食用植物油是由脂肪酸和甘油化合而成的天然高分子化合物，可從植物種子、果肉及其他部分提取得到，廣泛分布于自然界中。
本實(shí)驗(yàn)使用了法國Alpha M.O.S公司生產(chǎn)的傳感器型味覺電子舌系統(tǒng)對(duì)16種不同品牌、不同種類、不同原產(chǎn)地的食用植物油進(jìn)行檢測(cè)，再挑選3種品質(zhì)較好的油脂進(jìn)行摻偽檢測(cè)。采用主成分分析法與判別因子分析法處理數(shù)據(jù)，以電子舌味覺指紋分析技術(shù)區(qū)分和識(shí)別各類食用植物油，為油脂快速檢測(cè)體系的建立提供有力依據(jù)。
材料與方法
實(shí)驗(yàn)材料
原料與試劑
6種不同品牌、不同種類、不同原產(chǎn)地的食用植物油，購于當(dāng)?shù)爻校诒Ｙ|(zhì)期內(nèi)；無水乙醇；HCl溶液。
樣品前處理
將標(biāo)記好的油脂樣品分別加入100 mL 20％的乙醇溶液，超聲振蕩1 h后，靜置隔夜，取下層溶液密封保存待用。
電子舌檢測(cè)
將處理完的樣品倒入電子舌專用燒杯中，將待測(cè)樣品編號(hào)，和清洗液(20％乙醇溶液)交替放在電子舌自動(dòng)進(jìn)樣器上。每一種樣品需重復(fù)檢測(cè)10次，取后3次穩(wěn)定的測(cè)量數(shù)據(jù)作為統(tǒng)計(jì)分析的原始數(shù)據(jù)。
結(jié)果與分析
傳感器的選擇
由圖1可以看出，電子舌不同傳感器對(duì)油脂樣品的感受程度不同，7根傳感器中有的傳感器對(duì)不同樣品檢測(cè)出相似的信息，而有的傳感器則有較強(qiáng)的判別能力，剔除判別能力較弱的傳感器可以避免樣品主成分分析后互相重疊的現(xiàn)象。由圖可見，CA、JE、HA這3根傳感器在檢測(cè)油脂樣品時(shí)得到的結(jié)果差異性較大。因此，在后續(xù)實(shí)驗(yàn)中，使用CA、JE、HA這3根傳感器對(duì)油脂數(shù)據(jù)進(jìn)行測(cè)定，也為電子舌數(shù)據(jù)的分析提供了科學(xué)的理論依據(jù)。
樣品的主成分分析和判別因子分析
本實(shí)驗(yàn)使用了優(yōu)化傳感器的方法對(duì)樣品進(jìn)行分析，剔除敏感度較低的傳感器，篩選出CA、JE、HA這3根傳感器進(jìn)行檢測(cè)，得到更加快速直觀的結(jié)果。從主成分分析圖(圖2)可以看出，前2個(gè)主成分的貢獻(xiàn)率分別達(dá)到了83．475％、14．62l％，累計(jì)主成分貢獻(xiàn)率達(dá)到98．096％，驗(yàn)證得分達(dá)99分，足以收集油脂的味覺特征性信息，6種食用油樣品均能明顯區(qū)分，沒有重疊區(qū)域，除樣3和樣4，各個(gè)樣品數(shù)據(jù)點(diǎn)分布較遠(yuǎn)，說明PCA法可以有效區(qū)分這6種油脂樣品；由判別因子分析圖如圖3可知，樣品的原始數(shù)據(jù)提取較好，判別因子的貢獻(xiàn)率分別為89．591％、10．344％，總貢獻(xiàn)率達(dá)到99．935％，差異明顯，區(qū)域無重疊且相距較遠(yuǎn)，能夠快速有效地將6種樣品區(qū)分開來。通過比較圖2、圖3可知，電子舌味覺指紋分析技術(shù)可以有效區(qū)分不同品種的食用植物油，并且DFA法要優(yōu)于PCA法。
不同品牌芝麻油的摻雜分析
不同品牌芝麻油樣品混合情況見表1。
由圖4可知，選擇3根傳感器分析芝麻油混合樣品時(shí)，樣ZH4與樣ZH0相距較遠(yuǎn)且分布在不同象限內(nèi)，樣ZHl和樣ZH2有小部分重疊。主成分l和主成分2的貢獻(xiàn)率分別為98．114％、1.15％，總貢獻(xiàn)率達(dá)到了99.264％，足以收集樣品的特征信息。由圖5可知，采用DFA法對(duì)上述2組樣品進(jìn)行分析時(shí)，2個(gè)判別因子的貢獻(xiàn)率分別為98.458％、1．45％，總貢獻(xiàn)率達(dá)到99.908％，樣品均能分開，且組間差距較大，樣ZH0與樣ZH4分布較遠(yuǎn)且樣品摻雜含量低至0.1％的樣ZHI也能明顯區(qū)分。綜合比較圖4、圖5可見PCA法和DFA法均能夠?qū)ξ队X相似的芝麻油樣品進(jìn)行較好的區(qū)分，而DFA法要優(yōu)于PCA法。
不同品牌橄欖油的摻雜分析
不同品牌橄欖油混合情況見表2。
不同品牌亞麻籽油的摻雜分析
不同品牌亞麻籽油樣品混合情況見表3。
采用PCA法對(duì)第3組樣品進(jìn)行分析，由圖8可得出，優(yōu)化傳感器后，2個(gè)主成分的貢獻(xiàn)率分別為82.306％、10.428％，總貢獻(xiàn)率達(dá)到92.734％，不同樣品組的數(shù)據(jù)點(diǎn)分布在4個(gè)象限，YH2與YH3有小部分重疊，其他樣品在主成分分析圖上可以較好區(qū)分，說明提取的信息能基本反映數(shù)據(jù)信息。由圖9可以看出，判別因子1和判別因子2的貢獻(xiàn)率為67.447％、30.364％，總貢獻(xiàn)率為97.811％，其中YH3與YH2有重疊，其他樣品可較好分開，分布在3個(gè)不同象限且組內(nèi)的數(shù)據(jù)點(diǎn)比較集中。綜合比較圖8、9，可得出2種方法均能對(duì)亞麻籽油混樣進(jìn)行區(qū)分，而DFA法要優(yōu)于PCA法。
結(jié)論
采用AlphaM.O.S公司的電子舌，對(duì)6種3組同類型、不同品牌、不同產(chǎn)地、不同生產(chǎn)工藝的油脂摻雜樣品進(jìn)行區(qū)分與識(shí)別，其檢測(cè)限可低至0.1％，識(shí)別指數(shù)為99分。相比于傳統(tǒng)的食用油摻假檢測(cè)，如油脂理化指標(biāo)檢測(cè)、氣相色譜法等，電子舌的檢測(cè)方法更靈敏，更準(zhǔn)確，并且可以區(qū)分成分相近的同種油脂，該檢測(cè)方法有助于食用油的地區(qū)保護(hù)、品牌保護(hù)。
從7根傳感器中優(yōu)化篩選了CA、JE、HA 3根判別能力較強(qiáng)的傳感器對(duì)樣品的味覺信息進(jìn)行采集和分析。數(shù)據(jù)處理采用了PCA法和DFA法，其中DFA法要優(yōu)于PCA法，且2種方法的指紋分辨指數(shù)多高于97％，在油脂樣品摻雜量很小的情況下依然可以區(qū)分。
來源：感官科學(xué)與評(píng)定 轉(zhuǎn)載請(qǐng)注明來源。
參考文獻(xiàn)：[1]劉雅婧,袁建,鞠興榮,邢常瑞,何榮,陳尚兵.電子舌快速檢測(cè)食用植物油摻偽[J].食品安全質(zhì)量檢測(cè)學(xué)報(bào),2018,9(10):2339-2344.
提醒：文章僅供參考，如有不當(dāng)，歡迎留言指正和交流。且讀者不應(yīng)該在缺乏具體的專業(yè)建議的情況下，擅自根據(jù)文章內(nèi)容采取行動(dòng)，因此導(dǎo)致的損失，運(yùn)營方不負(fù)責(zé)。如文章涉及侵權(quán)或不愿我平臺(tái)發(fā)布，請(qǐng)聯(lián)系處理。
本實(shí)驗(yàn)使用了法國Alpha M.O.S公司生產(chǎn)的傳感器型味覺電子舌系統(tǒng)對(duì)16種不同品牌、不同種類、不同原產(chǎn)地的食用植物油進(jìn)行檢測(cè)，再挑選3種品質(zhì)較好的油脂進(jìn)行摻偽檢測(cè)。采用主成分分析法與判別因子分析法處理數(shù)據(jù)，以電子舌味覺指紋分析技術(shù)區(qū)分和識(shí)別各類食用植物油，為油脂快速檢測(cè)體系的建立提供有力依據(jù)。
材料與方法
實(shí)驗(yàn)材料
原料與試劑
6種不同品牌、不同種類、不同原產(chǎn)地的食用植物油，購于當(dāng)?shù)爻校诒Ｙ|(zhì)期內(nèi)；無水乙醇；HCl溶液。
樣品前處理
將標(biāo)記好的油脂樣品分別加入100 mL 20％的乙醇溶液，超聲振蕩1 h后，靜置隔夜，取下層溶液密封保存待用。
電子舌檢測(cè)
將處理完的樣品倒入電子舌專用燒杯中，將待測(cè)樣品編號(hào)，和清洗液(20％乙醇溶液)交替放在電子舌自動(dòng)進(jìn)樣器上。每一種樣品需重復(fù)檢測(cè)10次，取后3次穩(wěn)定的測(cè)量數(shù)據(jù)作為統(tǒng)計(jì)分析的原始數(shù)據(jù)。
結(jié)果與分析
傳感器的選擇
由圖1可以看出，電子舌不同傳感器對(duì)油脂樣品的感受程度不同，7根傳感器中有的傳感器對(duì)不同樣品檢測(cè)出相似的信息，而有的傳感器則有較強(qiáng)的判別能力，剔除判別能力較弱的傳感器可以避免樣品主成分分析后互相重疊的現(xiàn)象。由圖可見，CA、JE、HA這3根傳感器在檢測(cè)油脂樣品時(shí)得到的結(jié)果差異性較大。因此，在后續(xù)實(shí)驗(yàn)中，使用CA、JE、HA這3根傳感器對(duì)油脂數(shù)據(jù)進(jìn)行測(cè)定，也為電子舌數(shù)據(jù)的分析提供了科學(xué)的理論依據(jù)。
本實(shí)驗(yàn)使用了優(yōu)化傳感器的方法對(duì)樣品進(jìn)行分析，剔除敏感度較低的傳感器，篩選出CA、JE、HA這3根傳感器進(jìn)行檢測(cè)，得到更加快速直觀的結(jié)果。從主成分分析圖(圖2)可以看出，前2個(gè)主成分的貢獻(xiàn)率分別達(dá)到了83．475％、14．62l％，累計(jì)主成分貢獻(xiàn)率達(dá)到98．096％，驗(yàn)證得分達(dá)99分，足以收集油脂的味覺特征性信息，6種食用油樣品均能明顯區(qū)分，沒有重疊區(qū)域，除樣3和樣4，各個(gè)樣品數(shù)據(jù)點(diǎn)分布較遠(yuǎn)，說明PCA法可以有效區(qū)分這6種油脂樣品；由判別因子分析圖如圖3可知，樣品的原始數(shù)據(jù)提取較好，判別因子的貢獻(xiàn)率分別為89．591％、10．344％，總貢獻(xiàn)率達(dá)到99．935％，差異明顯，區(qū)域無重疊且相距較遠(yuǎn)，能夠快速有效地將6種樣品區(qū)分開來。通過比較圖2、圖3可知，電子舌味覺指紋分析技術(shù)可以有效區(qū)分不同品種的食用植物油，并且DFA法要優(yōu)于PCA法。
不同品牌芝麻油樣品混合情況見表1。
表1 芝麻油樣品混合比例
由圖4可知，選擇3根傳感器分析芝麻油混合樣品時(shí)，樣ZH4與樣ZH0相距較遠(yuǎn)且分布在不同象限內(nèi)，樣ZHl和樣ZH2有小部分重疊。主成分l和主成分2的貢獻(xiàn)率分別為98．114％、1.15％，總貢獻(xiàn)率達(dá)到了99.264％，足以收集樣品的特征信息。由圖5可知，采用DFA法對(duì)上述2組樣品進(jìn)行分析時(shí)，2個(gè)判別因子的貢獻(xiàn)率分別為98.458％、1．45％，總貢獻(xiàn)率達(dá)到99.908％，樣品均能分開，且組間差距較大，樣ZH0與樣ZH4分布較遠(yuǎn)且樣品摻雜含量低至0.1％的樣ZHI也能明顯區(qū)分。綜合比較圖4、圖5可見PCA法和DFA法均能夠?qū)ξ队X相似的芝麻油樣品進(jìn)行較好的區(qū)分，而DFA法要優(yōu)于PCA法。
不同品牌橄欖油的摻雜分析
不同品牌橄欖油混合情況見表2。
表2 橄欖油混合樣品比例
由圖6可知，2個(gè)主成分的貢獻(xiàn)率分別為59．444％、31．689％，總貢獻(xiàn)率可達(dá)9l_3l％，其中GH0為純的4號(hào)樣，GH4為純的3號(hào)樣，二者數(shù)據(jù)點(diǎn)分布區(qū)分明顯，并且由樣GHI與二者數(shù)據(jù)分布較遠(yuǎn)可以得出，檢測(cè)限可低至0．1％，仍可區(qū)分。由圖7可知，DFA方法的2個(gè)主成分貢獻(xiàn)率為63．226％、35．152％，總貢獻(xiàn)率可達(dá)98．38％，且純的3號(hào)樣與純的4號(hào)樣區(qū)分明顯，各摻雜比例的數(shù)據(jù)點(diǎn)分布也無重復(fù)區(qū)域。比較圖6，圖7可以看出DFA方法明顯優(yōu)于PCA方法。且2種方法都可以明顯地區(qū)分這兩者的摻雜。
不同品牌亞麻籽油樣品混合情況見表3。
表3 亞麻籽油混合樣品比例
采用AlphaM.O.S公司的電子舌，對(duì)6種3組同類型、不同品牌、不同產(chǎn)地、不同生產(chǎn)工藝的油脂摻雜樣品進(jìn)行區(qū)分與識(shí)別，其檢測(cè)限可低至0.1％，識(shí)別指數(shù)為99分。相比于傳統(tǒng)的食用油摻假檢測(cè)，如油脂理化指標(biāo)檢測(cè)、氣相色譜法等，電子舌的檢測(cè)方法更靈敏，更準(zhǔn)確，并且可以區(qū)分成分相近的同種油脂，該檢測(cè)方法有助于食用油的地區(qū)保護(hù)、品牌保護(hù)。
從7根傳感器中優(yōu)化篩選了CA、JE、HA 3根判別能力較強(qiáng)的傳感器對(duì)樣品的味覺信息進(jìn)行采集和分析。數(shù)據(jù)處理采用了PCA法和DFA法，其中DFA法要優(yōu)于PCA法，且2種方法的指紋分辨指數(shù)多高于97％，在油脂樣品摻雜量很小的情況下依然可以區(qū)分。
來源：感官科學(xué)與評(píng)定 轉(zhuǎn)載請(qǐng)注明來源。
參考文獻(xiàn)：[1]劉雅婧,袁建,鞠興榮,邢常瑞,何榮,陳尚兵.電子舌快速檢測(cè)食用植物油摻偽[J].食品安全質(zhì)量檢測(cè)學(xué)報(bào),2018,9(10):2339-2344.
提醒：文章僅供參考，如有不當(dāng)，歡迎留言指正和交流。且讀者不應(yīng)該在缺乏具體的專業(yè)建議的情況下，擅自根據(jù)文章內(nèi)容采取行動(dòng)，因此導(dǎo)致的損失，運(yùn)營方不負(fù)責(zé)。如文章涉及侵權(quán)或不愿我平臺(tái)發(fā)布，請(qǐng)聯(lián)系處理。
