Elektronische Zunge Kombiniert mit Chemometrie zu Herkunft Diskriminierung für eine Green Tea

Korrespondenz sollte Jia-Qi Zhu angesprochen werden

Academic Editor: Hai-Yan Fu

Dieses Papier zielt darauf ab, ein stabiles instrumentales Verfahren zur Herkunft Diskriminierung von Anji-Weiß Tee durch seinen unverwechselbaren Geschmack zu bieten. 180 authentisch und 60 Fälschungs Weißtee Proben wurden für bestimmte geographische Herkunft Detektion gesammelt; alle wurden durch elektronische Zunge mit 7 gekoppelt unabhängigen Sensoren gemessen. Daher Chemometrie Methoden, Hauptkomponentenanalyse (PCA) und der partiellen kleinsten Quadrate Diskriminanzanalyse (PLSDA) wurden in der Klassifizierung durchgeführt wird. Die PCA Verteilung zeigt, dass im Herkunftsanalyse PCA ist ein einfaches und zuverlässiges Werkzeug für kleine Probenmengen, sondern auch für Geräte mit großen Objekten, scheint PCA machtlos in der Klassifizierung. Daher wurde PLSDA angewandt, um ein Klassifikationsmodell zu entwickeln. Die Vorhersage Sensitivität und Spezifität von PLSDA jeweils erreichten 0,917 und 0,950. Diese Studie zeigt das Potenzial der Kombination von elektronischem Feder-System und Chemometrie als ein wirksames Instrument für bestimmte geografische Herkunft Erkennung in Anji-Weiß Tee.

1. Einleitung

Grüner Tee aus den Blättern der Pflanze Camellia sinensis hergestellt, ist eines der beliebtesten Getränke der Welt. Darüber hinaus ist es eine ausgezeichnete Quelle von Antioxidantien wie Polyphenole, Polysaccharide und Aminosäuren, so grüner Tee hat sich als gesundes Getränk für seine Verhinderung Funktionen auf Fettleibigkeit, Krebs, Leber und Herz-Kreislauf-Erkrankungen [1 -3] weitgehend verbraucht worden ist. Teepflanzen sind weit verbreitet in mehr als 30 Ländern und spielen eine wichtige Rolle in ihrer Wirtschaft; Das Eigentum und die chemischen Bestandteile des grünen Tees werden durch viele Faktoren, wie Klima, Düngung Bedingungen, geographische Herkunft und Verarbeitungsverfahren beeinflusst. Unter diesen Faktoren sind die spezifischen geografischen Ursprung als ein wichtiger Aspekt allgemein anerkannt [4 -6]. Daher ist in China, die meist berühmten Tees sind nach ihrer geografischen Herkunft, wie der Anji-weißen Tee, Westsee-Long Tee, Tee Anxi-Tieguanyin genannt, und dem Wuyi-Rock-Tee.

In den letzten Jahren wurden analytische Methoden, die auf Instrumente wurden in der Lebensmittelqualitätskontrolle wie Wein, Milch und Saft [8 ausführlich berichtet. 9]. In diesen Untersuchungen besaßen elektronische Zunge Sensoren eine gute Stabilität und Empfindlichkeit. Darüber hinaus hat eine gute Korrelation zwischen Mensch und elektronische Zunge Urteil festgestellt, das es eine vielversprechende Alternative für die menschliche sensorische Analyse von Tees macht.

Dieses Papier wurde auf der Entwicklung eine Instrumentaltechnik fokussiert, um die Herkunft von Anji-Weiß Tee durch elektronisches Feder-System und Chemometrie zur Unterscheidung, die komplizierte Beziehung zwischen dem Geschmack und dem Herkunftsort zu modellieren; Hauptkomponentenanalyse (PCA) und der partiellen kleinsten Quadrate Diskriminanzanalyse (PLSDA) Modelle wurden in Klassifikation [10 -13] verwendet.

2. Materialien und Methoden

2.1. Tee-Proben

Tabelle 1: Detaillierte Informationen der Proben.

2.2. Elektronische Zunge Analyse

3 g jeder Probe wurden auf 150 ml siedendes destilliertes Wasser und 10 Minuten lang infundiert. Dann wurde die Infusion in ein Becherglas filtriert und kühlt auf 25 ° C in einem Wasserbad für die Analyse. Ein ASTREE II elektronisches Federsystem (Alpha M.O.S. Toulouse, Frankreich), der mit einer Referenzelektrode und 7 unabhängigen Flüssigkeitssensoren (ZZ, BA, BB, CA, GA, HA und JB) wurde in instrumentaler sensorischer Analyse durchgeführt. Um die Zuverlässigkeit der Daten zu erreichen, wurde das Instrument durch Standard NaCl (0,01 mol / l), HCl (0,01 mol / L) und Mononatriumglutamat (0,01 mol / L) Lösungen vor dem Test kalibriert. Die Signalerfassungsintervall betrug 1 s, die Erfassungszeit betrug 180 s, und das stabile Signal bei 180 s ausgeführt wurde Provenienz Analyse gespeichert. Die Querempfindlichkeit und Selektivität des Sensorarrays sind in Tabelle 2 dargestellt.

Tabelle 2: Sensorempfindlichkeit des elektronischen Federsystem.

2.3. Hauptkomponentenanalyse

Die gesamte Datenanalyse wurde auf MATLAB 7.14.0.739 (Mathworks, Sherborn, MA) durchgeführt. Da die Sensoren 7 antwortet exportiert bzw. multivariate statistische Modell ist in der Klassifizierung erforderlich. Hauptkomponentenanalyse (PCA) ist ein unüberwachte Chemometrie Werkzeug zur Mustererkennung und Dimensionsreduktion verwendet [14]. Die Daten könnten durch linear unkorrelierte Variablen (Hauptkomponenten) mit erheblichen Informationsverlust rekonstruiert werden. In diesem Papier, 30 AWT-Proben von 5 Provenienzen wurden unter Verwendung PCA-Modell unterscheiden; die ersten drei Komponenten wurden angelegt, so dass die Objekte in einem dreidimensionalen PCA-Score Bild verteilt. Ähnliche wurden 30 NAWT Proben eingestuft. Dann wurden alle Proben in dieser Studie durch dreidimensionales PCA-Modell in der gleichen Art und Weise analysiert.

2.4. Partial Least Squares Diskriminanzanalyse

Partial Least Squares Diskriminanzanalyse (PLSDA) hat mich als einer der Eckpfeiler in Chemometrie angesehen worden, weil sie die großen handhaben können

(Die Anzahl der Variablen in den Daten) Problem sehr gut [15]. In PLSDA, sind repräsentative Proben für Modelltraining notwendig, da das Mathematik-Modell entwickelt, könnten unbekannte Objekte sortiert werden. In dieser Arbeit wurden sowohl AWT und NAWT Proben in eine Ausbildung Klasse und eine Vorhersage- Klasse geteilt. Um sicherzustellen, dass die Proben bei der Vorhersage Klasse wurden gleichmäßig um die Ausbildung Klasse verteilt, die Kennard und Stone (K-S) Algorithmus für die Division verwendet wurde [16]. Danach wurden die AWT Ausbildung Klasse und die NAWT Ausbildung Klasse als Gesamt Ausbildung Klasse genommen. In ähnlicher Weise wurden die AWT Vorhersage- Klasse und die NAWT Vorhersage- Klasse auch als Ganze. Daher wird die gesamte Trainingsklasse angeordnet

einschließlich Variablen mit Objekten.

zeigt die entsprechende Kategorie jedes Objekt in der Matrix. Der Wert 1 und Wert -1 gesetzt, um die AWT und NAWT Objekte zu bezeichnen, und der Wert 0 der Schnittwert. In Vorhersage wird ein unbekanntes Objekt in AWT Klasse eingestuft werden, wenn ihre Antwort Wert über 0 ist; andernfalls wird es in NAWT Klasse klassifiziert werden.

Für PLSDA steuern latente Variablen, die Komplexität des Modells. Unzureichende latente Variablen werden zu einem underfitted Modell führen; übermäßige latente Variablen das Risiko von Überanpassung erhöhen, so dass die Anzahl von latenten Variablen ist ein wichtiger Parameter bei der Klassifizierung. So wurde Monte Carlo Kreuzvalidierung (MCCV) angenommen, das Modell zu optimieren, [17]; der Parameter mit der minimalen Fehlklassifizierungsrate von MCCV (MRMCCV) wurde durch folgende Formel berechnet: