Langue électronique avec le Chimiométrie à la discrimination Provenance pour un thé vert

La correspondance doit être adressée à Jia Qi Zhu

Editeur universitaire: Hai-Yan Fu

Ce document vise à fournir une méthode instrumentale stable pour la discrimination fondée sur la provenance de thé Anji-Blanc par son goût distinctif. 180 authentique et 60 échantillons de thé blanc contrefaites ont été recueillies pour la détection des origines géographiques spécifiques; tous ont été mesurées par la langue électronique couplée à 7 capteurs indépendants. Par conséquent, des procédés chimiométriques, l'analyse en composantes principales (PCA), et les moindres carrés partiels analyse discriminante (PLSDA) ont été effectuées dans la classification. La distribution PCA montre que, dans l'analyse de la provenance, l'APC est un outil simple et fiable pour des ensembles de petits échantillons, mais pour les jeux avec de grands objets, PCA semble impuissant dans la classification. Par conséquent, PLSDA a été appliquée pour développer un modèle de classification. La sensibilité de prédiction et la spécificité de PLSDA, respectivement, ont atteint 0,917 et 0,950. Cette étude démontre le potentiel de combiner le système de langue électronique et chimiométrie comme un outil efficace pour la détection des origines géographiques spécifiques dans le thé Anji-White.

1. Introduction

Le thé vert, fabriqué à partir des feuilles de la plante Camellia sinensis, est l'une des boissons les plus populaires dans le monde. De plus, il est une excellente source d'antioxydants comme les polyphénols, les polysaccharides et les acides aminés, donc le thé vert a été largement consommé comme une boisson saine pour ses fonctions sur la prévention de l'obésité, le cancer, le foie et les maladies cardio-vasculaires [1] -3. théiers sont largement distribués dans plus de 30 pays et jouent un rôle important dans leurs économies; les propriétés et les composants chimiques du thé vert sont influencés par de nombreux facteurs, comme le climat, les conditions de fertilisation, les origines géographiques et les procédures de traitement. Parmi ces facteurs, les origines géographiques sont universellement acceptées comme un aspect important [4 -6]. Par conséquent, les plus célèbres en Chine, thés sont nommés d'après leurs origines géographiques, telles que le thé Anji-blanc, le thé de l'Ouest Lac-Longjing, le thé Anxi-Tieguanyin, et le thé Wuyi-Rock.

Ces dernières années, les méthodes analytiques basées sur les instruments ont été largement rapportés dans le contrôle de la qualité des aliments tels que le vin, le lait et le jus [8. 9]. Dans ces recherches, les capteurs de langue électroniques possèdent une bonne stabilité et la sensibilité. De plus, une bonne corrélation entre le jugement de la langue humaine et électronique a été observé, ce qui en fait une alternative prometteuse à l'analyse sensorielle humaine des thés.

Ce document a été axé sur l'élaboration d'une technique instrumentale pour distinguer la provenance de thé Anji-blanc par le système de la langue électronique et chimiométrie, pour modéliser la relation complexe entre le goût et l'origine géographique; analyse en composantes principales (PCA) et des moindres carrés partiels analyse discriminante modèles (PLSDA) ont été utilisés dans la classification [10 -13].

2. Matériels et méthodes

2.1. Des échantillons de thé

Tableau 1: Informations détaillées des échantillons.

2.2. Analyse de la langue électronique

3 grammes de chaque échantillon a été ajouté à l'eau distillée bouillante 150 ml et perfuses pendant 10 minutes. Ensuite, la perfusion a été filtrée dans un bêcher en verre et on le refroidit à 25 ° C dans un bain d'eau pour analyse. Un système de langue électronique ASTREE II (Alpha M.O.S. Toulouse, France) couplée à une électrode de référence et 7 capteurs de liquides indépendants (ZZ, BA, BB, CA, AG, AH, et JB) a été réalisée dans l'analyse sensorielle instrumentale. Afin d'obtenir des données fiables, l'instrument a été calibré par NaCl standard (0,01 mol / L), du HCl (0,01 mol / L) et de glutamate monosodique (0,01 mol / L) les solutions avant l'essai. L'intervalle d'acquisition de signal est de 1 s, le temps d'acquisition était de 180 s, et le signal exporté stable à 180 s a été acceptée pour l'analyse de la provenance. La sensibilité croisée et la sélectivité de l'ensemble de capteurs sont affichées dans le tableau 2.

Tableau 2: Sensibilité du capteur du système de langue électronique.

2.3. Analyse des composants principaux

Toute l'analyse des données a été réalisée sur MATLAB® 7.14.0.739 (Mathworks, Sherborn, MA). Comme les 7 capteurs exportés les réponses, respectivement, le modèle statistique à plusieurs variables est nécessaire dans la classification. L'analyse en composantes principales (ACP) est un outil de chimiométrie sans surveillance utilisé pour la reconnaissance et la réduction de la dimension modèle [14]. Les données peuvent être reconstruites par des variables non corrélées linéairement (composants principaux) avec une perte d'information considérable. Dans cet article, 30 échantillons AWT de 5 ont été discriminés en utilisant provenances modèle PCA; les trois premiers composants ont été appliqués, de sorte que les objets ont été distribués dans une figure de score PCA en trois dimensions. Similaires, 30 échantillons de NAWT ont été classés. Ensuite, tous les échantillons dans cette étude ont été analysés par le modèle PCA en trois dimensions de la même manière.

2.4. Moindres carrés partiels Analyse discriminante

Moindres carrés partiels Analyse discriminante (PLSDA) a été considéré comme l'une des pierres angulaires en chimiométrie, car il peut gérer la grande

(Le nombre de variables dans les données) problème très bien [15]. En PLSDA, des échantillons représentatifs sont nécessaires à la formation du modèle, comme le modèle mathématique développé, pourraient être classés des objets inconnus. Dans cet article, les deux échantillons AWT et NAWT ont été divisés en une classe de formation et une classe de prédiction. Afin de garantir que les échantillons en classe la prévision ont été distribués de façon uniforme autour de la classe de formation, l'Kennard et de l'algorithme de pierre (K-S) a été utilisé pour la division [16]. Par la suite, la classe de formation AWT et la classe de formation NAWT ont été considérés comme une classe de formation totale. De même, la classe prédisant AWT et la classe prédisant NAWT ont également été prises dans son ensemble. Par conséquent, la classe de formation totale est disposé dans

y compris les variables avec des objets.

démontre la catégorie correspondante de chaque objet dans la matrice. La valeur 1 et la valeur -1 sont définis pour désigner l'AWT et objets NAWT, et la valeur 0 correspond à la valeur de coupure. En prévision, un objet inconnu sera classé dans la classe AWT si sa valeur de réponse est supérieure à 0; sinon, il sera classé dans la classe NAWT.

Pour PLSDA, variables latentes contrôlent la complexité du modèle. L'insuffisance des variables latentes conduiront à un modèle underfitted; variables latentes excessives augmentera le risque de surapprentissage, de sorte que le nombre de variables latentes est un paramètre important dans la classification. Ainsi, la validation croisée Monte Carlo (MCCV) a été adoptée pour optimiser le modèle [17]; le paramètre avec le taux d'erreur de classification minimale de MCCV (MRMCCV) a été calculée par la formule suivante: