基于信噪比分析技术的谷物霉变快速检测方法

该文探索了一种基于半导体气敏传感器阵列和随机共振信噪比分析技术的谷物霉变快速检测方法,试验测量了大米、小米、燕麦和红豆的霉变试验数据,输入分析系统处理并输出信噪比谱图,以基准信噪比特征值-82.5所包络的噪声宽度作为4种谷物样品霉变程度的数字化表征手段,可以直观的观察到每类样品的霉变过程。大米和小米样品在第4天检测时,就出现了较明显的霉变,燕麦样品在第7天出现霉变,而红豆样品在检测过程中未发生变化。该分析技术无需信号前处理手段,并且可以克服传感器基线漂移造成的干扰,系统响应速度快、重复性好,具有实际应用价值。     

基于多种变量分析方法鉴别食醋种类电子鼻信号特征筛选

为了提高6种食醋的电子鼻鉴别能力,该文提出了一种基于多变量分析的食醋电子鼻信号多特征表征策略。初选不同的特征表征电子鼻信号,构建电子鼻信号的初始特征矩阵。采取载荷分析进行电子鼻传感器阵列优化,优选了12个气敏传感器的响应数据进行后续分析。为消除各传感器响应信号之间的相关性,对优选阵列的特征矩阵进行主成分分析(principal component analysis,PCA),并利用WilksΛ统计量选择鉴别能力最优的主成分子阵。在选择最优主成分子阵的基础上,以生成主成分的每一个原始特征变量为对象,计算每一个原始特征变量在主成分子阵中的贡献系数绝对值之和,且根据系数绝对值之和从大到小排序;同时,根据不同和值的指定,形成了不同容量的原始特征变量集。最后,借助于Fisher判别分析(Fisher discriminant analysis,FDA)探索了不同容量原始特征变量集的鉴别结果,确定了最佳的原始特征变量集。结果表明,特征选择前后传感器信号的表征特征发生了明显变化,最终采用48个特征参量实现了对食醋电子鼻信号的有效表征。在48个特征参量表征条件下,同时运用FDA和BP神经网络(back propagation neural network,BPNN)对6种食醋进行了鉴别分析,训练集的鉴别正确率分别在93%和98%以上,测试集的鉴别正确率也分别达到了90%和93%以上。另外,利用巴氏距离进一步揭示了样品间的可分离程度及FDA与BPNN结果的可信性。研究结果可为电子鼻信号多特征表征提供了一种新思路。     

电子鼻传感器阵列优化及其在小麦储藏年限检测中的应用

采用德国Airsense公司的PEN2电子鼻系统对5个陈化年限的小麦进行了检测。对传感器信号进行方差分析和Loading分析去掉差异不显著的传感器。最后选择传感器1、2、8、9、10的响应信号进行模式识别。对优化后的传感器阵列进行主成分分析得到结果显示5个年份的小麦被很好地区分，各个类的集中性也比较强。从BP网络分析结果可以看出network1(优化后传感器阵列数据的BP网络)的预测准确率高于network2(优化前传感器阵列数据的BP网络)，可以更好地区分5个年份的小麦。说明对传感器进行优化去掉一些响应不显著的传感器信号并不影响模式识别结果，反而提高了电子鼻的识别性能。     

用于山核桃陈化时间检测的电子鼻传感器阵列优化

为更好地进行山核桃陈化时间检测,论文拟通过传感器阵列优化来有效提高电子鼻对其区分预测能力。该文依据响应曲线保留响应明显的传感器,并在提取传感器特征值构成初始特征矩阵的基础上,结合均值分析、变异系数分析、聚类分析、相关性分析和多重共线性分析进行逐步优化以获取最终优化传感器阵列。对优化前后的数据采用主成分分析法(principal component analysis,PCA)和偏最小二乘回归(partial least squares regression,PLSR)进行样品区分和预测能力的对比。结果表明:通过优化,经不同人工陈化时间(0、5、10、15d)处理的山核桃能有效区分开,且在PCA得分图中更为聚集;优化后的陈化时间回归模型(R2=0.933 4)较优化前(R2=0.888 7)具有更好的预测能力。说明所给出的阵列优化方法有效可行,为电子鼻针对性检测提供了一种思路。     

电子鼻快速检测谷物霉变的研究

针对目前我国在谷物的霉变与否的检测上还有一定的滞后性，研制出一套能快速检测谷物是否霉变的电子鼻装置，该装置能快速、准确地分析所测谷物散发的气味，从而判定所测谷物是否霉变。该电子鼻主要由一组厚膜金属氧化锡气体传感器阵列和RBF神经网络组成。用所研制的电子鼻对小麦、水稻、玉米3种谷物进行检测。整个实验过程如下：首先从每个传感器的反应曲线中提取4个特征值，并对所有特征值进行归一化处理，然后用常规的主成分分析和径向基函数(RBF)神经网络对它们进行分析。实验过程中发现，从主成分分析的结果发现很难将霉变谷物与正常谷     

基于虚拟仪器的淡水鱼鲜度电子鼻测量系统

新鲜度是鱼类或鱼类制品质量的一个重要指标，可以通过测量鱼体气味来评价其新鲜度。该文分析了鱼体死亡后产生的特征挥发性气体，确定了TGS822乙醇类及有机溶剂型传感器、TGS825硫化氢型传感器、TGS826氨气及胺类型传感器以及TGS832 卤烃型气体传感器等4类传感器作为淡水鱼电子鼻的传感器阵列，并采用虚拟仪器平台开发了电子鼻测量系统，用该测量系统对不同新鲜度的鲢鱼鱼肉进行了气味检测。试验结果表明，电子鼻传感器阵列的响应随样品新鲜度的变化而变化，采用PCA（主成分分析）对试验数据进行聚类分析，可以将鱼体新鲜、次新鲜和腐败（包括半腐败）的样本正确区分，证实了自行研制电子鼻测量系统的可行性和适用性。     

基于电子鼻的花生有害霉菌种类识别及侵染程度定量检测

针对花生霉变传统分析方法操作繁琐、时效性差等不足,该研究拟利用电子鼻气体传感技术建立起花生有害霉菌污染的快速检测方法。辐射灭菌花生籽粒分别接种5种谷物中常见有害霉菌(黄曲霉3.17、黄曲霉3.395 0、寄生曲霉3.395、寄生曲霉3.012 4和赭曲霉3.648 6),并于26℃、80%相对湿度条件下储藏9 d至严重霉变。利用电子鼻气体传感器获取不同储藏时期(0、3、6、9 d)花生样品的整体挥发性气味信息。最后,结合多元统计分析方法对电子鼻传感器响应信号进行特征提取,建立了花生中有害霉菌污染程度的定性定量分析模型。结果显示,主成分分析法(principal component analysis,PCA)可成功区分不同霉菌侵染程度的花生样品,线性判别分析(linear discriminant analysis,LDA)模型对样品不同储藏天数判别的准确率均达到或接近100%。花生中菌落总数的偏最小二乘回归分析(partial least squares regression,PLSR)模型的预测决定系数和预测相对均方根误差分别达到0.814 5和0.244 0 lg(CFU/g)。结果表明,应用电子鼻技术快速检测储藏期间花生霉变状况具有一定可行性,可为利用气味信息实现粮食霉菌污染的在线监测提供理论参考。     

电子鼻和电子舌单独与联合检测掺大豆蛋白或淀粉的鸡肉糜

为实现掺杂掺假鸡肉的快速、客观评价，该研究利用电子鼻和电子舌联合检测技术对掺杂鸡肉糜进行快速检测，通过对采集的数据进行主成分分析和偏最小二乘法分析，所得结果表明，采用主成分分析，电子鼻和电子舌联合检测掺大豆蛋白鸡肉糜和掺淀粉鸡肉糜的主成分总贡献率分别为99.8%和99.1%；采用偏最小二乘法分析，电子鼻和电子舌联合检测鸡肉糜中掺杂大豆蛋白含量的预测值与真实值之间的决定系数为0.992，均方根误差为2.8%；联合检测鸡肉糜中掺杂淀粉含量的预测值与真实值之间的决定系数为0.996，均方根误差为2.4%。表明电子鼻和电子舌联合检测对鸡肉糜的掺杂情况具有良好的区分和预测能力，并且是一种有效、高精度的肉类掺假检测方法。     

常规稻与杂交稻谷的仿生电子鼻分类识别

气味是进行稻谷品种及其品质识别的重要方法之一,作为一种基于仿生嗅觉的机器检测方法,仿生电子鼻在水稻品种的分类识别中具有较好的应用前景。常规稻与杂交稻在食味品质等方面存在一定的差异,为了解应用电子鼻进行常规稻谷与杂交稻谷识别的可行性,采用PEN3电子鼻对同季同地域收获的3种常规稻(中香1号、湘晚13、瑶平香)和3种杂交稻(伍丰优T025、品36、优优122)稻谷样品的气味信息进行了采集和分析。首先通过过载分析(Loadings)法分析了电子鼻检测稻谷气体挥发物时的各传感器贡献率,分别针对基于特征值的提取和稻谷气味检测对电子鼻传感器阵列中的传感器进行了优选,阐明了稻谷气体挥发物检测中应以对硫化物、氮氧化合物、芳香成分和有机硫化物敏感的传感器为主。随后,分别采用主成分分析法(principal component analysis,PCA)、线性判别法(linear discriminant analysis,LDA)和BP神经网络对6种不同稻谷之间、常规稻与杂交稻之间的分类识别进行了研究。结果表明,PCA分析法与LDA分析法在对6种不同稻谷之间的分类以及常规稻与杂交稻之间的分类中均未取得理想的效果,存在部分样本数据点重叠或样本数据点较近的情况,在实际应用中易发生混淆;而BP神经网络在对6种不同稻谷之间的分类中对测试集的识别正确率分别达到了90%,在常规稻与杂交稻之间的分类识别中对测试集的识别正确率达到了96.7%。上述试验验证了电子鼻用于常规稻与杂交稻稻谷分类识别的有效性,为常规稻与杂交稻的快速、无损分类识别提供了一种新的方法。     

基于电子鼻传感器阵列优化的甜玉米种子活力检测

针对甜玉米种子活力传统检测方法操作繁琐、重复性差等不足,该研究利用电子鼻技术建立甜玉米种子活力快速检测方法。利用电子鼻获取不同活力甜玉米种子的气味信息,再结合主成分分析(PCA,principal component analysis)、线性判别分析(LDA,linear discriminant analysis)、载荷分析(loadings)和支持向量机(SVM,support vector machine)对气味信息进行提取分析,建立甜玉米种子活力的定性定量分析模型。结果显示:PCA和LDA分析均无法区分不同活力的甜玉米种子,而SVM的鉴别效果较好。全传感器阵列数据集SVM分类判别模型训练集和预测集正确率分别为97.10%和96.67%,建模时间为30.75 s,回归预测模型训练集和预测集决定系数R~2分别为0.993和0.913,均方差误差分别为2.23%和8.50%。经Loadings分析将10个传感器阵列优化为6个。优化后传感器阵列数据集SVM分类判别模型训练集和预测集正确率分别为98.55%和96.67%,建模时间为21.81 s,回归预测模型训练集和预测集决定系数R~2分别为0.982和0.984,均方差误差分别为3.80%和3.01%。结果表明:基于SVM的电子鼻技术可以实现对不同活力甜玉米种子的高效判别和预测,将传感器阵列优化为6个,判别和预测效果均有所提升。该研究为电子鼻技术应用于甜玉米种子活力检测提供理论依据。     

电子鼻在饮料识别中的应用研究

为解决传统的饮料检测所采用的理化分析方法烦琐而实时性差的问题，研制了一套能够实时、准确地检测饮料散发气味的电子鼻系统。该系统主要由气敏传感器阵列和数据处理软件组成，并采用氮气作为载气以减少测试环境因素的影响。为了提高信噪比，从每个传感器与气体反应曲线中提取了4个特征值，然后用主成分分析法和BP神经网络对样本特征值进行处理。识别结果表明，这种检测方法快速、准确，识别正确率高达95.2%。     

猪舍有害气体NH3、H2S的电子鼻定量识别

为准确、快速地测定南方猪舍的主要有害气体NH3、H2S，建立了电子鼻系统。在实验室中采用静态配气法配制各种浓度的气体，将快速独立成分分析与径向基神经网络两种方法相结合，对6.95～69.53 mg/m3浓度范围内的H2S单一气体以及H2S与NH3组成的混合气体进行定量识别，平均识别精度分别达到99.1%和90.97%。结果表明在基于电子鼻的猪舍NH3、H2S气体定量识别中，采用该种方法具有良好的效果。     

基于电子鼻系统的水果腐败过程表征方法

为了研究水果腐败过程的新的表征方法,该文采用便携式电子鼻系统试验研究了苹果、梨、桃子、李子、葡萄5种水果的腐败过程,采用非线性随机共振技术提取水果霉变程度特征信息,苹果腐败过程中产生的挥发特征气体量不断上升,而梨、桃子、李子和葡萄在该过程中挥发气体量先达到最大值后下降,结果表明电子鼻系统可以快速表征水果的腐败过程,这为水果腐败机理研究提供了一种新表征技术手段。     

基于气敏传感器阵列特征优化的储粮害虫赤拟谷盗检测

为实现储粮中害虫赤拟谷盗（Tribolium castaneum（Herbst））的检测，该研究使用自主开发的储粮害虫电子鼻检测装置，采集了小麦中不同虫口密度梯度的赤拟谷盗挥发性气味信息，根据10个气敏传感器采集到的响应曲线，提取了各个传感器的相对变化值（Relative Change，RC）、相对积分值（Relative Integral，RI）、平均微分值（Mean Difference，MD）作为原始特征矩阵（10×3），使用遗传算法（Genetic Algorithm，GA）作为特征选择方法，获得样本的特征信息，通过建立预测回归模型，实现了对小麦中赤拟谷盗虫口密度的预测。以识别准确率作为评价指标，对原始的特征矩阵进行了多特征优化，优化后的特征矩阵的识别准确率由原始的82.85% 提升至97.14%，优化后的特征数量由原始的30个减少为12个，特征数量减少60%，传感器数量减少至8个。最后通过采用偏最小二乘回归（Partial Least Squares Regression，PLSR）、主成分回归（Principal Components Regression，PCR）和支持向量机回归（Support Vector Machine Regression，SVR）3种回归方法进行回归预测，研究结果表明：基于偏最小二乘回归（PLSR）的预测模型达到了较好的预测效果，预测集回归模型的相关系数r和均方根误差RMSE分别为0.828和11.293。研究证明了气敏传感器阵列多特征优化方法的可行性和有效性，同时为实现粮食虫害快检测提供一种方法和参考。     

基于DFI-RSE电子鼻传感器阵列优化的葡萄酒SO2检测

酿造过程中SO2的监控是葡萄酒产业信息化和葡萄酒品质保障的关键。针对传统SO2测定方法操作复杂、耗费时间长等问题,该研究提出基于电子鼻技术建立葡萄酒中SO2检测方法。为提高电子鼻检测性能,提出一种基于动态特征重要度-递归传感器消除（Dynamic Feature Importance-Recursive Sensor Elimination,DFI-RSE）的气体传感器阵列优化算法。将最大信息系数（Maximum Information Coefficient,MIC）作为度量变量间关系的标准,定义DFI选择兼顾高有效性与低冗余性的特征构成特征子集。进一步计算特征子集中的传感器重要度,结合RSE移除重要度较低的传感器,获得最优阵列组合。采用偏最小二乘回归（Partial Least Squares Regression,PLSR）、多层感知器（Multi-Layer Perceptron,MLP）、支持向量回归（Support Vector Regression,SVR）和贝叶斯岭回归（Bayesian Ridge Regression,BRR）对DFI-RSE优化前后阵列的检测能力进行比较。结果表明,针对间隔40 mg/L、0～200 mg/L范围内不同SO2添加量的葡萄酒样品,优化后阵列的传感器数量由原来的16个降低为8个,特征数量减少了59%,4种回归模型的决定系数均高于0.98,其中MLP模型检测效果最佳,均方根误差为7.73 mg/L,优于原始阵列且节省了运行时间。所建立的基于电子鼻的葡萄酒SO2添加量检测和相应的阵列构建与优化方法为葡萄酒酿造过程中SO2的有效监控技术研究提供参考。     

Comparison of mass spectrometry-based electronic nose and solid phase microextraction gas chromatography-mass spectrometry technique to assess infant formula oxidation

Two headspace techniques based on mass spectrometry detection (MS), electronic nose, and solid phase microextraction coupled to gas chromatography-mass spectrometry (SPME-GC/MS) were evaluated for their ability to differentiate various infant formula powders based on changes of their volatiles upon storage. The electronic nose gave unresolved MS fingerprints of the samples gas phases that were further submitted to principal component analysis (PCA). Such direct MS recording combined to multivariate treatment enabled a rapid differentiation of the infant formulas over a 4 week storage test. Although MS-based electronic nose advantages are its easy-to-use aspect and its meaningful data interpretation obtained with a high throughput (100 samples per 24 h), its greatest disadvantage is that the present compounds could not be identified and quantified. For these reasons, a SPME-GC/MS measurement was also investigated. This technique allowed the identification of saturated aldehydes as the main volatiles present in the headspace of infant milk powders. An isotope dilution assay was further developed to quantitate hexanal as a potential indicator of infant milk powder oxidation. Thus, hexanal content was found to vary from roughly 500 and 3500 microg/kg for relatively non-oxidized and oxidized infant formulas, respectively.