吳瑞梅，趙杰文，陳全勝，黃星奕

(1.江蘇大學(xué)食品與生物工程學(xué)院，江蘇鎮(zhèn)江212013;2.江西農(nóng)業(yè)大學(xué)工學(xué)院，江西南昌330045)

綠茶是一種不發(fā)酵茶，既具有抗癌、降血脂等藥理功效［1］，又具有極好的滋味［2］，深受消費(fèi)者喜愛(ài).目前，綠茶滋味品質(zhì)評(píng)價(jià)主要由感官審評(píng)方法進(jìn)行，但該方法的評(píng)定結(jié)果由評(píng)茶師經(jīng)驗(yàn)決定，主觀性強(qiáng)，重復(fù)性差.研究表明，茶葉的滋味成分與感官評(píng)分之間存在一定相關(guān)性［3］.P.Owuor Okinda等［4］研究了肯尼亞紅茶的滋味成分與感官評(píng)分之間的量化關(guān)系;Liang Yuerong 等建立了紅茶［5］、普洱茶［6］、綠茶［7］的滋味成分與感官評(píng)分之間的相關(guān)模型.電子舌是一種模仿生物味覺(jué)機(jī)理而制成的智能儀器［8］，Z.Kovács等［9］研究利用電子舌評(píng)價(jià)印度紅茶滋味感官屬性的可行性，結(jié)果表明電子舌能較好地預(yù)測(cè)滋味屬性的苦味、酸味和甜味.上述研究使用簡(jiǎn)單的線性方法建立儀器參數(shù)與感官評(píng)分之間的量化模型，且未對(duì)模型性能進(jìn)行評(píng)價(jià).茶葉內(nèi)部成分復(fù)雜，其滋味品質(zhì)是各種復(fù)雜內(nèi)部成分相互作用的結(jié)果，用簡(jiǎn)單的線性方法難以解決復(fù)雜問(wèn)題.BP神經(jīng)網(wǎng)絡(luò)(back-propagation artificial neural network，BP-ANN)是目前應(yīng)用最廣、計(jì)算能力最強(qiáng)的神經(jīng)網(wǎng)絡(luò)之一，該網(wǎng)絡(luò)采用最小均方差學(xué)習(xí)方式，以反向傳播的學(xué)習(xí)算法來(lái)調(diào)整各權(quán)重值，能用來(lái)解決模糊的，非線性等復(fù)雜問(wèn)題［10-11］.

試驗(yàn)以“碧螺春”名優(yōu)綠茶為對(duì)象，采用感官審評(píng)沖泡法獲取茶湯溶液，利用化學(xué)分析儀器測(cè)定各樣本茶湯的10種主要滋味成分:茶多酚、氨基酸、咖啡堿、沒(méi)食子酸(GA)、表沒(méi)食子兒茶素(epigallocatechin，EGC)、兒茶素［(+)-catechin，C］、表沒(méi)食子兒茶素沒(méi)食子酸酯(epigallocatechin gallate，EGCG)、沒(méi)食子兒茶素沒(méi)食子酸酯(Gallocatechin-3-gallate，GCG)、表兒茶素沒(méi)食子酸酯(epicatechin gallate，ECG)和兒茶素總量，同時(shí)利用電子舌采集各樣本茶湯的傳感器響應(yīng)值.利用BP神經(jīng)網(wǎng)絡(luò)方法，分別建立10種主要滋味成分含量與滋味感官評(píng)分之間、傳感器響應(yīng)值與滋味感官評(píng)分之間的相關(guān)模型，比較基于2種方法建立的模型性能，從中選出1種能更好地量化分析綠茶滋味品質(zhì)的方法.

1 材料與方法

1.1 儀器與試劑

試驗(yàn)儀器為L(zhǎng)C-20A高效液相色譜儀(日本，SHIMADZU)，C18色譜柱(VP-ODS，250 mm × 4.6 mm，5μm)，紫外-可見(jiàn)檢測(cè)器(Prominence SPD-20A)，梯度系統(tǒng)(LC-20AT);UV-1600紫外-可見(jiàn)分光光度計(jì)(北京瑞利分析儀器公司);ASTREEⅡ電子舌檢測(cè)系統(tǒng)(法國(guó)Alpha.MOS公司)，其傳感器陣列由 ZZ，BA，BB，CA，GA，HA，JB 7 根傳感器和1根參比電極組成;150 mL審評(píng)杯.

茶氨酸、沒(méi)食子酸、EGC、C、EGCG、GCG 和 ECG等標(biāo)準(zhǔn)品購(gòu)于Sigma公司;乙腈為色譜純(國(guó)藥集團(tuán)化學(xué)試劑有限公司);水為Mili-Q超純水(美國(guó)Millipore公司);其他試劑均為分析純.

1.2 綠茶樣本收集及滋味品質(zhì)的感官審評(píng)

試驗(yàn)茶葉選用不同生產(chǎn)日期(2011-03-19—04-22)的蘇州洞庭山碧螺春茶，由江蘇三萬(wàn)昌茶葉有限公司提供，共收集75批茶樣，每批200 g.75批茶樣的滋味品質(zhì)感官評(píng)定在安徽農(nóng)業(yè)大學(xué)茶學(xué)系感官審評(píng)實(shí)驗(yàn)室完成，由4位評(píng)茶師按照茶葉感官審評(píng)方法(GB/T 23776—2009)和碧螺春茶(NY/T 863—2004)農(nóng)業(yè)行業(yè)標(biāo)準(zhǔn)，采用集體評(píng)分和密碼審評(píng)形式評(píng)定各茶樣的滋味品質(zhì).4位評(píng)茶員評(píng)分的平均值作為每批茶樣滋味品質(zhì)的最終評(píng)分值.滋味評(píng)分值越高，表明其品質(zhì)越好.

75批茶樣的滋味感官評(píng)分值為本研究模型建立的參考值.從75個(gè)樣本中選取50個(gè)作為校正集，建立校正模型，余下的25個(gè)為預(yù)測(cè)集，用來(lái)評(píng)價(jià)模型的性能.

1.3 茶湯的滋味化學(xué)成分測(cè)定

每批茶樣混勻后稱取3 g，放入150 mL的審評(píng)杯中，用沸蒸餾水沖泡5min，將茶湯倒出，用濾紙過(guò)濾，待測(cè).

利用化學(xué)分析儀器測(cè)定每個(gè)樣本茶湯的茶多酚、氨基酸、咖啡堿、GA、EGC、C、EGCG、GCG、ECG 的成分含量，其中茶多酚含量采用酒石酸亞鐵比色法(GB/T 8313—2002)測(cè)定;氨基酸含量采用水合茚三酮比色法(GB/T 8314—2002)測(cè)定;咖啡堿、GA、EGC、C、EGCG、GCG、ECG 采用高效液相色譜法(ISO 14502—2006)測(cè)定;兒茶素總量為 EGC，C，EGCG，GCG和ECG 5種兒茶素含量之和.高效液相法色譜條件:柱溫(35±0.5)℃;檢測(cè)波長(zhǎng)278 nm;流動(dòng)相為體積分?jǐn)?shù)2%冰乙酸水溶液(A)和乙腈(B).梯度洗脫:0 min，φ(A)為95%;0 ～10 min，φ(A)為95% ～80%;10～20 min，φ(A)為 80% ～62.5%;20～25 min，φ(A)為 62.5% ～45%;25 ～30 min，φ(A)為95% ～45%;流速0.8 mL·min-1;進(jìn)樣量5μL.

1.4 電子舌傳感器響應(yīng)值采集

在測(cè)定各樣本茶湯滋味成分的同時(shí)，采用電子舌采集茶湯的傳感器響應(yīng)值.取上述制備液約82 mL，倒入專用燒杯中，將其放入電子舌自動(dòng)進(jìn)樣器上，數(shù)據(jù)采集序列為校準(zhǔn)溶液(蒸餾水)和待測(cè)茶湯交替進(jìn)行.每個(gè)茶樣溶液的數(shù)據(jù)采集時(shí)間為150 s，重復(fù)測(cè)量6次，求其最后3次的平均值作為各傳感器響應(yīng)值的原始數(shù)據(jù).

2 結(jié)果與討論

2.1 綠茶滋味品質(zhì)的感官審評(píng)結(jié)果分析

75批碧螺春茶的滋味感官評(píng)分最高為90.00分，最低為69.50分，所有茶樣感官評(píng)分的平均值為81.01，標(biāo)準(zhǔn)偏差為5.25.對(duì)4位評(píng)茶師的滋味評(píng)分進(jìn)行相關(guān)分析，見(jiàn)表1.由表可知，各位評(píng)茶師的滋味評(píng)分之間存在顯著相關(guān)性(P＜0.01)，各評(píng)茶師的評(píng)分與4位評(píng)茶師評(píng)分的平均值之間也存在顯著相關(guān)性(P＜0.01)，說(shuō)明4位評(píng)茶師對(duì)茶湯的滋味品質(zhì)評(píng)價(jià)具有較高的一致性和準(zhǔn)確性.

表1 所有評(píng)茶師的滋味評(píng)分的皮爾遜相關(guān)分析

2.2 綠茶茶湯的滋味化學(xué)成分含量分析

表2是75個(gè)樣本茶湯的10種滋味成分含量測(cè)定結(jié)果，其中茶多酚含量最高，GA和C含量最低，ECG的變異系數(shù)最大，GCG的變異系數(shù)最小.而GA是呈酸澀味的滋味成分，C是呈苦澀味的滋味成分［12］，即使是含量較小的GA和C對(duì)綠茶滋味也有一定的協(xié)調(diào)作用.本研究擬建立茶湯的10種滋味成分含量與滋味感官評(píng)分之間的BP-ANN模型.

表2 茶湯的10種滋味成分含量 mg·g-1

2.3 滋味成分與感官評(píng)分的相關(guān)模型

對(duì)校正集樣本，采用3層BP-ANN網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu):輸入層、隱含層、輸出層，把上述測(cè)定的10種滋味成分含量經(jīng)標(biāo)準(zhǔn)化處理后，作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入，則輸入層神經(jīng)元數(shù)為10，輸出層神經(jīng)元數(shù)為1，即為茶湯的滋味感官評(píng)分.輸入層到隱含層的傳遞函數(shù)采用正切S形函數(shù)，隱含層到輸出層的傳遞函數(shù)采用logistic函數(shù)，學(xué)習(xí)速率為0.2，權(quán)重修正動(dòng)量為0.4，初始權(quán)重設(shè)置為0.3，目標(biāo)誤差為0.001，最大訓(xùn)練次數(shù)為2 000.用上述參數(shù)訓(xùn)練網(wǎng)絡(luò)模型，模型的預(yù)測(cè)值與實(shí)際評(píng)分之間的相關(guān)系數(shù)(Rc)為0.889，交互驗(yàn)證均方根誤差(RMSECV)為2.431.用預(yù)測(cè)集樣本評(píng)價(jià)模型性能，模型預(yù)測(cè)值與實(shí)際評(píng)分之間的相關(guān)系數(shù)(Rp)為0.869，預(yù)測(cè)均方根誤差(RMSEP)為2.553.

2.4 電子舌數(shù)據(jù)與感官評(píng)分的相關(guān)模型

本研究有比較地采用BP神經(jīng)網(wǎng)絡(luò)方法建立電子舌的傳感器響應(yīng)值與滋味感官評(píng)分之間的相關(guān)模型.為有對(duì)比性，訓(xùn)練集與預(yù)測(cè)集樣本與2.3節(jié)相同，BP-ANN網(wǎng)絡(luò)的結(jié)構(gòu)及網(wǎng)絡(luò)參數(shù)值的設(shè)計(jì)也與2.3節(jié)相同.

電子舌的各傳感器既具有選擇性、非特異性又具有交互敏感性，導(dǎo)致各傳感器的響應(yīng)值之間存在一定相關(guān)性，從而使變量間產(chǎn)生冗余信息.這些冗余信息參與模型建立，會(huì)使網(wǎng)絡(luò)訓(xùn)練過(guò)程產(chǎn)生“過(guò)擬合”現(xiàn)象.研究采用主成分分析法提取特征變量作為網(wǎng)絡(luò)的輸入，在校正集中用交互驗(yàn)證法優(yōu)化主成分?jǐn)?shù)，產(chǎn)生最小RMSECV的網(wǎng)絡(luò)所采用的主成分?jǐn)?shù)，即為最佳主成分?jǐn)?shù).圖1顯示了不同主成分?jǐn)?shù)所建模型對(duì)應(yīng)的RMSECV值，由圖可知，當(dāng)使用6個(gè)主成分訓(xùn)練網(wǎng)絡(luò)模型時(shí)，模型的RMSECV值最小，因此使用前6個(gè)主成分作為網(wǎng)絡(luò)的輸入.用以上參數(shù)訓(xùn)練網(wǎng)絡(luò)，模型對(duì)校正集樣本的交互驗(yàn)證均方根誤差(RMSECV)為1.547，模型預(yù)測(cè)值與實(shí)際評(píng)分值之間的相關(guān)系數(shù)(Rc)為0.961;模型對(duì)預(yù)測(cè)集樣本的預(yù)測(cè)均方根誤差(RMSEP)為1.913，模型預(yù)測(cè)值與實(shí)際評(píng)分值之間的相關(guān)系數(shù)(Rp)為0.932.

圖1 校正集樣本在不同主成分下建立BP-ANN模型對(duì)應(yīng)的RMSECV值

2.5 2種方法的結(jié)果比較

圖2是預(yù)測(cè)集25個(gè)樣本的滋味感官評(píng)分與BPANN模型的預(yù)測(cè)值之間的預(yù)測(cè)誤差圖，圖中橫坐標(biāo)為評(píng)茶師對(duì)滋味的評(píng)分，縱坐標(biāo)為評(píng)茶師評(píng)分與模型預(yù)測(cè)值之差.圖2a是基于化學(xué)儀器方法建立模型的預(yù)測(cè)誤差圖，圖2b是基于電子舌方法建立模型的預(yù)測(cè)誤差圖.由圖可知，基于化學(xué)儀器方法建立的模型中，有2個(gè)樣本的預(yù)測(cè)誤差的絕對(duì)值超過(guò)5.0分(見(jiàn)圖2a中的虛線標(biāo)志)，預(yù)測(cè)誤差的絕對(duì)值在0～5.0分以內(nèi)的符合率為92%;基于電子舌方法建立的模型中，有1個(gè)樣本的預(yù)測(cè)誤差的絕對(duì)值超過(guò)5.0分(見(jiàn)圖2b中的虛線標(biāo)志)，預(yù)測(cè)誤差的絕對(duì)值在0～5.0分以內(nèi)的符合率為96%.由以上分析可知，用化學(xué)儀器方法和電子舌方法預(yù)測(cè)綠茶的滋味品質(zhì)與人工感官評(píng)價(jià)綠茶滋味品質(zhì)具有較好的一致性.

圖2 BP-ANN模型對(duì)預(yù)測(cè)集樣本的預(yù)測(cè)誤差

表3是在95%置信區(qū)間內(nèi)，當(dāng)采用BP-ANN方法分別建立10種滋味成分與滋味感官評(píng)分之間、傳感器響應(yīng)值與滋味感官評(píng)分之間的模型時(shí)，預(yù)測(cè)集樣本的實(shí)際評(píng)分與模型預(yù)測(cè)值的配對(duì)t檢驗(yàn)結(jié)果.為比較線性方法(偏最小二乘回歸，PLS)和非線性方法(BP-ANN)應(yīng)用于儀器測(cè)量參數(shù)與滋味感官評(píng)分之間模型建立的效果，表4列出了基于化學(xué)分析儀器方法和電子舌方法建立PLS模型和BP-ANN模型的性能比較結(jié)果.

表3 模型的預(yù)測(cè)值與實(shí)際評(píng)分的配對(duì)t檢驗(yàn)

由表3可知基于2種方法的t值分別為-0.138和 -0.720，其絕對(duì)值都小于t0.025，24=2.064，表明基于2種方法建立的BP-ANN模型，其預(yù)測(cè)值與實(shí)際評(píng)分之間無(wú)顯著差異.由此可見(jiàn)，用化學(xué)儀器方法和電子舌方法量化評(píng)價(jià)綠茶的滋味感官品質(zhì)，其準(zhǔn)確度都可靠.但由表4可知，基于2種方法建立的BP-ANN模型性能都要好于PLS的，說(shuō)明BP-ANN方法更適合于解決儀器測(cè)量參數(shù)與滋味感官評(píng)分之間的相關(guān)關(guān)系.但基于電子舌方法建立的PLS和BP-ANN模型性能都好于基于化學(xué)分析儀器的，說(shuō)明電子舌能更好地量化評(píng)價(jià)綠茶的滋味感官品質(zhì).這是因?yàn)榫G茶滋味是由茶湯內(nèi)數(shù)十種滋味成分相互配合，彼此協(xié)調(diào)后的綜合反映，而不是某幾種成分的獨(dú)立作用［12］.利用化學(xué)方法只能測(cè)量茶葉內(nèi)有限幾種滋味成分，采用BP神經(jīng)網(wǎng)絡(luò)方法能較好地解決各種滋味成分與滋味感官評(píng)分之間的復(fù)雜非線性問(wèn)題，但使用有限幾種獨(dú)立的滋味成分含量建模，不能體現(xiàn)各種滋味成分間的相互作用.電子舌傳感器陣列是模仿生物味覺(jué)機(jī)理設(shè)計(jì)的，其傳感器陣列相當(dāng)于人體味覺(jué)器官，由既具有選擇性，又具有交互敏感性的有機(jī)膜組成，傳感器響應(yīng)值并不是某單一成分的獨(dú)立作用，而是有選擇性的各種成分的綜合響應(yīng)，輸出的響應(yīng)信號(hào)是茶湯溶液的整體信息，能充分體現(xiàn)出各種滋味成分的綜合作用.因此，利用電子舌方法能更好地量化評(píng)價(jià)綠茶的滋味感官品質(zhì).

表4 PLS和BP-ANN模型結(jié)果比較

3 結(jié)論

1)用化學(xué)儀器方法和電子舌方法預(yù)測(cè)綠茶的滋味品質(zhì)與人工感官評(píng)價(jià)綠茶滋味品質(zhì)具有較好的一致性.

2)利用BP-ANN方法能更好地解決電子舌傳感器數(shù)據(jù)與滋味感官評(píng)分之間的相關(guān)關(guān)系.

3)與化學(xué)分析儀器方法相比，電子舌方法能更好地量化評(píng)價(jià)綠茶的滋味感官品質(zhì).

References)

［1］ Bettuzzi S，BrausiM，Rizzi F.Chemoprevention of human prostate cancer by oral administration of green tea catechins in volunteers with high-grade prostate intraepithelial neoplasia:a preliminary report from a one-year proof-of-principle study［J］.Cancer Research，2006，66(2):1234-1240.

［2］ Pongsuwan W，F(xiàn)ukusaki E，Bamba T，et al.Prediction of Japanese green tea ranking by gas chromatography/mass spectrometry-based hydrophilic metabolite fingerprinting［J］.Journal of Agricultural and Food Chemistry，2007，55(2):231-236.

［3］ Obanda M，Okinda Owuor P，Taylor SJ.Flavanol composition and caffeine content of green leaf as quality potential indicators of Kenyan black teas［J］.Journal of the Science of Food and Agriculture，1997，74(2):209-215.

［4］ Okinda Owuor P，Obanda M，Nyirenda Hastings E，et al.The relationship between some chemical parameters and sensory evaluations for plain black tea(Camellia sinensis)produced in Kenya and comparison with similar teas from Malawi and South Africa ［J］.FoodChemistry，2006，97(4):644-653.

［5］ Liang Yuerong，Lu Jianliang，Zhang Lingyun，et al.Estimation of black tea quality by analysis of chemical composition and colour difference of tea infusions［J］.Food Chemistry，2003，80(2):283-290.

［6］ Liang Yuerong，Zhang Lingyun，Lu Jianliang.A study on chemical estimation of pu-erh tea quality ［J］.Journal of the Science of Food and Agriculture，2005，85(3):381-390.

［7］ Liang Y R，Ye Q，Jin J，et al.Chemical and instrumental assessment of green tea sensory preference ［J］.International Journal of Food Properties，2008，11(2):258-272.

［8］ 姜 莎，陳芹芹，胡雪芳，等.電子舌在紅茶飲料區(qū)分辨識(shí)中的應(yīng)用［J］.農(nóng)業(yè)工程學(xué)報(bào)，2009，25(11):345-349.Jiang Sha，Chen Qinqin，Hu Xuefang，et al.Application of electronic tongue on black tea beverage discrimination［J］.Transactions of the CSAE，2009，25(11):345-349.(in Chinese)

［9］ Kovács Z，Dalmadi I，Lukács L，et al.Geographical origin identification of pure Sri Lanka tea infusions with electronic nose，electronic tongue and sensory profile analysis［J］.Journal of Chemometrics，2010，24(3):121-130.

［10］ 張俊雄，吳科斌，宋 鵬，等.基于BP神經(jīng)網(wǎng)絡(luò)的玉米單倍體種子圖像分割［J］.江蘇大學(xué)學(xué)報(bào):自然科學(xué)版，2011，32(6):621-625.Zhang Junxiong，Wu Kebin，Song Peng，et al.Image segmentation of maize haploid seeds based on BP neural network ［J］.Journal of Jiangsu University:Natural Science Edition，2011，32(6):621-625.(in Chinese)

［11］ 陸秋君，王 俊，于慧春，等.蛋殼裂紋的神經(jīng)網(wǎng)絡(luò)判別［J］. 江蘇大學(xué)學(xué)報(bào):自然科學(xué)版，2009，30(5):454-458.Lu Qiujun，Wang Jun，Yu huichun，et al.Identification of eggshell crack using BPNN and GA-BPNN in dynamic frequency analysis ［J］.Journal of Jiangsu University:Natural Science Edition，2009，30(5):454-458.(in Chinese)

［12］ 陸松侯，施兆鵬.茶葉審評(píng)與檢驗(yàn)［M］.3版.北京:中國(guó)農(nóng)業(yè)出版社，2001:55-70.