阅读说明：本技术 一种基于电子鼻技术定量检测可得然膜中丁香酚的方法 (Method for quantitatively detecting eugenol in natural membrane based on electronic nose technology ) 是由 潘磊庆 韩璐 屠康 张充 朱静怡 于 2020-12-30 设计创作，主要内容包括：本发明涉及一种基于电子鼻技术定量检测可得然膜中丁香酚的方法,包括样品制备、采集气味信息、气质联用测定挥发性成分、模式识别及构建定量预测模型,属于食品包装检测技术领域。本发明通过电子鼻技术结合气质联用技术获取了生物膜气味变化值以及挥发性物质的成分,通过构建的判别模型快速、无损、准确地判断出丁香酚的含量。本发明可以用于生物基包装生产过程中的监测,防止因丁香酚含量过高导致其迁移至包装食品中危害消费者的生命安全,节省了人力和时间。(The invention relates to a method for quantitatively detecting eugenol in a natural membrane based on an electronic nose technology, which comprises the steps of sample preparation, odor information acquisition, volatile component determination by gas chromatography-mass spectrometry, mode identification and quantitative prediction model construction, and belongs to the technical field of food packaging detection. The invention obtains the odor change value of the biological membrane and the components of volatile substances by combining the electronic nose technology with the gas chromatography-mass spectrometry technology, and quickly, nondestructively and accurately judges the content of the eugenol by the established discrimination model. The method can be used for monitoring in the production process of bio-based packaging, prevents the eugenol from migrating to the packaged food to harm the life safety of consumers due to overhigh content of the eugenol, and saves labor and time.)

一种基于电子鼻技术定量检测可得然膜中丁香酚的方法

技术领域

本发明涉及一种丁香酚的检测方法，尤其涉及一种基于电子鼻技术定量检测可得然膜中丁香酚的方法。

背景技术

可得然多糖是细菌产生的一种水不溶性细胞外多糖，具有热凝胶化和无毒特性，被广泛用于食品工业及相关领域中。此外，可得然多糖优秀的成膜性和生物学特性也逐渐吸引了人们的关注，目前可得然已被用做生物基薄膜的原料。考虑到安全性，近年来生物基食品包装中的添加剂趋向于选择天然化合物替代合成试剂。

丁香酚是一种天然油状液体，由于其资源丰富，价格低廉，已广泛用于药品、化妆品和食品中，此外，丁香酚还具有广谱抗菌性和高抗氧化活性，将这种天然化合物掺入生物活性薄膜中有助于保护防止某些恶化反应，因此它在用于食品保鲜的主动包装中引起了极大的兴趣。目前发表的文章主要是介绍对添加丁香酚的生物薄膜的配方、性能以及释放规律等，对其在生物基膜中的安全性检测研究还较少。尽管被美国食品药品监督管理局（FDA）视为公认的安全（GRAS）物质，但丁香酚的化学品安全技术说明书(MSDS)中显示其对小鼠有致癌和致突变作用，另外有文献研究表明丁香酚它具有肝毒性，可导致吸入性肺炎和昏迷，肾衰竭和弥散性血管内凝血等。GB9685-2016规定丁香酚作为包装材料添加助剂其迁移限量要求不得检出，但还没有标准规定其添加限量和检测方法。

目前已经开发了多种用于检测丁香酚的分析方法，包括高效液相色谱（HPLC）、气相色谱-质谱（GC-MS）以及电化学法。尽管色谱法广泛用于复杂样品及多种成分的同时分析，但其所涉及的仪器运行和维护成本通常很高，并且样品通常需要较复杂的前处理，检测时间较长，不适用于快速检测。而电化学方法具有操作简便，响应速度快，灵敏度高的优点,然而其传感器的制作过程复杂，具有选择性，并且使用寿命较短。以上的分析方法都会在一定程度上对样品造成损害，不适用于对大量样本的质量检测，因此开发一种测定丁香酚的无损分析方法具有很重要的意义。

近年来无损检测技术作为一种新兴技术日益受到重视，其中电子鼻无损检测技术在环境监测、产品质量检测、医学诊断、爆炸物检测等多个领域上已经具有广泛的研究与应用。电子鼻是模拟哺乳动物嗅觉系统设计，气体传感阵列和响应图案实时的检测特定位置的气味状况，由于具有样品处理简单、响应时间短、识别效果好、实时无损的优点而受到关注。丁香酚具有强烈的丁香香气和微辣的香气，其挥发性香气的浓度与丁香酚含量成正相关。

发明内容

本发明的目的在于利用电子鼻技术根据丁香酚挥发性，无需预处理即可捕获其气味信息，实现含量的快速无损检测。本发明为了实现上述目的，提供了一种基于电子鼻技术定量检测可得然膜中丁香酚的方法，该方法利用气体传感器获得添加不同丁香酚浓度的可得然膜的气味信息，快速、无损地判断出丁香酚的浓度，防止因丁香酚含量过高导致其迁移至包装食品中危害消费者的生命安全。

本发明所采取的具体方案为：一种基于电子鼻技术定量检测可得然膜中丁香酚的方法，包括以下步骤

S01 制备不同丁香酚含量的可得然膜；

S02 选择用于检测所述可得然膜的电子鼻，所述电子鼻中包括多个金属氧化物型气体传感器，若干所述金属氧化物型气体传感器分别用于识别芳香成分、识别氮氧化物、识别氨类和芳香型化合物、识别氢气、识别烷烃和芳香型化合物、识别烃类物质、识别硫化氢、识别醇类和部分芳香型化合物、识别芳香化合物和有机硫化物、识别烷烃；

S03 利用所述电子鼻检测步骤S01制得的各可得然膜，得到各金属氧化物型气体传感器的响应值；

S04 利用主成分分析法（PCA）和线性判别法（LDA）初步判断电子鼻中传感器对于不同丁香酚浓度的可得然膜的灵敏度，若灵敏度符合要求，则进行下一步；

S05 根据各气体传感器的响应值对区分不同丁香酚浓度可得然膜的贡献筛选特征传感器，具体为：根据各金属氧化物型气体传感器的响应值采用载荷分析（LA）和连续投影算法（SPA）对电子鼻的传感器阵列进行优化，综合考虑筛选出特征传感器；

S06根据筛选出的特征传感器建立特征传感器预测模型，根据预测模型定量分析待测可得然膜中丁香酚浓度。

进一步的，步骤S01中可得然膜的制备原料包括甘油、吐温、可得然多糖、丁香酚，制得的可得然膜包括有8类不同丁香酚含量的可得然膜，8种可得然膜的丁香酚参量以可得然基计分别为0mg/g，5 mg/g，10mg/g，20mg/kg，30mg/g，40mg/g，50mg/g和 60mg/g 。

进一步的，步骤S03中响应值的获取方法为：将不同丁香酚浓度的单个可得然膜样品置于烧杯中，杯口覆上锡箔纸密闭，可得然膜的气味充分散发出来并达到平衡之后开始检测；

每个丁香酚浓度的可得然膜取10个样本；

提取各个传感器第60 s响应值作为所需响应值；

所述响应值为气体传感器接触到可得然膜挥发物后的电阻量G与传感器接触洁净空气后的电阻量G₀之比（G/G₀）。

进一步的，在步骤S03和步骤S04之间采用气质联用测定步骤S01中不同丁香酚含量的可得然膜的挥发性成分含量，验证电子鼻检测准确性。

进一步的，预测模型的建立采用自动缩放算法进行预处理，建立了基于偏最小二乘法（PLS）和支持向量机（SVM）算法的生物膜中丁香酚浓度的预测模型。

进一步的，建立所有传感器的预测模型，并与特征传感器的预测模型对比，验证特征传感器预测模型是否适用。

本发明所产生的有益效果包括：（1）本发明利用电子鼻技术获取不同丁香酚浓度可得然膜气味的变化，可以更直观获得可得然膜的气味信息。

（2）本发明利用气质联用技术测定不同丁香酚浓度可得然膜挥发性物质的成分，共检测出27种化合物，4大类的挥发性物质，信息有效且全面，验证了含不同浓度丁香酚的可得然膜对电子鼻响应比较敏感的传感器。

（3）本发明利用PCA和LDA对不同丁香酚浓度的可得然膜建立定性判别模型，可以区分不同丁香酚浓度的可得然膜，为其他物质在基于电子鼻技术的气味测定提供基础。

（4）本发明利用LA和SPA对电子鼻的传感器进行优化，筛选出特征的传感器。

（5）本发明利用电子鼻技术测定不同丁香酚浓度可得然膜的气味变化，并且利用PLS和SVM分别基于全部传感器和特征传感器对其建模，最终实现对可得然膜中丁香酚的含量预测。其中，所有模型均具有良好的预测性能（R² _p> 0.89，RPD> 3），而最佳预测模型是基于所有传感器的PLS预测模型，R² _p为0.952，RMSEP为4.612 mg / g，该方法为其他物质在基于电子鼻技术的定量预测模型的建立提供了基础。其中基于特征传感器建立的PLS模型建模效果也较好（R² _p=0.948），为开发检测丁香酚的专用电子鼻设备提供了依据，大大减少传感器数量和生产成本。

附图说明

图1为本发明的检测可得然膜中丁香酚含量的流程图。

图2为本发明的可得然膜气质分析的主要挥发性物质相对含量变化图。

图3为本发明的可得然膜电子鼻的信号响应雷达图。

图4为本发明的可得然膜的传感器响应值的主成分分析图。

图5为本发明的可得然膜的传感器响应值的线性判别分析图。

图6为本发明的可得然膜的传感器响应值的载荷分析图。

图7为本发明的可得然膜的传感器SPA变量筛选的RMSEP图。

图8为本发明的基于PEN3电子鼻的可得然膜中丁香酚含量的最优预测模型曲线。

表1为本发明的不同丁香酚浓度可得然膜的主要挥发性物质的相对含量。

表2为基于PEN3电子鼻的可得然膜中丁香酚含量的预测模型。

具体实施方式

下面结合附图和具体实施例对本发明做进一步详细的解释说明，但应当理解为本发明的保护范围并不受具体实施例的限制。

一种基于电子鼻技术测定可得然膜中丁香酚含量的方法，具体实施方式如下：

1.试验材料

使用流延法制备薄膜。称取4g可得然多糖，加入100ml水、1.2g甘油、0.8g吐温80和一系列不同浓度的丁香酚（以可得然基计）以获得不同可得然膜(5 mg/g (E-5)，10mg/g (E-10)，20mg/kg (E-20)，30mg/g (E-30)，40mg/g (E-40)，50mg/g (E-50) 和 60mg/g (E-60)。将膜液在室温下磁力搅拌30min，乳酸调节PH至4，取出转子后均质2min，将膜液倒入聚四氟乙烯板，在恒温恒湿箱中（25℃，50%RH）放置24h左右取下膜待用。

2.试验仪器

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)。

气相色谱-质谱（GC-MS）联用仪（7890A/5975C，美国Agilent科技有限公司）

3.采集电子鼻信息

将不同丁香酚浓度的单个可得然膜样品置于150 ml烧杯中，杯口覆上锡箔纸置于40℃顶空密闭10 min，确保可得然膜的气味充分散发出来并达到平衡之后开始检测。每个丁香酚浓度取10个可得然膜样本。样品间隔洗气时间为60 s，调零时间5 s，样品准备时间5s，样品检测时间为60 s，流速300 mL/min。气体传感器的响应值S是根据传感器接触到样品挥发物后的电阻量G与传感器接触洁净空气后的电阻量G₀之比（G/G₀），提取各个传感器第60s响应值作为特征值。

4.气质联用测定挥发性成分

采用HS-SPME-GC-MS法检测可得然膜样品中的挥发性成分，将0.5 g的可得然膜样品置于玻璃瓶中，在90 ℃下水浴加热10 min，在45 ℃下顶空吸附30 min，萃取头于250 ℃进样口解析5 min。色谱柱为HP-5（30m*0.25μm*0.25μm），升温程序：40 ℃保持1 min，以6 ℃/min升至150 ℃，再以7 ℃/min升至240 ℃，保持3 min。不分流进样，载气为He，流速为1mL/min。质谱条件：离子源温度为230 ℃，四级杆温度150 ℃。电子能量70 eV，质量扫描范围为全扫描。未知化合物质谱图与NIST质谱库（2008）进行匹配，挑选匹配度大于80%的组分，采用峰面积归一法计算出各个化学成分的相对含量（各化合物出峰面积占样品总峰面积的百分数），得出不同丁香酚含量可得然膜中各个挥发性物质成分的变化趋势，为电子鼻的传感器响应分析提供参考。

5.气质联用测定的挥发性成分分析

如表1所示，通过GC-MS分析鉴定出27种化合物，主要包括烷烃9种，烯烃8种，醛类5种和芳族化合物5种。随着可得然膜中丁香酚浓度的增加，可得然膜中挥发性成分的种类没有明显变化。以丁香酚为主要成分的芳香族化合物在低浓度薄膜中具有明显的增长趋势，但由于从E-20开始，可得然中丁香酚的相对浓度已达到较高水平，因此在较高浓度的薄膜中丁香酚的相对浓度趋于稳定。而丁香酚相对含量的增加导致烷烃，烯烃和醛的相对浓度降低。图2显示了不同浓度丁香酚可得然膜中烷烃、烯烃、醛、芳香族化合物和丁香酚的变化趋势。

6.气体传感器对不同丁香酚含量的可得然膜气味的响应分析

如图3所示为不同丁香酚含量可得然膜的气体传感器检测响应雷达图，其值越偏离1代表传感器检测到的气体浓度越大。雷达图直观地显示了不同丁香酚浓度的可得然膜样品的电子鼻响应值的差异。随着丁香酚浓度的增加，不同丁香酚浓度的可得然膜的分化程度增加。不同样本间W5S，W1W和W2W的响应值变化较明显，W6S，W1S，W2S和W3S的变化不明显，而W1C，W3C和W5C几乎没有响应。其中，随着丁香酚含量的增加，W2W呈上升趋势，而W1S和W3S下降，这与GC-MS的结果一致。

7.气体传感器检测信号的定性分析

模式识别可以显示直接且易于理解的定性和半定量分析结果。PCA是一种投影方法，用于减少数据的维数，计算一些变量，这些变量最能描述样本之间的差异，并根据贡献率进行排列（称为主成分（PC））。为了研究电子鼻能否区分不同丁香酚浓度的可得然膜，使用PCA处理10个传感器的数据以降低数据的复杂性。如图4所示，PC1的贡献率为67.1%，PC2的贡献率为26%。结果表明，丁香酚浓度存在较大差异的可得然膜可被有效区分，但相邻样品之间存在重叠，尤其是E-60无法与其他可得然膜分离。由于PCA一次只适合少数样本，当待测生物膜样本数量增加时，不同丁香酚浓度的生物膜样本会变得拥挤，特别是在PCA图中相邻的样本中，会变得拥挤不易区分。不同浓度的样品膜的分布趋势用红色箭头表示。

为了进一步研究电子鼻数据，使用LDA建立了定性判别模型，以快速区分具有不同丁香酚浓度的可得然膜。LDA是一种统计方法，它可以通过最大化类别之间的方差和最小化类别内的方差来确定样本属于哪个组以获得最佳的判别结果。如图5所示，可得然膜的LDA总贡献率为92.81%，略低于PCA分析（93.1%）。然而，在LDA分析中，可得然膜样品之间的分散度大于PCA分析，这可以达到有效区分不同丁香酚浓度的可得然膜的效果。随着可得然膜中丁香酚浓度的增加，样品沿LD1侧从大到小分布，如红色箭头所示。以上结果为进一步区分提供参考。

8.特征传感器的筛选

雷达图显示，某些传感器对响应判别的贡献很小。因此，传感器阵列的优化不仅可以有效地消除无用和异常的传感器，减少数据量，提高操作的准确性和速度，还可以降低系统的生产成本。使用LA和SPA优化传感器阵列以确定测定可得然膜中丁香酚的特征传感器。

图6显示出了具有不同丁香酚浓度的可得然膜样品的传感器响应值的载荷分析图，以评估传感器阵列的贡献值以区分具有不同丁香酚浓度的可得然膜的气味变化。根据该图，除了W1C，W3C和W5C传感器以外，其他传感器在第一主成分上的得分均较高（大于0.5）。 W5S，W1S和W2S传感器对第一主成分的贡献大于第二主成分（均高于0.9），而W6S，W1W和W2W传感器对第二主成分的贡献较大。尽管第一主成分的贡献率大于第二主成分，但第二主成分的贡献率却不低，因此应综合考虑第一主成分和第二主成分的贡献。根据不同丁香酚浓度的可得然膜的传感器响应值的载荷图，W1C，W3C和W5C传感器对第一主成分和第二主成分的贡献很小，因此可以认为W1C，W3C和W5C在鉴定不同丁香酚浓度的可得然膜的气味变化时的作用很小，可以忽略不计。对于其余的传感器，W6S，W1W，W2W和W5S，W1S，W2S的负载系数得分相对接近，表明传感器之间存在很强的相关性，并且它们的识别效果相似。数据可能会重叠，因此需要进一步的优化和筛选。

SPA的主要目的是选择共线性最小和最具代表性的变量组合。 SPA方法可以解决上述传感器阵列中存在的共线性问题，并消除冗余传感器。图7显示了变量预测集的均方根误差。当变量数为4时，RMSEP的值相对较小，并且模型性能被认为是最好的，因此选择了变量数为4时设置的变量，并且相应的传感器为W5S，W1W，W2W和W3S。综合传感器的载荷分析考虑，将W5S，W1W，W2W和W3S传感器确定为最终优化阵列（特征传感器）。该结果再次验证了电子鼻信号和可得然膜GC-MS分析的一致性。

9. 可得然膜中丁香酚含量判别模型的效果

以80个样品（建模集：预测集=7:3）为样本，采用自动缩放算法进行预处理，建立了基于PLS和SVM算法的生物膜中丁香酚浓度的预测模型。

其中PLS模型的潜在变量（LVs）为10。本研究采用的SVM模型主要是使用根基函数作为核函数，其参数为损失函数ε（0.01），惩罚系数C（100）和核函数系数γ（0.0316）。模型预测结果如表2所示，可以看出，所有模型均具有良好的预测性能（R² _p> 0.89，RPD> 3）。从建模方法的角度来看，PLS模型在基于所有传感器和特征传感器的丁香酚浓度预测方面都优于SVM。SVM预测模型中基于特征传感器建模的预测效果略好于所有传感器，但是PLS模型中的预测效果却相反，这表明SPA算法在减少冗余信息的同时会消除少量有效信息，因此影响模型的准确性。电子鼻传感器的数量远远少于光谱波长的数量，所有即使基于所有传感器的预测模型的速度也非常快。因此，基于所有传感器建立可得然膜中丁香酚浓度的预测模型更有利于保留原始信息，提高预测精度。综上所述，丁香酚浓度的最佳预测模型是基于所有传感器的PLS预测模型，预测集相关系数R² _p为0.952，预测均方根误差RMSEP为4.612 mg/g（图8）。本实验建立的可得然膜中丁香酚浓度的最佳预测模型的R² _p接近或甚至高于先前的研究结果，证明了基于电子鼻的可得然膜中丁香酚定量定量预测模型是有效的。同时也为开发丁香酚检测专用电子鼻提供了特征传感器（W5S，W1W，W2W和W3S）以减少传感器数量和生产成本。

表1

表1续

表2

上述仅为本发明的优选实施例，本发明并不仅限于实施例的内容。对于本领域中的技术人员来说，在本发明的技术方案范围内可以有各种变化和更改，所作的任何变化和更改，均在本发明保护范围之内。