杨潇，郭登峰，王祖文，赵素娟，舒晓梦，王羚佳，陈祥贵

(西华大学 食品与生物工程学院，四川 成都， 610039)

猪肉是我国消费量最大的肉类，长期占据城乡居民肉类消费量的60%以上[1]。由于猪肉生产特殊的周期性和对我国经济的重要影响，需要大量的储备猪肉用于应对突发事件、平抑肉价波动等，使得冷冻储藏猪肉成为我国肉类储备、调节肉价和肉类进出口贸易的重要手段[2]。在严格的冻藏条件下冷冻肉可储藏较长的时间，但是储藏时间过长或储藏和运输过程中环境温度变化过大都会引起冷冻肉品质的劣变从而带来潜在的食品安全风险。因此各国对冷冻肉品的储藏期都作了规范，如美国农业部(USDA)、美国卫生和公共服务部(HHS)和食品与药品管理局(FDA)推荐的冷冻肉品在-18 ℃下的储藏期限为6～12个月[3-5]，我国在2007年施行的《中央储备肉管理办法》中也规定：冻猪肉原则上每轮储存4个月左右。而目前许多对冷冻猪肉的研究表明，随着冷冻储藏时间的延长猪肉的风味、色泽、嫩度、持水力、失液率、脂质氧化(TBARS)、挥发性盐基氮(TVB-N)等反映猪肉品质的重要指标均出现显著的劣变，严重降低其商业价值，甚至造成潜在的食品安全风险，因此普遍认为，冷冻猪肉的冻藏期不应超过4～6个月[6-12]。不过目前已有的研究，尚无直接针对猪肉冻藏期的检测方法，虽然 冷冻猪肉的品质指标与冷冻储藏期有密切的联系，但是其检测方法大都存在检测时间长、操作步骤繁琐、需对样品进行解冻的缺点。这极大的限制了对冷冻猪肉状态监督检测的开展，造成了对冷冻肉品监管的漏洞。

电子鼻是由选择性的化学传感器阵列与适当的模式识别算法组成的一种嗅觉分析系统，具有识别简单或复杂气味的功能。由于冷冻猪肉储藏过程中会发生脂肪与蛋白质的氧化进而引起风味的显著变化[7, 13]，而电子鼻可以有效的检测这些变化，再根据适当的模式识别算法，就可以建立起猪肉冷冻储藏期的预测模型。目前，食品行业已成功的采用电子鼻系统建立了谷物粮食的储藏品质[14]、葡萄酒鉴别[15]、水产品的货架期[16～18]、猪肉TVB-N[19]、白酒品质鉴别[20]、水果品质[21]、茶叶品质[22]等快速无损检测方法，取得了较好的效果。而对利用电子鼻系统建立猪肉冷冻储藏期无损检测方法的研究还鲜有报道。

因此本研究旨在利用电子鼻系统采集不同冻藏前状况和不同冷冻储藏期猪肉的气味信号数据，应用主成分分析(PCA)、重复测量的方差分析对其数据特点进行分析，再分别利用线性判别分析(LDA)和基于多层感知器的人工神经网络(ANN)等模式识别算法建立预测模型，从而建立针对猪肉冷冻储藏期和冻藏前是否经过长时间冷藏的电子鼻快速无损检测方法。该方法对于加强冷冻肉品监督管理，保证广大消费者的食品安全提供了一种可行的检测手段。

1 材料与方法

1.1　实验材料

市售宰后24 h内的新鲜荣昌猪后腿冷鲜肉(取自5只猪)。实验样品分为A、B两组，A组直接切割成5 cm×5 cm×5 cm肉块(质量约25 g)，置于100 mL 烧杯中，用保鲜膜封口后，置于-20 ℃冷冻储藏；B组于4 ℃冷藏 7 d(冷鲜肉4 ℃下保质期为7 d)后，按A组方法进行处理后置于-20 ℃冷冻储藏。每组样本量为30个，其中每只猪提供6个样本。

1.2　仪器设备

PEN3型电子鼻，购自德国Airsense公司，包含10个金属氧化物传感器分别为W1C(识别芳香成分)、W5S (识别氮氧化物)、W3C (识别氨类和芳香型化合物)、W6S(识别氢气)、W5C(识别烷烃和芳香型化合物)、W1S (烃类物质)、W1W (识别硫化氢)、W2S (识别醇类和部分芳香型化合物)、W2W(识别芳香化合物和有机硫化物)、W3S(识别烷烃)。

1.3　电子鼻检测

样品冻结后，分别在第0、25、80、134、161、200、250天对样品进行电子鼻检测。检测参数为：洗气时间60 s、调零时间5 s、样品准备时间5 s、进样时间100 s、流速300 mL/min。检测时，样品从-20 ℃取出后直接吸取样品顶端空间的气体，以传感器电导率G与基准气体通过时传感器电导率G0的比值(即G/G0)为检测数据进行分析，共计获得420个检测数据。样品每次检测完成后，迅速用保鲜膜重新密封烧杯放回-20 ℃继续冷冻储藏，检测过程中保持低温使样品不发生解冻。

1.4　数据处理

采用SPSS 22.0(IBM)软件对60 s处的G/G0值数据进行处理。分别选用用主成分分析(principle component analysis，PCA)、重复数据的方差分析和独立样本的非参数检验来观察电子鼻区分不同冷冻储藏时间和冻藏前是否经过长时间冷藏的能力，同时通过线性判别分析(linear discriminant analysis，LDA)和人工神经网络(artificial neural network，ANN)算法来建立猪肉冷冻储藏时间和冻藏前是否经过长时间冷藏的预测模型，并对预测模型的性能进行验证。

2　结果与讨论

2.1　电子鼻检测数据的主成分分析与重复测量的方差分析

在多元数据的统计分析中，PCA是一种常用的降维分析方法，不仅可以解决多个实验指标的共线性问题，还可以通过产生“主成分”来降低指标维度并利用主成分得分进行2D或3D作图来反映样本间的分布情况[23]。本研究通过对电子鼻检测数据的PCA分析共提取2个主成分(特征值>1)，总贡献率为85.04%，其中第一主成分贡献率为59.37%，主要代表芳香类化合物的变化；第二主成分贡献率为25.67%，主要代表氢气、烷烃等小分子的变化。利用主成分得分数据绘制散点图见图1。

图1　冻藏猪肉电子鼻检测数据的PCA结果Fig.1　PCA of electronic nose data of frozen pork

从图1中可知，经过PCA 分析后，除了储藏0、25、80 d 的数据重合外，第134、161、200、250天数据都能较好区分。而储藏0～80 d 的数据相对集中，这可能是由于在这一时间段内冻藏猪肉的品质劣变不显著，其风味成分的差异也较小。但是随着冻藏时间的不断延长其品质劣变不断加剧，其风味成分的差异也不断加剧。这一结果从挥发性风味成分的角度也证明了冻藏猪肉品质发生劣变的时间拐点是在4个月左右，而在已有的冻藏猪肉品质变化的研究中也得出了相似的结果[8-9]。

但是通过第一、第二主成分的2D散点图并不能明显区分相同冻藏时间的A，B两组样品。由于在现实中存在将过期冷鲜肉回收转为冻藏肉的情况，为进一步了解A，B两组样品的多指标结果是否具有显著的差异，利用A，B两组样品电子鼻检测数据的第一、第二主成分得分计算所得综合主成分得分作为因变量，进行重复测量的方差分析，结果见表1, 表2。从表1可知，由于不满足Mauchly 的球形度检验(P<0.05), 故采用Greenhouse-Geisser 、Huynh-Feldt 、下限等3种方法矫正的组内效应检验均表明冻藏时间对检测结果影响显著，而A，B分组的因素对检测结果随冻藏时间的变化影响不显著(即冻藏时间与A，经正态分布检验发现，在第80, 134, 250天的数据并不服从正态分布(p<0.05)。为了解在不同冻藏时间点A，B两组间检测结果的差异是否显著，采用两独立样本的非参检验对数据进行分析，结果见图2。

表1　电子鼻重复测量数据的组内效应方差检验Table 1　Group effect variance test of repeat measurement data by electronic nose

表2　电子鼻重复测量数据的组间效应方差检验Table 2　Intergroup effect variance test of repeatmeasurement data by electronic nose

*, p<0.05; **, p<0.01图2　冷冻储藏过程中猪肉电子鼻检测结果的变化Fig.2　Changes of electronic nose data during porkFrozen storage

同时从表2可知，A，B分组的因素对检测结果具有极显著的影响，这表明在4 ℃经过长时间冷藏的冷鲜肉再转为冻藏肉与新鲜冻藏猪肉的电子鼻检测结果是有显著差异的。

从图2可见，在第0, 80, 134，161，250天时A，B两组间检测结果差异显著，而第25和200天时A，B两组间检测结果差异不显著(p>0.05)。这表明经过7 d冷藏后再冻藏的猪肉与新鲜冻藏的猪肉相比可能已经发生了变化，但在冻藏过程中发生劣变可能又掩盖了其本身的差异，但随着冻藏时间的增加其气味成分的差异又逐渐加大。尽管200 d时的差异也不显著，则是可能是由于组内变异过大掩盖了组间差异造成的，其平均值之间的差异仍在增大。

通过这一系列分析发现，不同冻藏前状态和不同冻藏时间的猪肉样品的电子鼻检测数据，在整体上均有显著的差异，这为利用这些数据建立针对猪肉冻藏前状态和冻藏时间的预测模型提供的基础条件。

2.2　电子鼻检测数据的线性判别分析

为建立相应的预测模型，采用LDA方法对数据进一步分析。LDA一种常用的分类方法，立足与找到反映两类物体或事件特征的一个线性组合，以特征化或区分不同的样本集[24]。对冷冻储藏0、25、80、134、161、200、250 d 共420个猪肉样品数据按照分组方式和冻藏时间分为14个类别进行LDA 分析，结果如图3所示。用于作图的判别函数其总贡献率为78.7%，其中第一判别函数贡献率为53.3%，第二判别函数贡献率为25.4%。由图3可知，经过LDA 分析后，除了冻藏第0和25 d 的数据重合度较高外，其余第80～250 d的数据都能较好区分，说明在冻藏1个月内猪肉样品的劣变几乎没有发生，但随着冻藏时间的增加冻藏猪肉的变化越来越显著。同时在第134, 161, 200和250 d 处A、B组样品的组质心分离明显，与主成分得分的非参检验结果类似。

图3　冻藏猪肉电子鼻检测数据的LDA分析Fig.3　LDA of electronic nose data of frozen pork

为评估LDA对猪肉冻藏时间和冻藏前是否经过长时间冷藏的鉴别能力，采用“留一法”对样品进行交叉验证，结果见表3。结果表明对这14类样品的交叉验证的正确率为78.1%，值得注意的是即使发生错判的样品也主要是在相同冻藏时间点的A、B两组之间，如仅以冻藏时间分组其交叉验证的正确率高达95.6%。这表明利用LDA对猪肉冻藏时间和冻藏前是否经过长时间冷藏均具有较好的鉴定能力。

表3　冻藏猪肉电子鼻检测数据LDA分析的交叉验证结果Table 3　Cross-validation results of LDA for frozen pork electronic nose test data

2.3　电子鼻检测数据的人工神经网络分析

为建立更好的猪肉冻藏时间及冻藏前冷藏时间的预测模型，采用基于多层感知器的人工神经网络算法对数据进行进一步分析。ANN是一种模仿生物神经网络(动物的中枢神经系统，特别是大脑)的结构和功能的数学模型或计算模型，目前已被广范的应用于多元数据的估计或预测[25]。在处理中将420个样品利用随机函数分为3组，其中训练样品219个，测试样品132个，支持样品69个。最终生成包含10个协变量(即电子鼻10个传感器的数据)的输入层，1个含有11个单元的隐藏层和包含冻藏时间和A，B组分类的输出层。该模型对支持组数据的冻藏时间预测的相对错误仅为0.008，对冻藏前是否经过长时间冷藏的分组错误率仅7.2%(即预测正确率为92.8%，由于支持组数据不参与建模，其给出的误差可比较真实的反映模型的预测能力。)模型对冷冻储藏时间和冻藏前是否经过长时间冷藏的预测结果见图4。从图4中可知，该模型对猪肉冻藏时间和冻藏前是否经过长时间冷藏均有较好的预测能力。由于ANN生成的预测模型对冻藏时间生产的是一个回归模型具有更大的预测范围，而对冻藏前是否经过长时间冷藏的分组也有更高的准确率，因该ANN模型与LDA模型相比具有更好的预测性能。

a-猪肉冻藏时间预测结果；b-冻藏猪肉是否经过长时间冷藏的分组预测结果图4　基于多层感知器的神经网络预测结果Fig.4　Neural network predictive results based onmultilayer perceptron

3　结论

(1)通过电子鼻无损顶空检测及PCA和重复测量的方差分析对电子鼻检测数据进行分析发现，不同冻藏前状态和不同冻藏时间的样品均表现出不同的多元数据分布特点。这为通过电子鼻检测数据的模式识别算法建立猪肉冻藏时间和冻藏前是否经过长时间冷藏的预测模型提供了基础条件。

(2)线性判别分析和基于多层感知器的神经网络算法均能建立猪肉冻藏时间和冻藏前是否经过长时间冷藏的预测模型。不过采用基于多层感知器的神经网络算法所建立的预测模型对冻藏时间预测的线性更大，回归函数的相关性更好，对冻藏前是否经过长时间冷藏也有更高的分组预测的准确率。

(3)本研究所建立的无损顶空检测电子鼻检测方法，使整个检测过程无需解冻样品和进行复杂的前处理，快速高效可实现现场检测。

[1]程广燕, 刘珊珊, 杨祯妮,等. 中国肉类消费特征及2020年预测分析[J]. 中国农村经济, 2015,2(2)：76-82.

[2]董晓霞. 中国生猪价格与猪肉价格非对称传导效应及其原因分析——基于近 20 年的时间序列数据[J]. 中国农村观察, 2015, 4 (4): 26-38.

[3]USDA. Freezing and food safety-freezer storage time [EB/OL]. (2013-06-15) [2017-04-15]. https://www.fsis.usda.gov/ wps/portal/fsis/topics/food-safety-education/get-answers/food-safety-fact-sheets/safe-food-handling/freezing-and-food-safety.htm.

[4]FDA. Food safety for moms to be: Educator tools-refrigerator freezer chart [EB/OL]. (2015-01-13) [2017-04-15]. https://www.fda.gov/food/resourcesforyou/healtheducators/ucm109156.htm.

[5]HHS U. S. Storage times for the refrigerator and freezer [EB/OL]. (2017-04-15) [2017-04-15]. https://www.foodsafety.gov/ keep/charts/storagetimes.html.

[6]LEE Y C, YANG H S, KIAI D H. Shelf‐life determination of precooked frozen pork meat patties at various temperatures[J]. Journal of food processing and preservation, 2002, 26(3): 165-177.

[7]HUANG L, XIONG Y L, KONG B, et al. Influence of storage temperature and duration on lipid and protein oxidation and flavour changes in frozen pork dumpling filler[J]. Meat science, 2013, 95(2): 295-301.

[8]王丹竹. 不同贮存温度和时间对冷冻猪肉品质的影响[D]. 长沙：湖南农业大学, 2013：23-30.

[9]夏秀芳. 冻藏温度和时间对猪肉品质影响的研究[C]. 中国机械工程学会包装与食品工程分会 2010 年学术年会论文集, 北京：中国机械工程学会包装与食品工程分会, 2012:1-6.

[10]BISWAS A K, KESHRI R C, BISHT G S. Effect of enrobing and antioxidants on quality characteristics of precooked pork patties under chilled and frozen storage conditions[J]. Meat Science, 2004, 66(3): 733-741.

[11]黄鸿兵, 徐幸莲, 周光宏. 冷冻贮藏对冻猪肉冰晶形态、TVB-N及TBARS的影响[J]. 食品工业科技, 2008(2):117-119.

[12]蒋立凤, 叶扣贯. 猪肉在冻藏中挥发性盐基氮含量的变化[J]. 肉类工业, 2001(12):17-18.

[13]LEYGONIE C, BRITZ T J, HOFFMAN L C. Impact of freezing and thawing on the quality of meat: Review[J]. Meat science, 2012, 91(2): 93-98.

[14]EIFLER J, MARTINELLI E, SANTONICO M, et al. Differential detection of potentially hazardous Fusarium species in wheat grains by an electronic nose[J]. PloS one, 2011, 6(6): e21026.

[15]CAPONE S, TUFARIELLO M, FRANCIOSO L, et al. Aroma analysis by GC/MS and electronic nose dedicated to Negroamaro and Primitivo typical Italian Apulian wines[J]. Sensors and Actuators B: Chemical, 2013, 179(2): 259-269.

[16]TORRI L, SINELLI N, LIMBO S. Shelf life evaluation of fresh-cut pineapple by using an electronic nose[J]. Postharvest Biology and Technology, 2010, 56(3): 239-245.

[17]GUOHUA H, LVYE W, YANHONG M, et al. Study of grass carp (Ctenopharyngodonidellus) quality predictive model based on electronic nose[J]. Sensors and Actuators B: Chemical, 2012, 166(5): 301-308.

[18]GIOVENZANA V, BEGHI R, BURATTI S, et al. Monitoring of fresh-cut Valerianella locusta Laterr. shelf life by electronic nose and VIS-NIR spectroscopy[J]. Talanta, 2014, 120(3): 368-375.

[19]HUANG L, ZHAO J, CHEN Q, et al. Nondestructive measurement of total volatile basic nitrogen (TVB-N) in pork meat by integrating near infrared spectroscopy, computer vision and electronic nose techniques[J]. Food Chemistry, 2014, 145(7): 228-236.

[20]XIAO Z, YU D, NIU Y, et al. Characterization of aroma compounds of Chinese famous liquors by gas chromatography-mass spectrometry and flash GC electronic-nose[J]. Journal of Chromatography B, 2014, 945(2): 92-100.

[21]HUI G, JIN J, DENG S, et al. Winter jujube (ZizyphusjujubaMill.) quality forecasting method based on electronic nose[J]. Food Chemistry, 2015, 170(3): 484-491.

[22]QIN Z, PANG X, CHEN D, et al. Evaluation of Chinese tea by the electronic nose and gas chromatography-mass spectrometry: Correlation with sensory properties and classification according to grade level[J]. Food research international, 2013, 53(2): 864-874.

[23]CHENG H, QIN Z H, GUO X F, et al. Geographical origin identification of propolis using GC-MS and electronic nose combined with principal component analysis[J]. Food Research International, 2013, 51(2): 813-822.

[25]CEVOLI C, CERRETANI L, GORI A, et al. Classification of Pecorino cheeses using electronic nose combined with artificial neural network and comparison with GC-MS analysis of volatile compounds[J]. Food Chemistry, 2011, 129(3): 1 315-1 319.