- 实验应用案例分享 -
电子鼻技术分析
不同淀粉水气味差异
淀粉是一种聚合碳水化合物，由许多通过糖苷键连接的葡萄糖单元组成。这种多糖由大多数绿色植物产生，用于储能。在世界范围内，它是人类饮食中最常见的碳水化合物，大量存在于小麦、土豆、玉米、大米和木薯等主食中。不同淀粉溶于水后气味特征各不相同。
检测样品
不同淀粉
共计10种
检测仪器
电子鼻PEN3型，
德国 AIRSENSE 公司
EXPERIMENT
实验分析结果
1.样品电子鼻测试典型图谱
下图是其中一个样品的检测图。
选取每个样品特征图上69、70、71s（以EXCEL 格式打开nos文件，十个传感器分别对应于A-J列，最后一列P为时间，与之对应的五个数据点为69、70、71）建立模板文件，基于此对样品进行以下分析。
2.PCA 主成分分析
从图11可见，PCA主成分分析第一和第二主成份贡献率之和接近98.342％，基本上涵盖了样本的大部分原始信息，其中第一主成分的贡献率为93.268%，第二主成分的贡献率为5.0739%，可见样品之间的差异主要表现在第一主成分上。结合PCA区分度分析表（根据电子鼻软件内部的计算方式得到，数值越接近于1说明样品的区分越显著）。
从图中可见10个淀粉样品在气味上存在一定的差异，将图11和样品的传感器响应图谱结合比较可发现，淀粉1、2的传感器响应值均较小，二者在PCA 图中也分布在x轴较小位置，由于二者在图中分布有一定的重叠可见二者气味是相对一致且较小的；其次是淀粉3、6、8、16、20 这几个淀粉的气味强度接近且相似；最后是淀粉9、15、19 三者的气味相似且最大。
3.LDA 线性判别分析
LDA是DFA（识别因子法）的第一步，LDA分析注重类别的分类以及各种组之间的距离分析，简单的说在LDA分析中会尽量缩小组内的差异，扩大组间的差异。缩小组内差异后组间的差异变得更加明显，10个淀粉样品的趋势与PCA图相似，同样可见9、15、19三个分布在X轴较远的位置，1、2接近于0点，其他样品分散在中间。
4.Loading 传感器贡献率分析
Loadings分析法与PCA是相关的，它们都基于同一种算法，但不同的是，本实验中Loadings算法主要是对传感器进行研究，利用该方法可以确认特定实验样品下各传感器对样品区分的贡献率大小，从而可以考察在这个样品区分过程中哪一类气体起了主要区分作用。
EXPERIMENT
实验结论探讨
实验小结
通过电子鼻采集样品的气味信息，经过电子鼻自带的分析软件进行分析，本次实验主要做的是样品之间的聚类分析，通过PCA、LDA、Loading来分析样品之间的气味是否存在差异，且判定气味的差异主要来源于哪类气味成分。
德国AIRSENSE公司的PEN3电子鼻可以不仅测试淀粉水的气味情况，还可以分析不同不同批次淀粉水样品气味差异主要体现在哪些组分上。测试过程非常简单，也很容易操作，每个样品的测试周期大约3-5分钟样品信号采集稳定，结果明显。对于淀粉水来说，电子鼻主要响应的传感器存在差异，且各样品在传感器响应强弱上存在一定的差异，故可将其完全区分开来。此次试验数据清晰直观，具有很强的可靠性、稳定性和重复性。通过建立模型运用欧式距离、马氏距离、相关性和DFA 可以通过气味对样品进行类别的判定（本次实验不涉及未知样品的判定和定量预测方面的内容）。
• 更多搜索关注 •
微信公众号
@北京盈盛恒泰
视频号
@北京盈盛恒泰
新浪微博
@北京盈盛恒泰
哔哩哔哩
@北京盈盛恒泰
百度贴吧
@电子舌知味吧
官方知乎
@北京盈盛恒泰
官方快手
@北京盈盛恒泰
官方抖音
@北京盈盛恒泰
