燕麦中气味检测方案(感官智能分析)

农业工程学报Transactions of the Chinese Society of Agricultural Engineering第29卷 第20期2013年 10月Vol.29No.20Oct. 2013263 农业工程学报2013年264 本文链接： http：//d.wanfangdata.com. cn/Periodical nygcxb201320034.aspx 用电子鼻区分霉变燕麦及其传感器阵列优化 尹芳缘1.2，黄洁1.2，王敏敏1.2，郑海霞12，~，杨 月1.2，陈 静1.2，曾小燕1.2，，童春霞1.2，王绿野1.2，姜 燕1.2，，沈 凤1.2，，惠国华1，2※ (1.浙江工商大学食品与生物工程学院，杭州310035；2.浙江省食品安全重点实验室，杭州310035) 摘 要：应用电子鼻对燕麦 (Avena sativaL)霉变程度进行区分，为了提高区分准确度，对电子鼻传感器阵列进行了优化的研究。每天随机选择10个燕麦样品进行电子鼻检测，试验连续进行5d，将检测数据耦合入非线性双稳态随机共振系统，以外部 Gaussian 白噪声激励系统产生共振，选择输出信噪比特征值进行主成分分析，初期试验主成分1和主成分2贡献率之和为 96.43%，且相同霉变程度样品离散度较大，不同霉变程度样品之间距离较近。为了提高电子鼻对霉变燕麦样品区分效果，进行了电子鼻传感器负荷加载分析，优化选择了传感器阵列，优化后主成分1和主成分2贡献率之和为99.31%，相同霉变程度燕麦样品的聚合度更高，使不同霉变程度燕麦样品之间的区分更加明显，为进一步的定量化检测奠定了基础。 关键词：传感器，优化，非线性分析，霉变燕麦，，电子鼻，随机共振 doi： 10.3969/j.issn.1002-6819.2013.20.034 中图分类号：：TP212.6 文献标志码：A 文章编号：1002-6819(2013)-20-0263-07 尹芳缘，黄 洁，王敏敏，等..月用电子鼻区分霉变燕麦及其传感器阵列优化[J].农业工程学报，2013，29(20)：263一269. Yin Fangyuan， Huang Jie， Wang Minmin， et al. Discrimination of mildewed oats using electronic nose and optimization ofits sensor array[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE)， 2013，29(20)：263-269. (in Chinese with English abstract) 0 引 言 燕麦( Avena sativa L.)是一种重要的粮食作物，燕麦中富含蛋白质、不饱和脂肪、维生素、矿物元素和纤维素，在粮谷类氨基酸含量高且均衡，是世界公认的营养和医疗保健价值最高的谷类作物之一。在实际贮藏过程中，燕麦往往易受微生物感染而出现霉变，其中起主导作用的霉菌有黄曲霉、青曲霉、镰刀曲霉等11，一旦变质燕麦进入了食物链，对人和动物的健康将形成极大的威胁。传统粮食质量检测方法主要包括人工感官判别、酶检测、仪器分析等方法，但以上方法在检测效率、灵敏性、特 收稿日期：2013-05-27 修订日期：2013-09-20 ( 基金项目：国家自然科学基金项目(81000645)，国家级创新创业训练计划项目(2012-11)，浙江省公益技术应用研究项目(2011C21051)，浙江省自然科学基金项目(Y1100150)，浙江省大学生科技创新活动计划项目(2012R408041)，浙江工学大学高等教育科学研究课题(Xgy13080 ) ， 浙 江工 商大学大 学 生创新项目(12-160， 12-161， 13-157，13-158)，浙江工商大学院级创新项目资助 ) ( 作者简介： 尹 芳缘(1992一)，女，浙江 ， 研究方向食品科学与工程。杭州 浙江工商大学食品与生物工程学院，310035。 ) ( Email： ffyy-yin@126.com。 ) ( ※通信作者：惠国华(1980一)，男，满族，辽宁 ， 副教授，博士，研究方向生物传感技术、食品质量与安全技术等领域研究。杭州浙江工商大学食品与生物工程学院，310035。 ) ( Email：ghui@zjgsu.edu.cn ) 异性等方面尚存在不足[2-6]。因此需要寻求一种便捷、快速、准确、成本低廉且可以现场使用的燕麦霉变检测技术。 电子鼻的概念是由英国 Warwick大学的研究人员在1982年提出，该检测技术在许多领域得到广泛应用18-111。在粮食品质分析领域，研究人员虽已进行了许多探索工作，如粮食品质分析[12-13]、粮食霉变早期变化特性研究[14-15]、谷物霉变快速鉴别116]、谷物霉变程度分析17等。其所用模式识别方法主要有主成分区分、因子计算、聚类判别、神经网络判别等方法[16-20]，这些方法均存在一些问题。如主成分区分在计算因子得分时采用最小二乘法导致结果可能无效。聚类分析法在样本量较大时获得聚类结果较为困难。偏最小二乘法当出现一个或若干个偏差点就可能导致回归结果失效。神经网络判别则需要很多次训练，并且在训练速度、训练效率和预报精度等方面存在不足。近年来，随机共振非线性信号分析方法发展迅速，该方法通过施加外源白噪声到非线性系统，调制系统达到共振状态以获取检测信号的特征，实现被测样品信息的表征21-221。 本文采用电子鼻系统对燕麦样品进行了区分试验，先采用非线性双稳态随机共振方法分析燕麦样品电子鼻检测数据，选择输出信噪比特征值进行 主成分分析，然后再根据传感器负荷加载分析结果对电子鼻传感器阵列进行了优化。优化可以提升霉变燕麦样品主成分贡献率，提高不同霉变样品之间区分度。 1 材料与方法 1.1 燕麦样品制备 燕麦样品购于杭州超市，挑选颗粒饱满均匀、色泽明亮、无杂质、无污染、无异味的燕麦作为试验样品。根据试验设计需要，制作40个燕麦平行样本，每个样品称取 25 g 置于样品瓶中，并用封口膜密封，在室温和标准大气压的环境条件下进行贮藏。通常条件下燕麦样品的霉变较为缓慢，所以在每次电子鼻测量结束后在每个燕麦样品中喷雾4mL去离子水以加速燕麦的霉变，以缩短试验周期。 每天随机选择10个燕麦样品进行电子鼻检测，每个样品检测时间为45s， 然后通入洁净的空气清洗电子鼻传感器，以便进行下一个样品的测量。试验连续进行5 d，l，记录检测数据待分析。 1.2 电子鼻检测系统 图1显示了检测系统结构图，主要包括机械控制、传感器气室、数据采集单元等。首先开启清洗泵和气阀2，通入洁净空气清洗各传感器，待各传感器的响应稳定至基线时，关闭清洗泵和气阀2。将燕麦样品置入洁净样品瓶中并以封口膜密封，静置 30 min 后将电子鼻采样探头和气压平衡器同时插进样品瓶的封口膜，打开气体采样泵和气阀1并开始采集燕麦样品传感器阵列响应数据，采集时间45 s. 测量完毕停止数据采集，同时关闭采样泵和气阀1。气压平衡器采用活性炭去除空气中的干扰气体，将清洁空气导入样品瓶，实现气压平衡。 图1 电子鼻系统结构图 Fig.l Diagram of electronic nose system 电子鼻采用8个半导体型气敏传感器：S1(TGS-825，对硫化物类气体敏感)， S2 (TGS-821，对可燃气体敏感)，S3 (TGS-826，对氨气类气体敏感)， S4(TGS-822，对乙醇敏感)， S5(TGS-842，对碳氢组分类气体敏感)， S6 (TGS-813，对烷烃 类气体敏感)， S7 (TGS-2610，对丙烷、丁烷类气体敏感)，S8(TGS-2201，对氮氧化物类气体敏感)。传感器集群单元的核心部件是8种气体传感器构成的敏感器件阵列。气室采用聚四氟乙烯材料，每个传感器都具有独立的气室，样品检测气体或者传感器清洗气体被均匀的泵入各传感器气室，避免了多个传感器同处于同一个气室内而形成的交叉干扰。 1.3 随机共振理论和分析路线 非线性随机共振理论在信号分析领域得到普遍应用[21-28]，一般是用信噪比去表征该模型。双稳随机共振具有3个因素：非线性双稳态系统，弱输入信号和一个外部激励白噪声[29-31]。式(1)描述了一个布朗运动粒子在双势阱中的运动模式 式中，A为信号的强度； f 为固定周期信号频率，Hz； w 为固定周期信号初始相位，()；s为布朗粒子运动的坐标； t为布朗粒子运动时间，SAxsin(2nft+y)为随机共振周期性输入信号函数；V(s)为对称双势阱模型，如式(2)所示， m、n都是实参数，无单位；(t)为均值为0的高斯白噪声，无单位，其自相关函数E5(t)5(0)]=2a8(t)，其强度为a，无单位，8(t)为狄拉克单位脉冲函数。 因此式(1)可以改写为 输出信噪比参数通常被用来表征非线性双稳态随机共振，信噪比(dB)定义为 式中，w是信号频率，Q为角频率， rad/s， s(ω)为信号频谱密度函数，SM(Q)为未超出信号频率范围的噪声强度函数。 随机共振分析在 Matlab2009 软件环境中进行，信号分析路线图如图2所示。enost(t)为电子鼻检测数据关于时间t的函数， enost(t)与周期性输入弱信号Axsin(2nft+y)耦合之后输入随机共振分析单元，则式(3)可以改写为 式中，随机共振系统参数包括噪声强度α、固定周期信号强度A、固定周期信号频率f，双稳态势垒实参数m 和n、固定周期信号初始相位w等参数。在实际分析中，保持固定周期信号参数 w-0、f=1 Hz、A=2.7不变，并使得噪声强度α取值范围为[0，300]，此时令双稳态势垒参数 n=1，并使m在[1，12]之内进行步进为0.1的变化，同时监控系统输出信噪比，当输出信噪比曲线产生特征峰并且峰值为最大值时，即可以确定 m=4.5，此时各项参数为最优化选择。 图2 随机共振信噪比分析路线图 Fig.2 Scheme of stochastic resonance signal-to-noise ratioanalysis 计算并输出参数最优化配置状态下的随机共振输出信噪比谱，此时计算各传感器数据信噪比极大值的平均值 SNRmean 作为信噪比阈值，同时必须满足8个传感器数据信噪比极大值 SNRsensor中至少3个大于SNRmean，该过程的目的在于确保各传感器数据信噪比极大值 SNRsensor可以得到明显区分。满足以上约束条件后，系统形成结果进行输出。 1.4 传感器负荷加载 (Loadings)分析 电子鼻系统包括多个敏感特性的气敏传感器，每类气敏传感器对燕麦样品霉变挥发出的气体都具有不同的响应。在不同霉变程度燕麦样品检测试验中，同样考虑传感器阵列优化对于提高霉变程度判别的影响。分别考察每个传感器的负荷加载分析，去除具有相近负载因子的传感器，构成新的传感器阵列进行主成分分析，以提高判别的准确度。 因子负荷加载分析常用于变量的分类，可以将电子鼻各传感器视为变量，通过负荷加载分析把传感器分类，为其取舍提供判断依据。本文采用变异系数(Cv)方法 式中，x；为某某-·个传感器的检测数据，x 为该传感器检测数据的平均值，N为传感器检测数据的长度。假如几个传感器的变异系数值较为接近，那么可以选取其中任何一个传感器作为该类传感器的代表，进行传感器阵列优化。本文用 Matlab2009 软件进行传感器 Loadings 分析。 2 结果与分析 2.1 电子鼻传感器阵列对燕麦样品的响应 图3是电子鼻对某种燕麦样品的响应曲线，各传感器初始值位于原点附近，随着检测时间的增加，样品瓶顶空富集气体被吸入电子鼻气室内，各种气体成分与传感器敏感材料发生作用，导致传感器响应值产生不同的变化，传感器响应值与该传感器特异敏感气体浓度相关，因此电子鼻传感器阵列的响应可以视为对燕麦样品挥发气体的表征，这是电子鼻区分霉变燕麦样品的依据。 图3 霉变检测中传感器阵列响应 1Fig.3 Sensor array responses of mildew oat detection 随机共振是一种致力于检测微弱信号特征的非线性方法[23.25]，该方法采用噪声调制目标信号产生共振效应，检测特征值得到增强从而易于检出18-20]。把燕麦试验数据耦合进随机共振系统，步进调节Gaussian 外源白噪声强度并同时记录随机共振系统输出信噪比(如图4所示)，可以观察出不同种类传感器具有不同的信噪比曲线， S2 的曲线最高，S3的曲线最低。各条曲线在噪声强度190左右达到极大值，按照极大值从高到低的顺序排列：S2>S1>S8>S4>S6>S7>S3。随机共振将图3所示的传感器阵列响应经噪声消除后变换成为图4所示的输出信噪比曲线，输出信噪比特征信息与传感器自身物理特性无关，而只与燕麦样品品质状况有关，增加样品区分度。 图4 燕麦样品的随机共振输出信噪比图 Fig.4 Stochastic resonance signal-to-noise ratio of oat sample 2.2 主成分分析及传感器阵列优化结果 主成分分析利用降维的思想，把多变量转化为少数几个主成分来揭示多个变量间的内部结构，使它们尽可能多地保留原始变量的信息，且彼此间互不相关。贡献率最大的为主成分1，其次是主成分2。初期试验霉变燕麦的主成分分析结果见图 5a，主成分1和和成分2贡献率之和为96.43%，第2天和第4天样品在主成分1方向上离散度较大，而第3天和第5天样品在主成分2方向上离散度较大。虽然不同霉变程度的燕麦样品基本可以实现区分，但是不同种类样品之间距离较为接近，且同类样品内部离散度较大，不利于燕麦样品类型的判别。 传感器负荷加载(Loadings)分析是电子鼻检测中常见的传感器贡献率分析方法， Loadings 分析有利于识别每个传感器对于模型区分的重要性差异，某个传感器负载值越小，它对整体检测信息贡献率就越小，负载值越大则贡献率就越大。Loadings分析结果如图5b所示，横轴是第1特征轴，纵轴是第2特征轴。从图中可以观察到第1特征方向各传感器贡献率为95.47%，而第2特征方向各传感器贡献率为2.17%，2个特征方向贡献率之和为97.59%。综合各个传感器所处的横纵坐标位置来看，传感器 S1、S3、S4、S5和S6对模式识别有较高的贡献率，而传感器S2、和 S8虽然在第1特征轴方向上有较高的贡献率，但是其第2特征轴方向的贡献率较低。传感器 S7 则在横轴和纵轴两个方向上贡献率均较低。因此传感器 S1、S3、S4、S5和 S6 对于燕麦霉变的识别具有较大的影响，而传感器 S2 和S8有相近的负载因子，通过Loadings分析去掉原阵列中的传感器 S8， 由传感器 S1、S2、S3、S4、S5、S6、S7组成新的阵列进行主成分分析。传感器阵列优化后的主成分分析结果如图5c所示，主成分1和主成分2贡献率之和为 99.31%， a.初期试验主成分析结果 ( a. Principal component analysis of experiments before optimization ) b.传感器阵列负载分析结果b. Sensor array loadings analysis results c. 阵列优化后试验的主成分分析 c. Principal component analysis of experiments after sensor arrayoptimization 图5 燕麦样品分析结果 Fig.5 Analysis results ofoat samples 在这2个主成分所确定的平面中，不同霉变程度燕麦样品分别分布在4个象限，相互之间距离较远，同种霉变程度样品内部离散度比图 5a明显降低。也就是说，不同霉变程度燕麦样品之间的区分更加明显，相同霉变程度燕麦样品的聚合度更高。结果表明基于 Loadings 分析的传感器阵列优化可以提升霉变燕麦样品主成分贡献率，增加同类样品主成 分散点聚合度，提高不同类型样品之间区分度，这都有利于提高霉变燕麦样品判别的准确度，我们将在后续工作中进一步研究传感器阵列优化后对燕麦霉变程度量化判别的准确度。 3 结论 本文利用8路电子鼻系统对霉变燕麦区分进行了检测试验。初期非线性双稳态随机共振法选择特征值进行主成分分析，主成分1和主成分2贡献率之和为96.43%，虽然不同霉变程度的燕麦样品基本可以实现区分，但同类样品内部离散度较大，不同种类样品之间距离较为接近，不利于燕麦样品类型的判别。 为了提高燕麦的区分度，利用传感器负荷加载分析结果对电子鼻传感器阵列进行了优化选择，优化后的主成分1和主成分2贡献率之和提高到99.31%，相同霉变程度燕麦样品的聚合度更高，不同霉变程度燕麦样品之间的区分更加明显。研究结果表明电子鼻传感器阵列优化可以提高不同霉变程度燕麦样品的区分度，有利于提高判别的准确性。 但这只是一个定性的阶段研究结果，以此为基础我们将进一步进行霉变程度定量化测定，并确定其可区分的准确度。 ( [参 考文献] ) [1] 邹小波，赵杰文.电子鼻快速检测谷物霉变的研究[]. ( 农业工程学报，2004，20 ( 4)：1 2 1-124. Zou Xiaobo， Zhao J i ewen. R a pid identification of moldycorn b y e lectronic nose[J]. Transactions of the ChineseSociety of Agricultural Engineering (Transactions of theCSAE)， 2004， 20(4)： 1 21-1 2 4. (in C h inese with English abstract) ) ( 2 李隆术，靳祖训.中国粮食储藏科学研究若干重大成 就[].粮食储藏，19 9 9，28(6)： 3 -12. Li L ongshu， J i n Z u xun. Significant a chievements o f China grain s t orage sc ience[J]. G rain Storage， 1 9 99， 28(6)：3- 1 2. (in Chinese with En g lish ab s tract) ) ( 3] 王肇慈，孙明.国内外粮食储藏品质评价与技术状况[]. 南京经济学院学报，199 7 (4)：64-66. Wang Zhaoci， Sun Ming. IDomestic andaabroad development o f grain s t orage quality e v aluation andtechnology[J]. Journal of Nanjing Institute of Economics，1997(6)： 6 4-66. (i n Chinese with English abstract) ) ( 41 任如杉，万艳芬，胡雅丽，等.粮情测控系统在粮食 储藏中的应用[].粮 食 流通技术，2002(4)：3 6 -39. Ren Rushan， Wan Yanfen， Hu Yali， et al. Applications of ) ( grain monitoring system i n g rain s torage[J] . GrainDistribution Technology，2002(4) ： 36-39. ( in Chinesewith E nglish abstract) ) [5]赵玉霞.粮食储藏中粮堆温度与大气温度之关系[]. ( 粮油食品科技，200 2 ，10( 6 )： 1-5. Zhao Yuxia. An alysis of r e lation b etween grain temperature and atmospheric temperature i n grainstorage[J]. Science and Technology of Cereals， Oils andFoods， 2002，10(6)： 1 - 5 . (in C h inese with E n glish abstract) ) ( [6] 吴莉莉，林爱英，郑宝周，等.电子鼻检测技术在粮食霉变识别中的应用研究[].安徽农业科学，2009， 37(21) ： 10133-10135. Wu Lili， Lin Aiying， Zheng Baozhou， e t al. Study on theapplication of electronic noses detection technology i nthe identificatio n o f grai n mildew[J]. Journal of AnhuiAgricultura Sciences， 2009， 37(21 ) ：10133一10135. (i n Chinese with English abstract) ) ( [7]Persand K， Dodd G H . Analysis of discriminationmechanisms in t he mammalian olfactory system using amodel nose[J].Nature，1982，299(5881)：352一355. ) ( [8] 胡卫军，许改霞，王平.电子鼻和电子舌在航天医学检测中的应用[].国外医学生物医学工程分册，2005， 28(4) ： 213-217.Hu W eijun， Xu Gaixia， Wang P ing. Application ofelectronic nose and electronic tongue in a eronautic medicine[J ]. Foreign Medical Sciences(BiomedicalEngineering Fascicle ， 2005，28(4)：213-217.(in Chinesewith English abstract) ) ( [9] 张红梅，何玉静.电子鼻技术在粮食质量检测中的应 用[J].农机化研究，2009(3)：1 8 1-182.Zhang Hongmei， H e Yujing. T h e A p plications ofelectronic nose in t he g rain q u ality discrimination[J].Journal of Agricultural Mechanization Research，2009(3)：181-182. ( i n Chinese with English abstract) ) ( [10]杜锋，雷鸣.电子鼻及其在食品工业中的应用[].食品 科学，2003，24(5)：161-163. Du Feng， L e i Ming. Study on th e electronic n o se featuresand i ts applications in food i ndustry[J]. Food S cience，2003， 24(5)：161-163. ( i n C hinese w ith E English abstract) ) ( [1 1 ] G ardner J W， Bartlett PN. A brief history of electronicnose[J]. Sensors and Actuators B： Chemical， 1 994，18(1/2/3)：211-220. ) ( [ 1 2] Jonsson A， Winquist F， Schnurer J， et a l . Electronic n ose for microbial quality classification of grains J. ) ( International Journal of Food Microbiology， 1997， 35(2)： 187-193. ) ( [13] Olsson J， B orjesson T ， L u ndstedt T. D e t ection an d quantification of ochratoxin A and deoxynivalenol i n barley grains Bt by GC-MSand electronic n ose[J].International Journal of Food Microbiology， 2002，72(3)： 203 - 214. ) ( [14] M agan N， Ev a ns P. Volatiles as an indicator of fu n gal activity and d ifferentiation between species， and t hepotential use o f e lectronic n ose t e chnology fo r ea r ly detection of grain spoilage[J]. Journal o f Stored Pr o ductsResearch， 2000， 36(4)：319-340. ) ( [15] Balasubramanian S ， P anigrahi S， K o ttapalli B ， et al.Evaluation o f a n artifical o flactrory system f or grain quality discrimination[J] . LWT-Food Science and Technology，2007，40(10) ： 1815-1825. ) ( [16] 潘天红，陈山，赵德安.电子鼻技术在谷物霉变识别中的应用[].仪表技术与传感器，2005 ( 3)：51-52. Pan Tianhong， Chen Shan， Zhao D e ’an. A p plication of electronic n ose technology in moldy food stuff recognition[J].Instrument Technique a nd Sensor， 2 005(3)： 5 152.(i n Chinese with English abstract) ) ( [17]张红梅，王俊，叶盛，等.电子鼻传感器阵列优化与谷物霉变程度的检测[].传感技术学报，2007，20(6)： 1207-1210.Zhang H ongmei， Wang Jun， Y e Sheng， et a l . Optimizedof s ensor a rray a nd detection of moldy degree fo r gr a in by electronic nose[J]. Chinese Journal of Sensors a ndActuators， 2007， 20(6)：1207-1210. ( i n C h inese w i thEnglish abstract) ) ( [18] P aolesse R， Alimelli A ， Martinlli E ， et a l . Detection o f fungal contamination of c ereal g rain s amples by anelectronic nose[J] . Sensor s and Actuators B： Chemical. 2006，119(2)：425一430. ) ( [19] E vans P， Persaud K C ， McNeish A S， et al. Evaluation of a radial basisfunction neuraall networks for tthe determination of w heat quality from e l ectronic n osedata[J]. Sensors and Actuators B： Chemical，2000，69(3)：348-358. ) ( [20] A bramson D， Hu l asare R， York R K ， et al. My c otoxins，ergosterol， and odor v olatiles in durum w heat d u ringgranary stroage at 1 6% and 2 0 % moi s ture con t ent[J].Journal of Storaged Products Research， 2005，41(1)： 61-76. ) ( [21] H ui G uohua， Wu Yuling， Ye Dandan， et al. Study ofpeach f reshness predictive m ethod based on electronicnose[J]. Food Control， 2012，28(1)：25-32. ) ( [22] H ui G uohua， Wang Liiye， Mo Yanhong， et al. Study ofgrass carp ( Ctenopharyngodon idellus) quality predictivemodel based on electronic nose[J]. Sensors and ActuatorsB： Chemical， 2012，35(2)：301一308. ) ( [23] I Benzi R， Sutera A， Vulpiana A. The mechanism of stochastic resonance[J]. J Phys A， 1981(14)：L453-L456. ) ( [24] J J ung P ， H anggi P . A m plification o f small s ignals via stochastic resonance[J]. Physical Review A， 1991， 44(12)： 8032-8042. ) ( [25] Gammaitoni L ， H a nggi P . Stochastic resonance[J]. Reviews o f Modern P hysics， 1998，71(1)：223-287. ) ( [26] Chapean-Blondeau F. S tochastic resonance at phase noise i n signal transmission[J]. Physical R eview E， 2000， 61(1)：940-943. ) ( [27] H H a a r r m r er G P， Davis B R， Abbott D. A review of stochastic resonance： circuits and measurement[J]. IEEE T ransactions on Instrumentation and Measurement， 2002，51(2)：299-309. ) ( [28] W enning G ， Obermayer K. Ac t ivity driven a d aptive stochastic resonance[J]. Physical Review Letters， 2003， 90(12)：120602 1 -120602 4. ) ( [29]惠国华，陈裕泉.基于碳纳米管微传感器阵列和随机共振的气体检测方法研究[J].传感技术学报，2010， 23(2) ： 179-182. Hui G uohua， Chen Y u quan. Study of a n o vel g a s detectingsystem based on c a rbon n a notubes mi n iaturization sensor array a nd s tochastic r esonance[J]. Chinese J ournal ofSensors and A ctuators， 2010， 23(2)：179-182. (inChinese with English abstract) ) ( [3 0 ]惠国华，陈裕泉.基于电子鼻的低温贮藏草鱼品质预沙方法研究[.传感技术学报，2012，25(2)：157-161. Hui Guohua， Ch en Yu q uan. Investigation of chilled-stored grass c arp quality p r edicting m e thod ut i l izingelectronic nose[J]. Chinese Journal of S ensors an dActuators，2012，25(2) ：1 57-161.(in C h inese with English abstract) ) ( [31] H ui Guohua， Ji Peng， Mi Shanshan， e t al. Electrochemicalimpedance spectrum f r equency o p timization of bittertaste cell-based sensors [ J] . Biosensors and Bioelectronics， 2013.47：164- 1 70. ) Discrimination of mildewed oats using electronic nose andoptimization of its sensor array Yin Fangyuan12， Huang Jiel2， Wang Minmin12， Zheng Haixia12， Yang Yuel2， Chen Jing12， Zeng Xiaoyan12， Tong Chunxia12， Wang Luiyel2， Jiang Yan12， Shen Feng12， Hui Guohua1，2※ (1. College ofFood Science and Biotechnology， Zhejiang Gongshang University， Hangzhou 310035， China；2. Food Safety Key Laboratory ofZhejiang Province， Hangzhou 310035， China) Abstract： Oats (Avena Sativa L.) are one of the important food crops. It contains some rich nutrients. Oats easilygets mildew affected by environmental factors during storage， which is getting to be one of problems in the foodsafety field. As one artificial olfactory analysis method， the electronic nose technique is widely applied in cropquality detecting fields. This technique utilizes a gas sensor array to imitate a human’s olfactory system. Thedetecting signals measured by a gas sensor array is discriminated and recognized by an artificial patternrecognition method.Then the species of the detecting objectives can be determined. In this paper， electronic nosesystem was utilized to discriminate mildewed oat samples. The diagram includes three main parts： data acquisitionand transmitting unit， sensor array and the chamber unit， and power and gas supply unit. The sensor arrayconsisted of eight semiconductor gas sensors. Polytetrafluorethylene (PTFE) material was utilized to fabricate thechamber. Each sensor room was separated， which helped to eliminate the cross-influence of the gas flow. At thesame time， gas sensor array optimization was also studied. 25 g of oat samples were weighed and placed into anexperimental container. The container was tightly sealed with parafilm. 40 samples were prepared. All sampleswere stored under room temperature and standard atmospheric pressure. In order to accelerate the mildewprocedure of the samples， 4 mL deionized water was sprayed on all samples every day. 10 samples were randomlyselected in an electronic nose measurement. The measurement time of each oat sample was 45 s. The experimentslasted for five days. The measurement data was measured and transmitted to the computer. The stochasticresonance had three principal parts： a weak input signal， a non-linear bistable system， and an additional dose ofexternal Gaussian white noise. The experimental data was coupled into a non-linear bistable stochastic resonancemodel. Stepping external Gaussian stimulating white noise was utilized to modulate the stochastic resonancesystem for resonance generation. Finally， stochastic resonance signal-to-noise ratio (SNR) was calculated andexported as signal-to-noise ratio curves. Eigen values of systematic output signal-to-noise ratio were selected forprincipal component analysis (PCA). The total degree of contribution of the first principal component and thesecond principal component was 96.43%. In order to improve the mildewed oat discrimination rate， sensorloadings analysis was used to evaluate the contribution rate of all gas sensors. The optimized gas sensor arrayincluded S1， S2， S3， S4， S5， S6 and S7. After an optimization procedure， the total degree of contribution of thefirst principal component and the second principal component was 99.31%. These results demonstrated that anelectronic nose system presents a discriminating ability for mildewed oat samples. Sensor array optimizationbased loadings analysis improved the discriminating rate. The proposed method is promising in the crop qualityand safety analysis field. Key words： sensors， optimization， nonlinear analysis， mildew oat， electronic nose， stochastic resonance ( (责任编辑：刘丽英) ) 用电子鼻区分霉变燕麦及其传感器阵列优化 作者： 尹芳缘，黄洁， 王敏敏，关郑海霞，杨月，陈静， 曾小燕，童春霞，王王绿野，姜燕， 沈凤， 惠国华Yin Fangyuan， Huang Jie， Wang Minmin， Zheng Haixia， Yang Yue，Chen Jing， Zeng Xiaoyan Tong Chunxia， Wang， Lye， Jiang Yan， Shen Feng， Hui Guohua 作者单位： 浙江工商大学食品与生物工程学院，杭州310035；浙江省食品安全重点实验室，杭州310035刊名：农业工程学报 ISTIC|EIPKU 英文刊名： Transactions of the Chinese Society of AgriculturalEngineering年，卷(期)： 2013(20) 应用电子鼻对燕麦（Avena sativa L）霉变程度进行区分，为了提高区分准确度，对电子鼻传感器阵列进行了优化的研究。每天随机选择10 个燕麦样品进行电子鼻检测，试验连续进行5 d，将检测数据耦合入非线性双稳态随机共振系统，以外部Gaussian 白噪声激励系统产生共振，选择输出信噪比特征值进行主成分分析，初期试验主成分1 和主成分2 贡献率之和为96.43%，且相同霉变程度样品离散度较大，不同霉变程度样品之间距离较近。为了提高电子鼻对霉变燕麦样品区分效果，进行了电子鼻传感器负荷加载分析，优化选择了传感器阵列，优化后主成分1 和主成分2 贡献率之和为99.31%，相同霉变程度燕麦样品的聚合度更高，使不同霉变程度燕麦样品之间的区分更加明显，为进一步的定量化检测奠定了基础。