豬肉是我國消費量最大的肉類，長期占據城鄉居民肉類消費量的 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境溫度變化過大都會引起冷凍肉品質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據，應用主成分分析（ＰＣＡ）、重復測量的方差分析對其數據特點進行分析，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網絡（ＡＮＮ）等模式識別算法建立預測模型，從而建立針對豬肉冷凍儲藏期和凍藏前是否經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 ℃繼續冷凍儲藏，檢測過程中保持低溫使樣品不發生解凍。
數據處理
分別選用主成分分析（ＰＣＡ）、重復數據的方差分析和獨立樣本的非參數檢驗來觀察電子鼻區分不同冷凍儲藏時間和凍藏前是否經過長時間冷藏的能力，同時通過線性判別分析（ＬＤＡ）和人工神經網絡（ＡＮＮ）算法來建立豬肉冷凍儲藏時間和凍藏前是否經過長時間冷藏的預測模型，并對預測模型的性能進行驗證。
結果與討論
電子鼻檢測數據的主成分分析與重復測量的方差分析
在多元數據的統計分析中，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據的 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。利用主成分得分數據繪制散點圖見圖 １。
從圖 １中可知，經過 ＰＣＡ 分析后，除了儲藏 0、25、80ｄ的數據重合外，第 134、161、200、250天數據都能較好區分。而儲藏 0～80ｄ的數據相對集中，這可能是由于在這一時間段內凍藏豬肉的品質劣變不顯著，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劣變不斷加劇，其風味成分的差異也不斷加劇。這一結果從揮發性風味成分的角度也證明了凍藏豬肉品質發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變化的研究中也得出了相似的結果。
但是通過第一、第二主成分的 ２Ｄ散點圖并不能明顯區分相同凍藏時間的 Ａ，Ｂ兩組樣品。由于在現實中存在將過期冷鮮肉回收轉為凍藏肉的情況，為進一步了解 Ａ，Ｂ兩組樣品的多指標結果是否具有顯著的差異，利用 Ａ，Ｂ兩組樣品電子鼻檢測數據的第一、第二主成分得分計算所得綜合主成分得分作為因變量，進行重復測量的方差分析，結果見表 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種方法矯正的組內效應檢驗均表明凍藏時間對 檢測結果影響顯著，而Ａ，Ｂ分組的因素對檢測結果隨凍藏時間的變化影響不顯著（即凍藏時間與 Ａ，經正態分布檢驗發現，在第 80，134，250天的數據并不服從正態分布（ｐ＜0.05）。為了解在不同凍藏時間點 Ａ，Ｂ兩組間檢測結果的差異是否顯著，采用兩獨立樣本的非參檢驗對數據進行分析，結果見圖 ２。
同時從表 ２可知，Ａ，Ｂ分組的因素對檢測結果具有極顯著的影響，這表明在４℃經過長時間冷藏的冷鮮肉再轉為凍藏肉與新鮮凍藏豬肉的電子鼻檢測結果是有顯著差異的。
從圖 ２可見，在第 0，80，134，161，250天時 Ａ，Ｂ兩組間檢測結果差異顯著，而第 25 和 200 天時 Ａ，Ｂ兩組間檢測結果差異不顯著（ｐ＞0.05）。這表明經過 ７ｄ冷藏后再凍藏的豬肉與新鮮凍藏的豬肉相比可能已經發生了變化，但在凍藏過程中發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現，不同凍藏前狀態和不同凍藏時間的豬肉樣品的電子鼻檢測數據，在整體上均有顯著的差異，這為利用這些數據建立針對豬肉凍藏前狀態和凍藏時間的預測模型提供的基礎條件。
電子鼻檢測數據的線性判別分析
為建立相應的預測模型，采用 ＬＤＡ方法對數據進一步分析。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 個豬肉樣品數據按照分組方式和凍藏時間分為 14 個類別進行 ＬＤＡ分析，結果如圖 ３所 示。用 于 作 圖 的 判 別 函 數 其 總 貢 獻 率 為 78.7％，其中第一判別函數貢獻率為 53.3％，第二判別函數貢獻率為 25.4％。由圖 ３可知，經過 ＬＤＡ分析后，除了凍藏第 0 和 25 ｄ的數據重合度較高外，其余第 80～250ｄ的數據都能較好區分，說明在凍藏 １個月內豬肉樣品的劣變幾乎沒有發生，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組樣品的組質心分離明顯，與主成分得分的非參檢驗結果類似。
為評估 ＬＤＡ對豬肉凍藏時間和凍藏前是否經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，結果見表 ３。結果表明對這 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過長時間冷藏均具有較好的鑒定能力。
電子鼻檢測數據的人工神經網絡分析
為建立更好的豬肉凍藏時間及凍藏前冷藏時間的預測模型，采用基于多層感知器的人工神經網絡算法對數據進行進一步分析。ＡＮＮ是一種模仿生物神經網絡（動物的中樞神經系統，特別是大腦）的結構和功能的數學模型或計算模型，目前已被廣范的應用于多元數據的估計或預測。在 處 理 中 將 420 個樣品利用隨機函數分 為 ３組，其中訓練樣品 219 個，測試樣品 132 個，支持樣品 69 個。最終生成包含 10個協變量（即電子鼻 10 個傳感器的數據）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。該模型對支持組數據的凍藏時間預測的相對錯誤僅為 0.008 ，對凍藏前是否經過長時間冷藏的分組錯誤率僅 7.2％（即預測正確率為 92.8％，由于支持組數據不參與建模，其給出的誤差可比較真實的反映模型的預測能力。）模型對冷凍儲藏時間和凍藏前是 否經過長時間冷藏的預測結果見圖 ４。從圖 ４中可知，該模型對豬肉凍藏時間和 凍藏前是否經過長時間冷藏均有較好的預測能力。由于 ＡＮＮ生成的預測模型對凍藏時間生產的是一個回歸模型具有更大的預測范圍，而對凍藏前是否經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測性能。
結論
（１）通過電子鼻無損頂空檢測及 ＰＣＡ和重復測量的方差分析對電子鼻檢測數據進行分析發現，不同凍藏前狀態和不同凍藏時間的樣品均表現出不同的多元數據分布特點。這為通過電子鼻檢測數據的模式識別算法建立豬肉凍藏時間和凍藏前是否經過長時間冷藏的預測模型提供了基礎條件。
（２）線性判別分析和基于多層感知器的神經網絡算法均能建立豬肉凍藏時間和凍藏前是否經過長時間冷藏的預測模型。不過采用基于多層感知器的神經網絡算法所建立的預測模型對凍藏時間預測的線性更大，回歸函數的相關性更好，對凍藏前是否經過長時間冷藏也有更高的分組預測的準確率。
（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雜的前處理，快速高效可實現現場檢測。
因此本研究旨在利用電子鼻系統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據，應用主成分分析（ＰＣＡ）、重復測量的方差分析對其數據特點進行分析，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網絡（ＡＮＮ）等模式識別算法建立預測模型，從而建立針對豬肉冷凍儲藏期和凍藏前是否經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 ℃繼續冷凍儲藏，檢測過程中保持低溫使樣品不發生解凍。
數據處理
分別選用主成分分析（ＰＣＡ）、重復數據的方差分析和獨立樣本的非參數檢驗來觀察電子鼻區分不同冷凍儲藏時間和凍藏前是否經過長時間冷藏的能力，同時通過線性判別分析（ＬＤＡ）和人工神經網絡（ＡＮＮ）算法來建立豬肉冷凍儲藏時間和凍藏前是否經過長時間冷藏的預測模型，并對預測模型的性能進行驗證。
結果與討論
電子鼻檢測數據的主成分分析與重復測量的方差分析
在多元數據的統計分析中，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據的 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。利用主成分得分數據繪制散點圖見圖 １。
但是通過第一、第二主成分的 ２Ｄ散點圖并不能明顯區分相同凍藏時間的 Ａ，Ｂ兩組樣品。由于在現實中存在將過期冷鮮肉回收轉為凍藏肉的情況，為進一步了解 Ａ，Ｂ兩組樣品的多指標結果是否具有顯著的差異，利用 Ａ，Ｂ兩組樣品電子鼻檢測數據的第一、第二主成分得分計算所得綜合主成分得分作為因變量，進行重復測量的方差分析，結果見表 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種方法矯正的組內效應檢驗均表明凍藏時間對 檢測結果影響顯著，而Ａ，Ｂ分組的因素對檢測結果隨凍藏時間的變化影響不顯著（即凍藏時間與 Ａ，經正態分布檢驗發現，在第 80，134，250天的數據并不服從正態分布（ｐ＜0.05）。為了解在不同凍藏時間點 Ａ，Ｂ兩組間檢測結果的差異是否顯著，采用兩獨立樣本的非參檢驗對數據進行分析，結果見圖 ２。
從圖 ２可見，在第 0，80，134，161，250天時 Ａ，Ｂ兩組間檢測結果差異顯著，而第 25 和 200 天時 Ａ，Ｂ兩組間檢測結果差異不顯著（ｐ＞0.05）。這表明經過 ７ｄ冷藏后再凍藏的豬肉與新鮮凍藏的豬肉相比可能已經發生了變化，但在凍藏過程中發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現，不同凍藏前狀態和不同凍藏時間的豬肉樣品的電子鼻檢測數據，在整體上均有顯著的差異，這為利用這些數據建立針對豬肉凍藏前狀態和凍藏時間的預測模型提供的基礎條件。
電子鼻檢測數據的線性判別分析
為建立相應的預測模型，采用 ＬＤＡ方法對數據進一步分析。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 個豬肉樣品數據按照分組方式和凍藏時間分為 14 個類別進行 ＬＤＡ分析，結果如圖 ３所 示。用 于 作 圖 的 判 別 函 數 其 總 貢 獻 率 為 78.7％，其中第一判別函數貢獻率為 53.3％，第二判別函數貢獻率為 25.4％。由圖 ３可知，經過 ＬＤＡ分析后，除了凍藏第 0 和 25 ｄ的數據重合度較高外，其余第 80～250ｄ的數據都能較好區分，說明在凍藏 １個月內豬肉樣品的劣變幾乎沒有發生，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組樣品的組質心分離明顯，與主成分得分的非參檢驗結果類似。
為建立更好的豬肉凍藏時間及凍藏前冷藏時間的預測模型，采用基于多層感知器的人工神經網絡算法對數據進行進一步分析。ＡＮＮ是一種模仿生物神經網絡（動物的中樞神經系統，特別是大腦）的結構和功能的數學模型或計算模型，目前已被廣范的應用于多元數據的估計或預測。在 處 理 中 將 420 個樣品利用隨機函數分 為 ３組，其中訓練樣品 219 個，測試樣品 132 個，支持樣品 69 個。最終生成包含 10個協變量（即電子鼻 10 個傳感器的數據）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。該模型對支持組數據的凍藏時間預測的相對錯誤僅為 0.008 ，對凍藏前是否經過長時間冷藏的分組錯誤率僅 7.2％（即預測正確率為 92.8％，由于支持組數據不參與建模，其給出的誤差可比較真實的反映模型的預測能力。）模型對冷凍儲藏時間和凍藏前是 否經過長時間冷藏的預測結果見圖 ４。從圖 ４中可知，該模型對豬肉凍藏時間和 凍藏前是否經過長時間冷藏均有較好的預測能力。由于 ＡＮＮ生成的預測模型對凍藏時間生產的是一個回歸模型具有更大的預測范圍，而對凍藏前是否經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測性能。
（１）通過電子鼻無損頂空檢測及 ＰＣＡ和重復測量的方差分析對電子鼻檢測數據進行分析發現，不同凍藏前狀態和不同凍藏時間的樣品均表現出不同的多元數據分布特點。這為通過電子鼻檢測數據的模式識別算法建立豬肉凍藏時間和凍藏前是否經過長時間冷藏的預測模型提供了基礎條件。
（２）線性判別分析和基于多層感知器的神經網絡算法均能建立豬肉凍藏時間和凍藏前是否經過長時間冷藏的預測模型。不過采用基于多層感知器的神經網絡算法所建立的預測模型對凍藏時間預測的線性更大，回歸函數的相關性更好，對凍藏前是否經過長時間冷藏也有更高的分組預測的準確率。
（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雜的前處理，快速高效可實現現場檢測。
