个线性的物质之间的变量和自变量之间建立相关度高的线性回归方程，适用于用2个或2个以上的影响因素作为自变量来解释因变量的变化。具有代表性样本选择、自变量选择和统计分析能力[10-11]。

1.3.4 模型评价和数据处理

利用校正集交互验证决定系数R2cal、验证集交互验证决定系数R2val、校正均方根误差RMSEC、预测均方根误差RMSEP和验证集标准偏差与预测标准偏差的比值RPD，对模型性能优劣进行评价[12]，并使用未参与建模的样品进行外部检验。上述方法均使用Unscrambler 9.7和Origin 2018软件对原始数据进行多元统计分析和绘图。

2 结果与分析

2.1 样品理化指标统计结果

研究收集的黄酒样品按类型包括干型、半干型和半甜型，按风格包括传统型和清爽型，产地均为江浙沪地区。将全部样品分别进行理化指标测定和电子舌传感器信号采集。

黄酒样品的理化指标统计结果见表1，黄酒的味觉雷达图见图1。

表1 黄酒样品的理化指标统计结果

由表1可知，采集样品的理化数据分布范围较合理，质量浓度范围基本涵盖黄酒国家标准；样品类型较全面，有一定的样本代表性。其中，总酸指标的数值范围为0.04～6.59 g/L，氨基酸态氮为0～0.80 g/L，pH值为2.94～5.21，酒精度为0～18.00%Vol，总糖为0.10～48.74 g/L，非糖固形物为 0.80～57.60 g。

由图1可知，7种传感器对黄酒的滋味特征有较好的响应，信号值均大于0，说明样品中水溶性的呈味物质均与7种传感器的脂膜发生作用，从而使膜电势发生变化，得到相应的信号值[13]。所有样品的传感器信号响应轮廓线趋势一致，说明采集的样品具有相似的黄酒产品特征。各传感器响应信号值均存在显著性差异（p＜0.05），说明不同样品在信号强度上存在差异，采用电子舌可以对样品进行明显的区分。其中，SPS、GPS和UMS传感器上的信号强度差别最大，说明黄酒样品在复合味Ⅰ、复合味Ⅱ和鲜味传感器上贡献的差异较大。

2.2 PLS预测模型

采用PLS法，对电子舌传感器信号强度和国标法理化指标结果进行化学计量学分析，使用内部交叉验证，建立黄酒各理化指标的定量分析检测模型。

PLS建模条件和检验结果见表2。

表2 PLS建模条件和检验结果

由表2可知，6个理化项目中，总酸的PLS模型性能评价较好，其决定系数R2接近0.9，说明回归方程的拟合优度高，预测浓度值较接近测量值；RMSEC和RMSEP比值为0.86，说明模型的稳定性较好；RPD值为2.3，说明模型预测精度不够，不适合进行定量分析。其他理化项目的决定系数接近或小于0.80，RPD值也均小于2.5，说明回归方程的拟合优度一般，模型的稳定性较弱，也不适合进行定量分析[14]。

2.3 MLR预测模型

采用MLR法，对电子舌传感器信号强度和国标法理化指标结果进行化学计量学分析，使用内部交叉验证，建立黄酒各理化指标的定量分析检测模型。

MLR建模条件和检验结果见表3。

表3 MLR建模条件和检验结果

由表3可知，pH值、总酸、酒精度和氨基酸态氮的模型性能评价较好。这4个理化指标的决定系数R2接近0.9，说明回归方程的拟合度高，预测浓度值较接近测量值；RMSEC和RMSEP比值范围为0.8～1.2，说明模型的稳定性较好；RPD值均＞2.5，说明模型可用于定量分析；特别是pH值对应的MLR模型的RPD＞3，说明模型定标效果良好，建立的定标模型可以用于实际检测。总糖和非糖固形物各项评价指标均表现不良，模型拟合优度差，稳定性较弱，不适合进行定量分析[14]。可见，在模型精度和稳定性方面，MLR优于PLS。使用MLR法，比PLS法更适合进行黄酒理化项目的定量预测分析。另外，总糖和非糖固形物2项指标在MLR和PLS模型中的定标精度和稳定性均不满足定量分析的要求，黄酒中的总糖成分以葡萄糖为主，非糖固形物以糊精为主[15]，说明对于黄酒样品中这2类成分的定量分析，试验所使用的电子舌传感器可能有一定局限性。

2.4 MLR模型的验证

使用MLR-内部交叉验证所得到的模型，对预测集（22份未参与建模的黄酒样本）的pH值、总酸、酒精度和氨基酸态氮的含量进行了预测。将预测值与化学值进行t检验，显著水平α=0.05，查临界值表[16]的结果t（0.05，18） 为2.110，pH值、总酸、酒精度和氨基酸态氮的t检验结果分别为0.684，1.083，1.176，1.212，均小于2.110，表明电子舌法与理化方法不存在显著差异，可以达到常规理化分析的精度要求。鲁小利等人[17]使用Astree电子舌结合BP神经网络，对24个黄酒样品的理化指标进行定量分析，发现对氨基酸态氮的预测效果良好，其他指标的效果不理想。周牡艳等人[18]使用电子舌结合PLS模型，对108个黄酒样品的理化指标进行定量分析，发现对总酸和酒精度的预测效果良好，其他指标的效果不理想。由此可见，使用电子舌预测分析黄酒理化指标，影响因素较多，如样本集的性质和数量、检测仪器型号和多元统计方法等，都可能对模型效果产生影响。

3 结论

通过电子舌技术结合化学计量学方法，实现了黄酒部分理化指标的快速同时测定。如pH值、总酸、酒精度和氨基酸态氮，可运用MLR模型对其进行准确预测，外部检验同样说明其与理化检测方法具有一致性，检测结果无显著性差异，有一定的实用性。该技术可应用于黄酒理化指标的批量检测和动态监测，为电子舌技术快速分析黄酒中的理化指标提供了应用技术基础。今后研究可增加不同产地和类型的黄酒样品，以进一步提高模型的准确性和适应性。