大豆分离蛋白具有功能性、营养性和经济性，广泛应用于食品及其他行业中，大豆分离蛋白酶解过程会引入许多不良味道，特别是苦味。目前苦味评价主要采用传统的感官评价，但感官评价存在主观性，对准确度和重复性等方面的把握有所欠缺。近年来，电子舌作为一种能快速检测味觉品质的新技术，可以对复杂样品最基本的酸、甜、苦、辣、咸味觉评价指标进行快速的味觉检测分析。
本文采用法国Alpha MOS公司Astree电子舌采集配方溶液信号，利用PCA和DFA进行定性分析，结合偏最小二乘法和RBF神经网络建立苦味定量预测模型。
大豆分离蛋白、碱性蛋白酶、奎宁。
配制不同质量浓度(1g/mL、2g/mL、4g/mL、8g/mL、16g/mL、32g/mL)的奎宁溶液作为苦味标准液，大豆分离蛋白配方见表1。
仪器与方法
使用法国Alpha MOS公司Astree电子舌采集配方的味觉信息。它由一个16位自动进样器、安装在Ag/AgCl参比电极上的7根具有交叉敏感性的传感器阵列（ZZ、JE、BB、CA、GA、HA和JB）、信号采集模块以及模式识别系统组成。电子舌模拟人类的感觉器官舌头对待测样品进行分析、识别和判断。每根传感器对不同样品吸附溶液分子的灵敏度不同，表现出不同的电位变化，根据电位变化分析溶液的味觉特性。
试验开始前，为了使结果更准确，需要对电子舌进行调试，主要包括活化、初始化、校准和诊断等环节。试验开始时，将待测液倒入电子舌专用烧杯中，按照待测液-清洗液-待测液的顺序交替摆放在电子舌自动进样器上，样品数据采集时间默认为120s，每种样品重复采集10次，为了得到稳定和准确的试验数据，同时也为了减少误差，去除第1次和最后1次采集到的数据，用中间8个数据进行后续处理。
为了比较8种配方的苦味程度，选取20名对苦味敏感的感官评价员，对8种配方进行品尝，根据表2的评价标准进行评价。配方1-配方8的苦味得分分别为3.7、3.8、3.9、4.0、4.1、4.1、4.3、4.4。由评分结果可知，8种配方苦味差异不大，苦味均可以接受，8种配方苦味得分近似呈线性分布。
2、传感器的选择
使用Astree电子舌采集样品味觉信息，图1为7根传感器对配方1的响应强度。由图1可见，传感器JE的电压响应强度最高，ZZ与BB的电压响应强度接近，HA的电压响应强度最低，最不敏感。
表3为7根传感器在8种配方中的相对标准偏差。由表3可知，传感器JE、ZZ、BB、GA对8种配方的相对标准偏差均小于6%，传感器CA、HA、JB的相对标准偏差6%＜RSD＜30%。表明传感器CA、HA、JB会影响试验结果，造成较大偏差。剔除判别能力较弱的传感器，选择判别能力强的传感器，以增强试验的准确性。故选用传感器JE、ZZ、BB和GA分析8种配方的味觉信息。
3、主成分分析和判别因子分析
主成分分析(PCA)是一种降低数据集维数的多元统计方法，它在不丢失任何信息的前提下，对采集到的数据进行降维处理和数据转换，据此把多个相关性很高的变量归结为几个不相干变量或相关性很低的变量。主成分分析散点图上的散点代表样品，散点之间的距离代表样品间的差异性与亲疏性，主成分贡献率越大，代表包含更多数据信息。
判别因子分析(DFA)是一种通过重新组合原始变量信息来优化区分的分类技术，它根据相关性大小把数据分组，且不改变原有变量，使不同类数据组间距离最大的同时，保证同类数据组内差异最小，使各个组间的重心距离最大。
选用奎宁作为苦味标准液对8种配方进行试验，所得结果分别用PCA和DFA进行分析。
选择传感器JE、ZZ、BB、GA，PCA和DFA分析结果见图3。
由图3可知，主成分PC1、PC2贡献率分别为94.026%和3.792%，判别因子DF1、DF2贡献率分别为98.505%和1.259%，总贡献率近似为100%。奎宁溶液与配方溶液的落点分居于y轴两侧，表明配方溶液与奎宁溶液区分度高。奎宁溶液与配方溶液组间距离较远，表明8种配方溶液苦味不明显。8种配方溶液组内离散程度较小，表明各配方之间苦味差异性小。PCA、DFA显示一致的苦味评价结果。因此，PCA和DFA均可鉴别配方的苦味程度。
4、PLS建模及预测
建立PLS大豆分离蛋白苦味预测模型，以4根优化后传感器电压响应值作为自变量，以感官评分值作为因变量构建PLS模型。得回归方程:
y=66.6953－0.0041s1－0.0053s2+0.0004s3－0.0001s4，
式中：y为电子舌苦味预测值;s1、s2、s3、s4分别为传感器ZZ、JE、BB、GA电压响应值。
在所建立的偏最小二乘模型中，P(P=0.000)＜0.05，表明此模型的回归方程具有显著意义。以4根优化后传感器电压响应值构建PLS为0.969，RMSE为0.035，实际值与预测值有较好的相关性，预测效果较好。
5、RBF建模及预测
本次试验重叠系数选取范围为1～3，隐含层节点数选取范围为4～15。建立两个RBF神经网络模型，其中建模集有32个样本，预测集有32个样本。输入层节点数都为4，分别对应4根传感器电压响应值和前4个PC值，隐含层节点通过自身学习确定最优节点数，输出层输出配方的苦味得分。预测结果表明，随着重叠系数的增加，建模集与预测集的RMSE逐渐减小，因此最终确定重叠系数为3。随着隐含层节点数的增加，RMSE逐渐减小，但隐含层节点数增加到一定值之后，RMSE逐渐增大，由此确定最佳隐含层R节点数为9。在4-9-1结构中，4根优化后传感器电压响应值预测集的RMSE和分别为0.010和0.987，前4个PC预测集的RMSE和R分别为0.007、0.913。RMSE小于PLS预测模型的0.035、0.093，R均大于PLS预测模型的0.969、0.334，说明4根传感器电压响应值与前4个PC作为输入参数建立的RBF预测模型预测值更接近真实值，预测效果较好。
参考文献：芦建超,惠延波,胡晓利,布冠好.基于电子舌的大豆分离蛋白苦味分析与评价技术研究[J].河南工业大学学报(自然科学版),2019,40(06):65-69+79.DOI:10.16433/j.cnki.issn1673-2383.2019.06.011.
提醒：文章仅供参考，如有不当，欢迎留言指正和交流。且读者不应该在缺乏具体的专业建议的情况下，擅自根据文章内容采取行动，因此导致的损失，本运营方不负责。如文章涉及侵权或不愿我平台发布，请联系处理。 本文采用法国Alpha MOS公司Astree电子舌采集配方溶液信号，利用PCA和DFA进行定性分析，结合偏最小二乘法和RBF神经网络建立苦味定量预测模型。
一、材料与方法
试验材料大豆分离蛋白、碱性蛋白酶、奎宁。
配制不同质量浓度(1g/mL、2g/mL、4g/mL、8g/mL、16g/mL、32g/mL)的奎宁溶液作为苦味标准液，大豆分离蛋白配方见表1。
表1 试验配方
使用法国Alpha MOS公司Astree电子舌采集配方的味觉信息。它由一个16位自动进样器、安装在Ag/AgCl参比电极上的7根具有交叉敏感性的传感器阵列（ZZ、JE、BB、CA、GA、HA和JB）、信号采集模块以及模式识别系统组成。电子舌模拟人类的感觉器官舌头对待测样品进行分析、识别和判断。每根传感器对不同样品吸附溶液分子的灵敏度不同，表现出不同的电位变化，根据电位变化分析溶液的味觉特性。
试验开始前，为了使结果更准确，需要对电子舌进行调试，主要包括活化、初始化、校准和诊断等环节。试验开始时，将待测液倒入电子舌专用烧杯中，按照待测液-清洗液-待测液的顺序交替摆放在电子舌自动进样器上，样品数据采集时间默认为120s，每种样品重复采集10次，为了得到稳定和准确的试验数据，同时也为了减少误差，去除第1次和最后1次采集到的数据，用中间8个数据进行后续处理。
二、结果与分析
1、传统感官评价为了比较8种配方的苦味程度，选取20名对苦味敏感的感官评价员，对8种配方进行品尝，根据表2的评价标准进行评价。配方1-配方8的苦味得分分别为3.7、3.8、3.9、4.0、4.1、4.1、4.3、4.4。由评分结果可知，8种配方苦味差异不大，苦味均可以接受，8种配方苦味得分近似呈线性分布。
表2 苦味评价标准
使用Astree电子舌采集样品味觉信息，图1为7根传感器对配方1的响应强度。由图1可见，传感器JE的电压响应强度最高，ZZ与BB的电压响应强度接近，HA的电压响应强度最低，最不敏感。
表3 7根传感器在8种配方中的相对标准偏差
3、主成分分析和判别因子分析
主成分分析(PCA)是一种降低数据集维数的多元统计方法，它在不丢失任何信息的前提下，对采集到的数据进行降维处理和数据转换，据此把多个相关性很高的变量归结为几个不相干变量或相关性很低的变量。主成分分析散点图上的散点代表样品，散点之间的距离代表样品间的差异性与亲疏性，主成分贡献率越大，代表包含更多数据信息。
判别因子分析(DFA)是一种通过重新组合原始变量信息来优化区分的分类技术，它根据相关性大小把数据分组，且不改变原有变量，使不同类数据组间距离最大的同时，保证同类数据组内差异最小，使各个组间的重心距离最大。
选用奎宁作为苦味标准液对8种配方进行试验，所得结果分别用PCA和DFA进行分析。
选择传感器JE、ZZ、BB、GA，PCA和DFA分析结果见图3。
4、PLS建模及预测
建立PLS大豆分离蛋白苦味预测模型，以4根优化后传感器电压响应值作为自变量，以感官评分值作为因变量构建PLS模型。得回归方程:
y=66.6953－0.0041s1－0.0053s2+0.0004s3－0.0001s4，
式中：y为电子舌苦味预测值;s1、s2、s3、s4分别为传感器ZZ、JE、BB、GA电压响应值。
在所建立的偏最小二乘模型中，P(P=0.000)＜0.05，表明此模型的回归方程具有显著意义。以4根优化后传感器电压响应值构建PLS为0.969，RMSE为0.035，实际值与预测值有较好的相关性，预测效果较好。
5、RBF建模及预测
本次试验重叠系数选取范围为1～3，隐含层节点数选取范围为4～15。建立两个RBF神经网络模型，其中建模集有32个样本，预测集有32个样本。输入层节点数都为4，分别对应4根传感器电压响应值和前4个PC值，隐含层节点通过自身学习确定最优节点数，输出层输出配方的苦味得分。预测结果表明，随着重叠系数的增加，建模集与预测集的RMSE逐渐减小，因此最终确定重叠系数为3。随着隐含层节点数的增加，RMSE逐渐减小，但隐含层节点数增加到一定值之后，RMSE逐渐增大，由此确定最佳隐含层R节点数为9。在4-9-1结构中，4根优化后传感器电压响应值预测集的RMSE和分别为0.010和0.987，前4个PC预测集的RMSE和R分别为0.007、0.913。RMSE小于PLS预测模型的0.035、0.093，R均大于PLS预测模型的0.969、0.334，说明4根传感器电压响应值与前4个PC作为输入参数建立的RBF预测模型预测值更接近真实值，预测效果较好。
三、结论
本文采用法国Astree电子舌对8种不同条件下大豆分离蛋白的苦味进行分析，采用主成分分析、判别因子分析、偏最小二乘法和RBF神经网络对采集到的数据进行分析。结果表明，PCA与DFA显示的结果一致，均可鉴别配方的苦味程度;经超声波、超高压、高压均质、酶解处理的大豆分离蛋白苦味相近，经超声波、超高压、高压均质处理酶解的大豆分离蛋白苦味程度较高，勉强可以接受;RBF神经网络预测模型的预测效果比PLS预测模型的预测效果好，预测结果与感官评价得分结果一致。参考文献：芦建超,惠延波,胡晓利,布冠好.基于电子舌的大豆分离蛋白苦味分析与评价技术研究[J].河南工业大学学报(自然科学版),2019,40(06):65-69+79.DOI:10.16433/j.cnki.issn1673-2383.2019.06.011.
