化学仪器与电子舌表征绿茶滋味感官品质的比较

吴瑞梅，赵杰文，陈全胜，黄星奕

(1.江苏大学食品与生物工程学院，江苏镇江212013;2.江西农业大学工学院，江西南昌330045)

绿茶是一种不发酵茶，既具有抗癌、降血脂等药理功效［1］，又具有极好的滋味［2］，深受消费者喜爱.目前，绿茶滋味品质评价主要由感官审评方法进行，但该方法的评定结果由评茶师经验决定，主观性强，重复性差.研究表明，茶叶的滋味成分与感官评分之间存在一定相关性［3］.P.Owuor Okinda等［4］研究了肯尼亚红茶的滋味成分与感官评分之间的量化关系;Liang Yuerong 等建立了红茶［5］、普洱茶［6］、绿茶［7］的滋味成分与感官评分之间的相关模型.电子舌是一种模仿生物味觉机理而制成的智能仪器［8］，Z.Kovács等［9］研究利用电子舌评价印度红茶滋味感官属性的可行性，结果表明电子舌能较好地预测滋味属性的苦味、酸味和甜味.上述研究使用简单的线性方法建立仪器参数与感官评分之间的量化模型，且未对模型性能进行评价.茶叶内部成分复杂，其滋味品质是各种复杂内部成分相互作用的结果，用简单的线性方法难以解决复杂问题.BP神经网络(back-propagation artificial neural network，BP-ANN)是目前应用最广、计算能力最强的神经网络之一，该网络采用最小均方差学习方式，以反向传播的学习算法来调整各权重值，能用来解决模糊的，非线性等复杂问题［10-11］.

试验以“碧螺春”名优绿茶为对象，采用感官审评冲泡法获取茶汤溶液，利用化学分析仪器测定各样本茶汤的10种主要滋味成分:茶多酚、氨基酸、咖啡碱、没食子酸(GA)、表没食子儿茶素(epigallocatechin，EGC)、儿茶素［(+)-catechin，C］、表没食子儿茶素没食子酸酯(epigallocatechin gallate，EGCG)、没食子儿茶素没食子酸酯(Gallocatechin-3-gallate，GCG)、表儿茶素没食子酸酯(epicatechin gallate，ECG)和儿茶素总量，同时利用电子舌采集各样本茶汤的传感器响应值.利用BP神经网络方法，分别建立10种主要滋味成分含量与滋味感官评分之间、传感器响应值与滋味感官评分之间的相关模型，比较基于2种方法建立的模型性能，从中选出1种能更好地量化分析绿茶滋味品质的方法.

1 材料与方法

1.1 仪器与试剂

试验仪器为LC-20A高效液相色谱仪(日本，SHIMADZU)，C18色谱柱(VP-ODS，250 mm × 4.6 mm，5μm)，紫外-可见检测器(Prominence SPD-20A)，梯度系统(LC-20AT);UV-1600紫外-可见分光光度计(北京瑞利分析仪器公司);ASTREEⅡ电子舌检测系统(法国Alpha.MOS公司)，其传感器阵列由 ZZ，BA，BB，CA，GA，HA，JB 7 根传感器和1根参比电极组成;150 mL审评杯.

茶氨酸、没食子酸、EGC、C、EGCG、GCG 和 ECG等标准品购于Sigma公司;乙腈为色谱纯(国药集团化学试剂有限公司);水为Mili-Q超纯水(美国Millipore公司);其他试剂均为分析纯.

1.2 绿茶样本收集及滋味品质的感官审评

试验茶叶选用不同生产日期(2011-03-19—04-22)的苏州洞庭山碧螺春茶，由江苏三万昌茶叶有限公司提供，共收集75批茶样，每批200 g.75批茶样的滋味品质感官评定在安徽农业大学茶学系感官审评实验室完成，由4位评茶师按照茶叶感官审评方法(GB/T 23776—2009)和碧螺春茶(NY/T 863—2004)农业行业标准，采用集体评分和密码审评形式评定各茶样的滋味品质.4位评茶员评分的平均值作为每批茶样滋味品质的最终评分值.滋味评分值越高，表明其品质越好.

75批茶样的滋味感官评分值为本研究模型建立的参考值.从75个样本中选取50个作为校正集，建立校正模型，余下的25个为预测集，用来评价模型的性能.

1.3 茶汤的滋味化学成分测定

每批茶样混匀后称取3 g，放入150 mL的审评杯中，用沸蒸馏水冲泡5min，将茶汤倒出，用滤纸过滤，待测.

利用化学分析仪器测定每个样本茶汤的茶多酚、氨基酸、咖啡碱、GA、EGC、C、EGCG、GCG、ECG 的成分含量，其中茶多酚含量采用酒石酸亚铁比色法(GB/T 8313—2002)测定;氨基酸含量采用水合茚三酮比色法(GB/T 8314—2002)测定;咖啡碱、GA、EGC、C、EGCG、GCG、ECG 采用高效液相色谱法(ISO 14502—2006)测定;儿茶素总量为 EGC，C，EGCG，GCG和ECG 5种儿茶素含量之和.高效液相法色谱条件:柱温(35±0.5)℃;检测波长278 nm;流动相为体积分数2%冰乙酸水溶液(A)和乙腈(B).梯度洗脱:0 min，φ(A)为95%;0 ～10 min，φ(A)为95% ～80%;10～20 min，φ(A)为 80% ～62.5%;20～25 min，φ(A)为 62.5% ～45%;25 ～30 min，φ(A)为95% ～45%;流速0.8 mL·min-1;进样量5μL.

1.4 电子舌传感器响应值采集

在测定各样本茶汤滋味成分的同时，采用电子舌采集茶汤的传感器响应值.取上述制备液约82 mL，倒入专用烧杯中，将其放入电子舌自动进样器上，数据采集序列为校准溶液(蒸馏水)和待测茶汤交替进行.每个茶样溶液的数据采集时间为150 s，重复测量6次，求其最后3次的平均值作为各传感器响应值的原始数据.

2 结果与讨论

2.1 绿茶滋味品质的感官审评结果分析

75批碧螺春茶的滋味感官评分最高为90.00分，最低为69.50分，所有茶样感官评分的平均值为81.01，标准偏差为5.25.对4位评茶师的滋味评分进行相关分析，见表1.由表可知，各位评茶师的滋味评分之间存在显著相关性(P＜0.01)，各评茶师的评分与4位评茶师评分的平均值之间也存在显著相关性(P＜0.01)，说明4位评茶师对茶汤的滋味品质评价具有较高的一致性和准确性.

表1 所有评茶师的滋味评分的皮尔逊相关分析

2.2 绿茶茶汤的滋味化学成分含量分析

表2是75个样本茶汤的10种滋味成分含量测定结果，其中茶多酚含量最高，GA和C含量最低，ECG的变异系数最大，GCG的变异系数最小.而GA是呈酸涩味的滋味成分，C是呈苦涩味的滋味成分［12］，即使是含量较小的GA和C对绿茶滋味也有一定的协调作用.本研究拟建立茶汤的10种滋味成分含量与滋味感官评分之间的BP-ANN模型.

表2 茶汤的10种滋味成分含量 mg·g-1

2.3 滋味成分与感官评分的相关模型

对校正集样本，采用3层BP-ANN网络拓扑结构:输入层、隐含层、输出层，把上述测定的10种滋味成分含量经标准化处理后，作为BP神经网络模型的输入，则输入层神经元数为10，输出层神经元数为1，即为茶汤的滋味感官评分.输入层到隐含层的传递函数采用正切S形函数，隐含层到输出层的传递函数采用logistic函数，学习速率为0.2，权重修正动量为0.4，初始权重设置为0.3，目标误差为0.001，最大训练次数为2 000.用上述参数训练网络模型，模型的预测值与实际评分之间的相关系数(Rc)为0.889，交互验证均方根误差(RMSECV)为2.431.用预测集样本评价模型性能，模型预测值与实际评分之间的相关系数(Rp)为0.869，预测均方根误差(RMSEP)为2.553.

2.4 电子舌数据与感官评分的相关模型

本研究有比较地采用BP神经网络方法建立电子舌的传感器响应值与滋味感官评分之间的相关模型.为有对比性，训练集与预测集样本与2.3节相同，BP-ANN网络的结构及网络参数值的设计也与2.3节相同.

电子舌的各传感器既具有选择性、非特异性又具有交互敏感性，导致各传感器的响应值之间存在一定相关性，从而使变量间产生冗余信息.这些冗余信息参与模型建立，会使网络训练过程产生“过拟合”现象.研究采用主成分分析法提取特征变量作为网络的输入，在校正集中用交互验证法优化主成分数，产生最小RMSECV的网络所采用的主成分数，即为最佳主成分数.图1显示了不同主成分数所建模型对应的RMSECV值，由图可知，当使用6个主成分训练网络模型时，模型的RMSECV值最小，因此使用前6个主成分作为网络的输入.用以上参数训练网络，模型对校正集样本的交互验证均方根误差(RMSECV)为1.547，模型预测值与实际评分值之间的相关系数(Rc)为0.961;模型对预测集样本的预测均方根误差(RMSEP)为1.913，模型预测值与实际评分值之间的相关系数(Rp)为0.932.

图1 校正集样本在不同主成分下建立BP-ANN模型对应的RMSECV值

2.5 2种方法的结果比较

图2是预测集25个样本的滋味感官评分与BPANN模型的预测值之间的预测误差图，图中横坐标为评茶师对滋味的评分，纵坐标为评茶师评分与模型预测值之差.图2a是基于化学仪器方法建立模型的预测误差图，图2b是基于电子舌方法建立模型的预测误差图.由图可知，基于化学仪器方法建立的模型中，有2个样本的预测误差的绝对值超过5.0分(见图2a中的虚线标志)，预测误差的绝对值在0～5.0分以内的符合率为92%;基于电子舌方法建立的模型中，有1个样本的预测误差的绝对值超过5.0分(见图2b中的虚线标志)，预测误差的绝对值在0～5.0分以内的符合率为96%.由以上分析可知，用化学仪器方法和电子舌方法预测绿茶的滋味品质与人工感官评价绿茶滋味品质具有较好的一致性.

图2 BP-ANN模型对预测集样本的预测误差

表3是在95%置信区间内，当采用BP-ANN方法分别建立10种滋味成分与滋味感官评分之间、传感器响应值与滋味感官评分之间的模型时，预测集样本的实际评分与模型预测值的配对t检验结果.为比较线性方法(偏最小二乘回归，PLS)和非线性方法(BP-ANN)应用于仪器测量参数与滋味感官评分之间模型建立的效果，表4列出了基于化学分析仪器方法和电子舌方法建立PLS模型和BP-ANN模型的性能比较结果.

表3 模型的预测值与实际评分的配对t检验

由表3可知基于2种方法的t值分别为-0.138和 -0.720，其绝对值都小于t0.025，24=2.064，表明基于2种方法建立的BP-ANN模型，其预测值与实际评分之间无显著差异.由此可见，用化学仪器方法和电子舌方法量化评价绿茶的滋味感官品质，其准确度都可靠.但由表4可知，基于2种方法建立的BP-ANN模型性能都要好于PLS的，说明BP-ANN方法更适合于解决仪器测量参数与滋味感官评分之间的相关关系.但基于电子舌方法建立的PLS和BP-ANN模型性能都好于基于化学分析仪器的，说明电子舌能更好地量化评价绿茶的滋味感官品质.这是因为绿茶滋味是由茶汤内数十种滋味成分相互配合，彼此协调后的综合反映，而不是某几种成分的独立作用［12］.利用化学方法只能测量茶叶内有限几种滋味成分，采用BP神经网络方法能较好地解决各种滋味成分与滋味感官评分之间的复杂非线性问题，但使用有限几种独立的滋味成分含量建模，不能体现各种滋味成分间的相互作用.电子舌传感器阵列是模仿生物味觉机理设计的，其传感器阵列相当于人体味觉器官，由既具有选择性，又具有交互敏感性的有机膜组成，传感器响应值并不是某单一成分的独立作用，而是有选择性的各种成分的综合响应，输出的响应信号是茶汤溶液的整体信息，能充分体现出各种滋味成分的综合作用.因此，利用电子舌方法能更好地量化评价绿茶的滋味感官品质.

表4 PLS和BP-ANN模型结果比较

3 结论

1)用化学仪器方法和电子舌方法预测绿茶的滋味品质与人工感官评价绿茶滋味品质具有较好的一致性.

2)利用BP-ANN方法能更好地解决电子舌传感器数据与滋味感官评分之间的相关关系.

3)与化学分析仪器方法相比，电子舌方法能更好地量化评价绿茶的滋味感官品质.

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，Fukusaki 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，陈芹芹，胡雪芳，等.电子舌在红茶饮料区分辨识中的应用［J］.农业工程学报，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］ 张俊雄，吴科斌，宋 鹏，等.基于BP神经网络的玉米单倍体种子图像分割［J］.江苏大学学报:自然科学版，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］ 陆秋君，王 俊，于慧春，等.蛋壳裂纹的神经网络判别［J］. 江苏大学学报:自然科学版，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］ 陆松侯，施兆鹏.茶叶审评与检验［M］.3版.北京:中国农业出版社，2001:55-70.