豬肉是我國消費量最大的肉類，長期占據(jù)城鄉(xiāng)居民肉類消費量的 ６０％以上。在嚴格的凍藏條件下冷凍肉可儲藏較長的時間，但是儲藏時間過長或儲藏和運輸過程中環(huán)境溫度變化過大都會引起冷凍肉品質(zhì)的劣變從而帶來潛在的食品安全風險。
因此本研究旨在利用電子鼻系統(tǒng)采集不同凍藏前狀況和不同冷凍儲藏期豬肉的氣味信號數(shù)據(jù)，應(yīng)用主成分分析（ＰＣＡ）、重復(fù)測量的方差分析對其數(shù)據(jù)特點進行分析，再分別利用線性判別分析（ＬＤＡ）和基于多層感知器的人工神經(jīng)網(wǎng)絡(luò)（ＡＮＮ）等模式識別算法建立預(yù)測模型，從而建立針對豬肉冷凍儲藏期和凍藏前是否經(jīng)過長時間冷藏的電子鼻快速無損檢測方法。該方法對于加強冷凍肉品監(jiān)督管理，保證廣大消費者的食品安全提供了一種可行的檢測手段。
電子鼻檢測
樣品凍結(jié)后，分別在第0、25、80、134、161、200、250天對樣品進行電子鼻檢測。樣品每次檢測完成后，迅速用保鮮膜重新密封燒杯放回 -20 ℃繼續(xù)冷凍儲藏，檢測過程中保持低溫使樣品不發(fā)生解凍。
數(shù)據(jù)處理
分別選用主成分分析（ＰＣＡ）、重復(fù)數(shù)據(jù)的方差分析和獨立樣本的非參數(shù)檢驗來觀察電子鼻區(qū)分不同冷凍儲藏時間和凍藏前是否經(jīng)過長時間冷藏的能力，同時通過線性判別分析（ＬＤＡ）和人工神經(jīng)網(wǎng)絡(luò)（ＡＮＮ）算法來建立豬肉冷凍儲藏時間和凍藏前是否經(jīng)過長時間冷藏的預(yù)測模型，并對預(yù)測模型的性能進行驗證。
結(jié)果與討論
電子鼻檢測數(shù)據(jù)的主成分分析與重復(fù)測量的方差分析
在多元數(shù)據(jù)的統(tǒng)計分析中，ＰＣＡ是一種常用的降維分析方法，不僅可以解決多個實驗指標的共線性問題，還可以通過產(chǎn)生“主成分”來降低指標維度并利用主成分得分進行 2D 或 3D 作圖來反映樣本間的分布情況。本研究通過對電子鼻檢測數(shù)據(jù)的 ＰＣＡ 分析共提取２個主成分 （特征值 ＞１），總貢獻率為 85.04％，其中第一主成分貢獻率為 59.37％，主要代表芳香類化合物的變化；第二主成 分貢獻率為 25.67％，主要代表氫氣、烷烴等小分子的變化。利用主成分得分數(shù)據(jù)繪制散點圖見圖 １。
從圖 １中可知，經(jīng)過 ＰＣＡ 分析后，除了儲藏 0、25、80ｄ的數(shù)據(jù)重合外，第 134、161、200、250天數(shù)據(jù)都能較好區(qū)分。而儲藏 0～80ｄ的數(shù)據(jù)相對集中，這可能是由于在這一時間段內(nèi)凍藏豬肉的品質(zhì)劣變不顯著，其風味成分的差異也較小。但是隨著凍藏時間的不斷延長其品質(zhì)劣變不斷加劇，其風味成分的差異也不斷加劇。這一結(jié)果從揮發(fā)性風味成分的角度也證明了凍藏豬肉品質(zhì)發(fā)生劣變的時間拐點是在 4 個月左右，而在已有的凍藏豬肉品質(zhì)變化的研究中也得出了相似的結(jié)果。
但是通過第一、第二主成分的 ２Ｄ散點圖并不能明顯區(qū)分相同凍藏時間的 Ａ，Ｂ兩組樣品。由于在現(xiàn)實中存在將過期冷鮮肉回收轉(zhuǎn)為凍藏肉的情況，為進一步了解 Ａ，Ｂ兩組樣品的多指標結(jié)果是否具有顯著的差異，利用 Ａ，Ｂ兩組樣品電子鼻檢測數(shù)據(jù)的第一、第二主成分得分計算所得綜合主成分得分作為因變量，進行重復(fù)測量的方差分析，結(jié)果見表 １，表 ２。從表 １可知，由于不滿足 Ｍａｕｃｈｌｙ的球形度檢驗（Ｐ＜0.05），故采用 Ｇｒｅｅｎｈｏｕｓｅ-Ｇｅｉｓｓｅｒ、Ｈｕｙｎｈ-Ｆｅｌｄｔ、下 限等 ３種方法矯正的組內(nèi)效應(yīng)檢驗均表明凍藏時間對 檢測結(jié)果影響顯著，而Ａ，Ｂ分組的因素對檢測結(jié)果隨凍藏時間的變化影響不顯著（即凍藏時間與 Ａ，經(jīng)正態(tài)分布檢驗發(fā)現(xiàn)，在第 80，134，250天的數(shù)據(jù)并不服從正態(tài)分布（ｐ＜0.05）。為了解在不同凍藏時間點 Ａ，Ｂ兩組間檢測結(jié)果的差異是否顯著，采用兩獨立樣本的非參檢驗對數(shù)據(jù)進行分析，結(jié)果見圖 ２。
同時從表 ２可知，Ａ，Ｂ分組的因素對檢測結(jié)果具有極顯著的影響，這表明在４℃經(jīng)過長時間冷藏的冷鮮肉再轉(zhuǎn)為凍藏肉與新鮮凍藏豬肉的電子鼻檢測結(jié)果是有顯著差異的。
從圖 ２可見，在第 0，80，134，161，250天時 Ａ，Ｂ兩組間檢測結(jié)果差異顯著，而第 25 和 200 天時 Ａ，Ｂ兩組間檢測結(jié)果差異不顯著（ｐ＞0.05）。這表明經(jīng)過 ７ｄ冷藏后再凍藏的豬肉與新鮮凍藏的豬肉相比可能已經(jīng)發(fā)生了變化，但在凍藏過程中發(fā)生劣變可能又掩蓋了其本身的差異，但隨著凍藏時間的增加其氣味成分的差異又逐漸加大。盡管 200ｄ 時的差異也不顯著，則是可能是由于組內(nèi)變異過大掩蓋了組間差異造成的，其平均值之間的差異仍在增大。
通過這一系列分析發(fā)現(xiàn)，不同凍藏前狀態(tài)和不同凍藏時間的豬肉樣品的電子鼻檢測數(shù)據(jù)，在整體上均有顯著的差異，這為利用這些數(shù)據(jù)建立針對豬肉凍藏前狀態(tài)和凍藏時間的預(yù)測模型提供的基礎(chǔ)條件。
電子鼻檢測數(shù)據(jù)的線性判別分析
為建立相應(yīng)的預(yù)測模型，采用 ＬＤＡ方法對數(shù)據(jù)進一步分析。ＬＤＡ一種常用的分類方法，立足與找到反映兩類物體或事件特征的一個線性組合，以特征化或區(qū)分不同的樣本集。對冷凍儲藏 0、25、80、134、161、200、250ｄ共 420 個豬肉樣品數(shù)據(jù)按照分組方式和凍藏時間分為 14 個類別進行 ＬＤＡ分析，結(jié)果如圖 ３所 示。用 于 作 圖 的 判 別 函 數(shù) 其 總 貢 獻 率 為 78.7％，其中第一判別函數(shù)貢獻率為 53.3％，第二判別函數(shù)貢獻率為 25.4％。由圖 ３可知，經(jīng)過 ＬＤＡ分析后，除了凍藏第 0 和 25 ｄ的數(shù)據(jù)重合度較高外，其余第 80～250ｄ的數(shù)據(jù)都能較好區(qū)分，說明在凍藏 １個月內(nèi)豬肉樣品的劣變幾乎沒有發(fā)生，但隨著凍藏時間的增加凍藏豬肉的變化越來越顯著。同時在第134，161，200和 250ｄ處 Ａ、Ｂ組樣品的組質(zhì)心分離明顯，與主成分得分的非參檢驗結(jié)果類似。
為評估 ＬＤＡ對豬肉凍藏時間和凍藏前是否經(jīng)過長時間冷藏的鑒別能力，采用“留一法”對樣品進行交叉驗證，結(jié)果見表 ３。結(jié)果表明對這 14 類樣品的交叉驗證的正確率為 78.1％，值得注意的是即使發(fā)生錯判的樣品也主要是在相同凍藏時間點的 Ａ、Ｂ兩組之間，如僅以凍藏時間分組其交叉驗證的正確率高達 95.6％。這表明利用 ＬＤＡ對豬肉凍藏時間和凍藏前是否經(jīng)過長時間冷藏均具有較好的鑒定能力。
電子鼻檢測數(shù)據(jù)的人工神經(jīng)網(wǎng)絡(luò)分析
為建立更好的豬肉凍藏時間及凍藏前冷藏時間的預(yù)測模型，采用基于多層感知器的人工神經(jīng)網(wǎng)絡(luò)算法對數(shù)據(jù)進行進一步分析。ＡＮＮ是一種模仿生物神經(jīng)網(wǎng)絡(luò)（動物的中樞神經(jīng)系統(tǒng)，特別是大腦）的結(jié)構(gòu)和功能的數(shù)學(xué)模型或計算模型，目前已被廣范的應(yīng)用于多元數(shù)據(jù)的估計或預(yù)測。在 處 理 中 將 420 個樣品利用隨機函數(shù)分 為 ３組，其中訓(xùn)練樣品 219 個，測試樣品 132 個，支持樣品 69 個。最終生成包含 10個協(xié)變量（即電子鼻 10 個傳感器的數(shù)據(jù)）的輸入層，1 個含有 11 個單元的隱藏層和包含凍藏時間和 Ａ，Ｂ組分類的輸出層。該模型對支持組數(shù)據(jù)的凍藏時間預(yù)測的相對錯誤僅為 0.008 ，對凍藏前是否經(jīng)過長時間冷藏的分組錯誤率僅 7.2％（即預(yù)測正確率為 92.8％，由于支持組數(shù)據(jù)不參與建模，其給出的誤差可比較真實的反映模型的預(yù)測能力。）模型對冷凍儲藏時間和凍藏前是 否經(jīng)過長時間冷藏的預(yù)測結(jié)果見圖 ４。從圖 ４中可知，該模型對豬肉凍藏時間和 凍藏前是否經(jīng)過長時間冷藏均有較好的預(yù)測能力。由于 ＡＮＮ生成的預(yù)測模型對凍藏時間生產(chǎn)的是一個回歸模型具有更大的預(yù)測范圍，而對凍藏前是否經(jīng)過長時間冷藏的分組也有更高的準確率，因該 ＡＮＮ模型與 ＬＤＡ模型相比具有更好的預(yù)測性能。
結(jié)論
（１）通過電子鼻無損頂空檢測及 ＰＣＡ和重復(fù)測量的方差分析對電子鼻檢測數(shù)據(jù)進行分析發(fā)現(xiàn)，不同凍藏前狀態(tài)和不同凍藏時間的樣品均表現(xiàn)出不同的多元數(shù)據(jù)分布特點。這為通過電子鼻檢測數(shù)據(jù)的模式識別算法建立豬肉凍藏時間和凍藏前是否經(jīng)過長時間冷藏的預(yù)測模型提供了基礎(chǔ)條件。
（２）線性判別分析和基于多層感知器的神經(jīng)網(wǎng)絡(luò)算法均能建立豬肉凍藏時間和凍藏前是否經(jīng)過長時間冷藏的預(yù)測模型。不過采用基于多層感知器的神經(jīng)網(wǎng)絡(luò)算法所建立的預(yù)測模型對凍藏時間預(yù)測的線性更大，回歸函數(shù)的相關(guān)性更好，對凍藏前是否經(jīng)過長時間冷藏也有更高的分組預(yù)測的準確率。
（３）本研究所建立的無損頂空檢測電子鼻檢測方法，使整個檢測過程無需解凍樣品和進行復(fù)雜的前處理，快速高效可實現(xiàn)現(xiàn)場檢測。
因此本研究旨在利用電子鼻系統(tǒng)采集不同凍藏前狀況和不同冷凍儲藏期豬肉的氣味信號數(shù)據(jù)，應(yīng)用主成分分析（ＰＣＡ）、重復(fù)測量的方差分析對其數(shù)據(jù)特點進行分析，再分別利用線性判別分析（ＬＤＡ）和基于多層感知器的人工神經(jīng)網(wǎng)絡(luò)（ＡＮＮ）等模式識別算法建立預(yù)測模型，從而建立針對豬肉冷凍儲藏期和凍藏前是否經(jīng)過長時間冷藏的電子鼻快速無損檢測方法。該方法對于加強冷凍肉品監(jiān)督管理，保證廣大消費者的食品安全提供了一種可行的檢測手段。
電子鼻檢測
樣品凍結(jié)后，分別在第0、25、80、134、161、200、250天對樣品進行電子鼻檢測。樣品每次檢測完成后，迅速用保鮮膜重新密封燒杯放回 -20 ℃繼續(xù)冷凍儲藏，檢測過程中保持低溫使樣品不發(fā)生解凍。
數(shù)據(jù)處理
分別選用主成分分析（ＰＣＡ）、重復(fù)數(shù)據(jù)的方差分析和獨立樣本的非參數(shù)檢驗來觀察電子鼻區(qū)分不同冷凍儲藏時間和凍藏前是否經(jīng)過長時間冷藏的能力，同時通過線性判別分析（ＬＤＡ）和人工神經(jīng)網(wǎng)絡(luò)（ＡＮＮ）算法來建立豬肉冷凍儲藏時間和凍藏前是否經(jīng)過長時間冷藏的預(yù)測模型，并對預(yù)測模型的性能進行驗證。
結(jié)果與討論
電子鼻檢測數(shù)據(jù)的主成分分析與重復(fù)測量的方差分析
在多元數(shù)據(jù)的統(tǒng)計分析中，ＰＣＡ是一種常用的降維分析方法，不僅可以解決多個實驗指標的共線性問題，還可以通過產(chǎn)生“主成分”來降低指標維度并利用主成分得分進行 2D 或 3D 作圖來反映樣本間的分布情況。本研究通過對電子鼻檢測數(shù)據(jù)的 ＰＣＡ 分析共提取２個主成分 （特征值 ＞１），總貢獻率為 85.04％，其中第一主成分貢獻率為 59.37％，主要代表芳香類化合物的變化；第二主成 分貢獻率為 25.67％，主要代表氫氣、烷烴等小分子的變化。利用主成分得分數(shù)據(jù)繪制散點圖見圖 １。
但是通過第一、第二主成分的 ２Ｄ散點圖并不能明顯區(qū)分相同凍藏時間的 Ａ，Ｂ兩組樣品。由于在現(xiàn)實中存在將過期冷鮮肉回收轉(zhuǎn)為凍藏肉的情況，為進一步了解 Ａ，Ｂ兩組樣品的多指標結(jié)果是否具有顯著的差異，利用 Ａ，Ｂ兩組樣品電子鼻檢測數(shù)據(jù)的第一、第二主成分得分計算所得綜合主成分得分作為因變量，進行重復(fù)測量的方差分析，結(jié)果見表 １，表 ２。從表 １可知，由于不滿足 Ｍａｕｃｈｌｙ的球形度檢驗（Ｐ＜0.05），故采用 Ｇｒｅｅｎｈｏｕｓｅ-Ｇｅｉｓｓｅｒ、Ｈｕｙｎｈ-Ｆｅｌｄｔ、下 限等 ３種方法矯正的組內(nèi)效應(yīng)檢驗均表明凍藏時間對 檢測結(jié)果影響顯著，而Ａ，Ｂ分組的因素對檢測結(jié)果隨凍藏時間的變化影響不顯著（即凍藏時間與 Ａ，經(jīng)正態(tài)分布檢驗發(fā)現(xiàn)，在第 80，134，250天的數(shù)據(jù)并不服從正態(tài)分布（ｐ＜0.05）。為了解在不同凍藏時間點 Ａ，Ｂ兩組間檢測結(jié)果的差異是否顯著，采用兩獨立樣本的非參檢驗對數(shù)據(jù)進行分析，結(jié)果見圖 ２。
從圖 ２可見，在第 0，80，134，161，250天時 Ａ，Ｂ兩組間檢測結(jié)果差異顯著，而第 25 和 200 天時 Ａ，Ｂ兩組間檢測結(jié)果差異不顯著（ｐ＞0.05）。這表明經(jīng)過 ７ｄ冷藏后再凍藏的豬肉與新鮮凍藏的豬肉相比可能已經(jīng)發(fā)生了變化，但在凍藏過程中發(fā)生劣變可能又掩蓋了其本身的差異，但隨著凍藏時間的增加其氣味成分的差異又逐漸加大。盡管 200ｄ 時的差異也不顯著，則是可能是由于組內(nèi)變異過大掩蓋了組間差異造成的，其平均值之間的差異仍在增大。
通過這一系列分析發(fā)現(xiàn)，不同凍藏前狀態(tài)和不同凍藏時間的豬肉樣品的電子鼻檢測數(shù)據(jù)，在整體上均有顯著的差異，這為利用這些數(shù)據(jù)建立針對豬肉凍藏前狀態(tài)和凍藏時間的預(yù)測模型提供的基礎(chǔ)條件。
電子鼻檢測數(shù)據(jù)的線性判別分析
為建立相應(yīng)的預(yù)測模型，采用 ＬＤＡ方法對數(shù)據(jù)進一步分析。ＬＤＡ一種常用的分類方法，立足與找到反映兩類物體或事件特征的一個線性組合，以特征化或區(qū)分不同的樣本集。對冷凍儲藏 0、25、80、134、161、200、250ｄ共 420 個豬肉樣品數(shù)據(jù)按照分組方式和凍藏時間分為 14 個類別進行 ＬＤＡ分析，結(jié)果如圖 ３所 示。用 于 作 圖 的 判 別 函 數(shù) 其 總 貢 獻 率 為 78.7％，其中第一判別函數(shù)貢獻率為 53.3％，第二判別函數(shù)貢獻率為 25.4％。由圖 ３可知，經(jīng)過 ＬＤＡ分析后，除了凍藏第 0 和 25 ｄ的數(shù)據(jù)重合度較高外，其余第 80～250ｄ的數(shù)據(jù)都能較好區(qū)分，說明在凍藏 １個月內(nèi)豬肉樣品的劣變幾乎沒有發(fā)生，但隨著凍藏時間的增加凍藏豬肉的變化越來越顯著。同時在第134，161，200和 250ｄ處 Ａ、Ｂ組樣品的組質(zhì)心分離明顯，與主成分得分的非參檢驗結(jié)果類似。
為建立更好的豬肉凍藏時間及凍藏前冷藏時間的預(yù)測模型，采用基于多層感知器的人工神經(jīng)網(wǎng)絡(luò)算法對數(shù)據(jù)進行進一步分析。ＡＮＮ是一種模仿生物神經(jīng)網(wǎng)絡(luò)（動物的中樞神經(jīng)系統(tǒng)，特別是大腦）的結(jié)構(gòu)和功能的數(shù)學(xué)模型或計算模型，目前已被廣范的應(yīng)用于多元數(shù)據(jù)的估計或預(yù)測。在 處 理 中 將 420 個樣品利用隨機函數(shù)分 為 ３組，其中訓(xùn)練樣品 219 個，測試樣品 132 個，支持樣品 69 個。最終生成包含 10個協(xié)變量（即電子鼻 10 個傳感器的數(shù)據(jù)）的輸入層，1 個含有 11 個單元的隱藏層和包含凍藏時間和 Ａ，Ｂ組分類的輸出層。該模型對支持組數(shù)據(jù)的凍藏時間預(yù)測的相對錯誤僅為 0.008 ，對凍藏前是否經(jīng)過長時間冷藏的分組錯誤率僅 7.2％（即預(yù)測正確率為 92.8％，由于支持組數(shù)據(jù)不參與建模，其給出的誤差可比較真實的反映模型的預(yù)測能力。）模型對冷凍儲藏時間和凍藏前是 否經(jīng)過長時間冷藏的預(yù)測結(jié)果見圖 ４。從圖 ４中可知，該模型對豬肉凍藏時間和 凍藏前是否經(jīng)過長時間冷藏均有較好的預(yù)測能力。由于 ＡＮＮ生成的預(yù)測模型對凍藏時間生產(chǎn)的是一個回歸模型具有更大的預(yù)測范圍，而對凍藏前是否經(jīng)過長時間冷藏的分組也有更高的準確率，因該 ＡＮＮ模型與 ＬＤＡ模型相比具有更好的預(yù)測性能。
（１）通過電子鼻無損頂空檢測及 ＰＣＡ和重復(fù)測量的方差分析對電子鼻檢測數(shù)據(jù)進行分析發(fā)現(xiàn)，不同凍藏前狀態(tài)和不同凍藏時間的樣品均表現(xiàn)出不同的多元數(shù)據(jù)分布特點。這為通過電子鼻檢測數(shù)據(jù)的模式識別算法建立豬肉凍藏時間和凍藏前是否經(jīng)過長時間冷藏的預(yù)測模型提供了基礎(chǔ)條件。
（２）線性判別分析和基于多層感知器的神經(jīng)網(wǎng)絡(luò)算法均能建立豬肉凍藏時間和凍藏前是否經(jīng)過長時間冷藏的預(yù)測模型。不過采用基于多層感知器的神經(jīng)網(wǎng)絡(luò)算法所建立的預(yù)測模型對凍藏時間預(yù)測的線性更大，回歸函數(shù)的相關(guān)性更好，對凍藏前是否經(jīng)過長時間冷藏也有更高的分組預(yù)測的準確率。
（３）本研究所建立的無損頂空檢測電子鼻檢測方法，使整個檢測過程無需解凍樣品和進行復(fù)雜的前處理，快速高效可實現(xiàn)現(xiàn)場檢測。
