像一个电子鼻一样通过质谱仪由挥发物的分析出啤酒的歧视味道.doc

像一个电子鼻一样通过质谱仪由挥发物的分析出啤酒的歧视味道
埃瓦，哈罗胡，托马斯克，伊戈尔，马立克，和丹尼斯德
抽象文艺体坛
研究所。113(1), 110–116, 2007
使用整个啤酒的质谱壳头间隙元件作为指纹为啤酒牌啤酒的分类和区别样本储存在各个条件。化学计量学的分析质谱通过区分啤酒的牌字，为啤酒的发现老化，光降解。使用字方法包括无监督主成分分析模型和使用节点弧段数区别，lda，d-pls方法。
介绍
评价啤酒味道的因素关键之一在一个啤酒的质量，通过一个挥发的复杂的混合物组分变化决心对一个伟大程度在化学的的结构和浓度为3层到15层。学习啤酒挥发物色谱分离技术共同的方法包括气相色谱，尤其是在酿造1，3，4，12，16的感官分析(面板测试)。质谱发现(gc-ms)同气相色谱法提供一个强大工具支持和确定数量易变的的啤酒复合。为了澄清味道特征模式识别方法常常被用于测试gc-ms的结果。然而，基本隔离技术常常比较昂贵和耗时。此外，专门人才被要求充分地执行尺寸。一个选择性途径分析挥发物的总成分从而使忽略分割为9层。
1. 经济系，poznań经济学的大学。10，60-967，波兰。
2. 数学与计算机科学系，米基维茨大学。87，61-614，波兰。
3. 阿尔加维，dqb，fct，8005-139法鲁，葡萄牙。
4. 化学系，米基维茨大学，grunwaldzka 6，60-780，波兰。
5. 根特大学，药学院，实验室的生药学，植物化学，harelbekestraat72，b-9000根特，比利时。
6. 通讯作者。电子邮件为:[e-mail] 刊物 G-2007-0424-499 2007
因此，“电子鼻”已经被当工具作为允许激流和目标样本的区别进行开发。作为探测器，这些能被分类到选择性配备固态气传感器的或一个新一代运用的质谱仪的。这些都用于了含酒精饮料分析的工具例如葡萄酒，威士忌酒，科涅克白兰地，酒，beers8,10,11。作为收集在的化学成分分析混合物的信息，有人指出ms-based工具比基于传感器的工具有许多好处，例如稳定性，敏感性，多才多艺，。而且，乙醇的干扰的问题同固态煤气传感器一样毫不费力的分析消除包括女士的酒精饮料。
我们报告的应用系统由一个壳头间隙取样器组成，一个聚集光谱探测器分析啤酒的味道。我们的目标包括易变的复合的指纹在啤酒为了区别在不同之间啤酒样本，不仅是品牌的作用还有储存的条件。
实验
啤酒
8种不一样的啤酒牌(一麦酒，标号号码1，啤酒七号，从2到8的标号)从不一样的酿酒厂被买进到本地的超级市场。为了调查技术的能力，这些啤酒被选择作为品牌互相歧视和啤酒老化，波兰人的消费代表那些可用的酒。德加在使用一个超声波浴分析新鲜公开的样本之前。啤酒的特征分配给1号标签。
啤酒变老
啤酒1，2，3，4被选择被使用做老化测试，通过检测老化的啤酒的方式调查啤酒的性能。这个集只包含一大装置的啤酒和三扎啤酒。样本为老化测试被分为三个小组。在检测之后，这些啤酒（15ml的整倍数）被一一装入密封的小玻璃瓶（20ml）中。其中一个小组被保存在4°c的黑暗中; 另外的在保持22°c中，并且其中一个小组保存在黑暗中，另一个保存在阳光直射下。所有样本保存以老化的时间都是21天。老化的状况将会反应出啤酒是被储存在商店的货架上（室温并且有阳光直射）还是储存在密室中（黑暗的室温下或者寒冷中）。方式
挥发性元件被使用一个由TurboMatrix HS-40 Headspace 试样器和控制于 TMSOFT NT chemometric 软件 （HKR Sensorsysteme 、慕尼黑，德国）的质量光谱仪组成的 " 电子鼻 "来分析。领头空间抽样的技术在除去样本预备阶段中像是清除和陷阱或有还原能力的提取，是必需的耗时、产生错误的阶段，提供了液体混合物的挥发性和提取。
每啤酒样本的二十统计实验被使用安装了在 headspace 被抽取样品的2毫升整倍数的密封玻璃小瓶的" 电子鼻"的装备做了分析。抽样参数依下列数据： 样本温度： 50 °C，指针温度：100 °C； 时隔： 30 分钟自动调温器， 1 分钟压力化， 20 分钟清除。每个样本的 headspace 在质量光谱仪内被分析，而且每个样本的组织成分的大众频谱被流动获取，分为30s—0的层级， 90s－相当于建筑物的高度和 30s－讯号准位。 氦当做一个传递气被使用。啤酒的完整大众频谱 headspace 组织成分受制于统计分析。
数据分析
主要组成成分分析 （PCA）以无人监督的模式进行几个独立变量的技术活动，被MS数据结构设置分析固有的结构。PCA通过发现其它可能组的坐标来减少数据集的幅员，所谓的’主要的元件’ (个人计算机）。个人计算机是最初变数的线性结合，每个不一样的直角和对于每个在数据集中的最大易变的连续地解释设计一个有效的方法。主要的元件刻划，当计画揭露在数据或者露宿者中聚集现在的样本之间的关系，像是自然的样本或者是抽取样品。对效果的图案识别运算法则技术提供如何在分类中数据的洞察。由平均的光谱组成的预处理数据来估计任何共同的光谱信息。判别式分析有三个随后的方法，kNN方法是一个众所周知的非参数的分类方法。群集接收这个任务，这是这大部分最有代表的KN的训练课程。每一个数据点证明是最靠近的数据点，叫KNN。然后依照这些邻居的数值做出了决定。kNN 是最简单的学问技术之一。哪一个对 k 的较高的数值太小，k 设定的样本的尺寸尺寸在k=1.......10中被选择。因为公正正规的方法喜欢“线性的判别分析”所以这个不正规的方案被使用和“二次数据的特点分析” 常不适合一些变数相对于物件的数目高的特点，因为点阵式的奇异或数据集的非常态。KNN方法允许数据组在任何早先缩减下分析完整的频谱。
促使完整频谱的分析的另外的一个方法是“至少部分的辨别式衰退” (D-PLS)。在D-PLS光谱的数据在描述最大的协方差和叁考数值被叫做D-PLS的元件。对于移植和预言性的目的，D-PLS的方法是对一些预言者（X－变数）的变更或一些响应变数 （Y－变数）中关联变更。这些D-PLS类似于主要的元件，相对于最小元器件数目的关系，解释X数据和Y数据的关系被单一化。在划分第一个D-PLS元器件中，能够主要的考虑到X变数和Y变数的协调以及X和Y数据集之间的关系。
所有的交叉验证被应用到所有的回归模型中。交叉验证是一个在模型的样本中验证模型刻度的一个方略。