基于电子鼻的大米受曲霉属真菌侵染程度的预测方法与流程

本发明属于微生物检测领域，涉及一种基于电子鼻快速预测大米受曲霉属真菌侵染程度的方法。

背景技术：

稻米是世界各国最重要的粮食品种之一，世界上约有50％的人口以稻米为主食，其中亚洲地区就有20多亿人以稻米及其制品为热量摄入的主要来源。多年来，我国稻谷产量稳居世界第一，约占全世界稻谷总产量的30％，占国内谷物总产量的1/3左右。且随着人民生活水平的提高及人口数量的增加，其消费量也呈逐渐上升趋势。然而，谷物中含有丰富的营养物质，在适宜的水分、温度条件下极易感染真菌发生变质。据悉，全世界每年由于粮食霉变或污染真菌毒素引起的农产品和工业原料的损失达数百亿美元。更严重的是，人类若误食受真菌污染的食品，就会中毒或诱发一些疾病，甚至包括癌症。所以，食品中的真菌污染尤其应引起重视。食品中真菌污染的诊断主要是通过间接检测真菌毒素含量来测定，如生物鉴定法、薄层层析法、高效液相色谱法和免疫分析法等。但以上检测方法复杂耗时，破坏样品，不能实现快速检测，并且不能针对产毒素的源头—真菌进行监控。因此，亟需找到一种能快速诊断早期真菌侵染的方法。

技术实现要素：

针对目前真菌检测方法复杂耗时、效率低、成本高等问题，本发明提供了一种基于电子鼻快速预测大米受曲霉属真菌侵染程度的方法，该方法能较准确快速的鉴别出大米受污染的程度，并且不损害大米样品。

一种基于电子鼻快速预测大米受曲霉属真菌侵染程度的方法，它的具体步骤如下：

(1)对大米样品进行灭菌、曲霉属真菌接种和贮藏，将贮藏0天-6天的大米样品按照每天间隔共取出7份样品，在室温下密封，密封体积不少于500ml(按大米与容器体积比例1g:25ml)。样品静置30-60分钟，使密封容器中的顶空气体达到饱和，从而获得顶空气体。通过电子鼻内置泵将密封容器中的顶空气体吸入电子鼻的传感器阵列通道内，检测记录传感器响应信号，从而得到传感器对不同贮藏时间的大米样品的响应曲线；

(2)对步骤(1)中经过电子鼻检测后的不同贮藏时间的检测样品进行润洗、稀释、平板培养5-7天后数菌落，从而获得不同储藏时间的样品菌落数；

(3)提取步骤(1)中传感器检测稳定时的信号值作为特征值，将特征值作为自变量，步骤2中检测的不同储藏时间的样品菌落数作为因变量，通过基于遗传算法优化的支持向量机算法建立电子鼻传感器的响应信号与真菌接种后贮藏不同时间的样品菌落数定量预测模型，选择其中相关系数大而均方根误差小的回归模型作为最终的菌落数预测模型。

所述基于遗传算法优化的支持向量机算法是将样本数据数据输入到支持向量机模型中，利用遗传算法进行支持向量机的参数选优化，设定支持向量机惩罚因子c的范围设为[0.1，100]，核函数参数g的范围设为[0.01，1000]。遗传算法的迭代次数为100，种群规模为10，交叉概率0.4-0.7，变异概率0.1-0.2，求解所述svm模型中的最优惩罚参数c和核函数g。由电子鼻信号的测试集样本数据特征值作为输入，通过优化后的svm算法获得最终预测模型。

(4)通过步骤(1)和步骤(3)获得菌落数未知的检测样品的响应曲线特征值，将获得的特征值导入所建立的样品菌落数预测模型，预测未知大米样品受真菌侵染的菌落数，从而达到仅利用电子鼻就能有效预测大米受曲霉属真菌侵染程度的目的。

进一步地，所述的步骤(3)中相关系数和均方根误差的计算公式如下：

r为相关系数；rmse为均方根误差；n为预测模型建立过程中使用的大米受曲霉属真菌侵染程度已知的样本个数；xi为预测模型建立过程中第i个样本菌落数的实际值；为预测模型建立过程中所有样本菌落数真实值的平均值；yi为预测模型建立过程中第i个样本菌落数的预测值；为预测模型过程中所有样本菌落数预测值的平均值。

本发明的有益效果是：利用电子鼻对大米受曲霉属真菌侵染程度进行预测，以传感器响应曲线稳定值作为特征值，采用基于遗传算法优化的支持向量机算法建立基于电子鼻信号特征值和菌落数的预测模型，从而获得预测的菌落数。该方法实现了使用电子鼻直接对大米受曲霉属真菌侵染程度的定量预测，并具有快速无损的特点，为大米，甚至是农产品程度预测提供了一种新方法。

附图说明

图1是电子鼻检测大米受亮白曲霉侵染程度的传感器响应信号；

图2是大米不同贮藏时间的亮白曲霉菌落数；

图3是亮白曲霉侵染程度与实际值之间的回归模型曲线；

图4是电子鼻检测大米受烟曲霉侵染程度的传感器响应信号；

图5是大米不同贮藏时间的烟曲霉菌落数；

图6是烟曲霉侵染程度与实际值之间的回归模型曲线。

具体实施方式

下面结合附图和实例对本发明作进一步说明。

本发明采用一种基于电子鼻的快速预测大米受曲霉属真菌侵染程度的方法，基于电子鼻数据建立起有效的预测模型，具体步骤如下：

(1)将市售大米置于110mws/cm²的紫外灯下灭菌30-60min后，接种一定浓度的曲霉属真菌，并置于28±1℃，85％相对湿度下贮藏。将贮藏0-6d的大米样品每天取出后置于室温下密封，容器体积不少于500ml(按大米与容器体积比例1g:25ml)。样品静置30-60分钟，使密封容器中的顶空气体达到饱和，从而获得顶空气体；每次电子鼻检测开始前，使用干燥洁净空气对电子鼻系统进行清洗，设置清洗流速为400ml/min-600ml/min，清洗时间为60-80秒；清洗完成后，通过电子鼻内置泵将密封容器中的顶空气体吸入电子鼻的传感器阵列通道内，电子鼻传感器与样品气体发生反应产生传感器信号；所述传感器信号是传感器接触样品气体时的电导率g与传感器在经过校准气体时的电导率g0的比值，即g/g0；内置泵气体流速为200-300ml/min，检测时间为70-90秒；检测记录传感器阵列响应信号，从而得到传感器阵列对不同储藏时间的大米样品的响应曲线；

(2)对步骤(1)中经过电子鼻检测后的不同贮藏时间的检测样品进行润洗、稀释、平板培养5-7天后数菌落，从而获得不同储藏时间的样品菌落数；

(3)提取步骤(1)中传感器检测稳定时的信号值作为特征值，将特征值作为自变量，步骤2中检测的不同储藏时间的样品菌落数作为因变量，通过基于遗传算法优化的支持向量机算法建立电子鼻传感器的响应信号与真菌接种后贮藏不同时间的样品菌落数的定量预测模型，选择其中相关系数大而均方根误差小的回归模型作为最终的菌落数预测模型。

所述基于遗传算法优化的支持向量机算法是将样本数据数据输入到支持向量机模型中，利用遗传算法进行支持向量机的参数选优化，设定支持向量机惩罚因子c的范围设为[0.1，100]，核函数参数g的范围设为[0.01，1000]。遗传算法的迭代次数为100，种群规模为10，交叉概率0.4-0.7，变异概率0.1-0.2，求解所述svm模型中的最优惩罚参数c和核函数g。由电子鼻信号的测试集样本数据特征值作为输入，通过优化后的svm算法获得最终预测模型。

(4)通过步骤(1)和步骤(3)获得菌落数未知的检测样品的响应曲线特征值，将获得的特征值导入所建立的样品菌落数预测模型，预测未知大米样品受真菌侵染的菌落数，从而达到仅利用电子鼻就能有效预测大米受曲霉属真菌侵染程度的目的。

进一步地，所述的步骤(3)中相关系数和均方根误差的计算公式如下：

r为相关系数；rmse为均方根误差；n为预测模型建立过程中使用的大米受曲霉属真菌侵染程度已知的样本个数；xi为预测模型建立过程中第i个样本菌落数的实际值；为预测模型建立过程中所有样本菌落数真实值的平均值；yi为预测模型建立过程中第i个样本菌落数的预测值；为预测模型过程中所有样本菌落数预测值的平均值。

本发明适用于大米、小麦、玉米等农产品受不同曲霉属真菌侵染程度的快速预测，主要适用于电子鼻检测并对其结果数据处理。以下的实施例便于更好的理解本发明，但并不限定本发明。

实施例1

一种基于电子鼻的快速预测大米受亮白曲霉侵染程度的方法，它的步骤如下：

(1)以市售江苏星佳大米作为实验对象，置于110mws/cm²的紫外灯下灭菌30-60min后，选取7批大米样品分别接种0.2ml浓度为10⁷cfu/ml的亮白曲霉孢子悬浮液，并置于28±1℃，85％相对湿度下贮藏。每隔24h取出一批大米样品在室温下置于容器内密封，共计取出7批，分别编号为0d，1d，2d，3d，4d，5d，6d。容器体积为500ml，样品静置60分钟后，使密封容器中的顶空气体达到饱和，从而获得顶空气体；每次电子鼻检测开始前，使用干燥洁净空气对电子鼻系统进行清洗，设置清洗流速为600ml/min，清洗时间为60秒；清洗完成后，通过电子鼻内置泵将密封容器中的顶空气体吸入电子鼻的传感器阵列通道内，电子鼻传感器与样品气体发生反应产生传感器信号；所述传感器信号是传感器接触样品气体时的电导率g与传感器在经过校准气体时的电导率g0的比值，即g/g0；内置泵气体流速为200ml/min，检测时间为90秒；检测记录传感器阵列响应信号，从而得到传感器阵列对不同储藏时间的大米样品的响应曲线；每个贮藏时间检测的样本数为21个；

本案例中应用的是德国airsense公司的pen2型电子鼻为检测仪器，该电子鼻系统由10个金属氧化物传感器，其型号与相应特性如表1所示：

表1pen2型电子鼻传感器阵列和各传感器响应特点

获得电子鼻的输出结果后，对其进行特征提取，观测响应曲线，发现均在75秒之后趋于稳定，因此以响应曲线75秒时的数值作为特征值，图1为大米接种亮白曲霉后不同贮藏时间的电子鼻响应曲线图。

(2)不同贮藏时间的大米接种样品菌落总数测定按照食品安全国家标准gb4789.15-2010进行，菌落数测定重复三次，图2为大米不同贮藏时间的烟曲霉菌落数；

(3)提取步骤(1)中传感器检测稳定时的信号值作为特征值，将特征值作为自变量，步骤2中检测的不同储藏时间的样品菌落数作为因变量，通过基于遗传算法优化的支持向量机算法建立电子鼻传感器的响应信号与真菌接种后贮藏不同时间的样品菌落数的定量预测模型，选择其中相关系数大而均方根误差小的回归模型作为最终的菌落数预测模型。

所述基于遗传算法优化的支持向量机算法是将样本数据数据输入到支持向量机模型中，利用遗传算法进行支持向量机的参数选优化，设定支持向量机惩罚因子c的范围设为[0.1，100]，核函数参数g的范围设为[0.01，1000]。遗传算法的迭代次数为100，种群规模为10，交叉概率0.4，变异概率0.2，最终得到最优惩罚参数c＝19.164，核函数g＝0.800。由电子鼻信号的测试集样本数据特征值作为输入，通过优化后的svm算法获得最终预测模型。

(3)为验证上述模型的准确度，将预测集传感器响应值代入上述预测模型，计算出预测的大米受亮曲霉侵染程度，与实际侵染程度建立回归模型，结果如图3所示，其模型公式为：y＝0.927*x+0.166，其中y为预测值，x为实际值，相关系数r²＝0.924，rmse＝0.170说明该模型预测效果较好。

实施例2

一种基于电子鼻的快速预测大米受烟曲霉侵染程度的方法，它的步骤如下：

(1)以市售江苏星佳大米作为实验对象，置于110mws/cm²的紫外灯下灭菌30-60min后，选取7批大米样品分别接种0.2ml浓度为10⁷cfu/ml的烟曲霉孢子悬浮液，并置于28±1℃，85％相对湿度下贮藏。每隔24h取出一批大米样品在室温下置于容器内密封，共计取出7批，分别编号为0d，1d，2d，3d，4d，5d，6d。容器体积为500ml，样品静置60分钟后，使密封容器中的顶空气体达到饱和，从而获得顶空气体；每次电子鼻检测开始前，使用干燥洁净空气对电子鼻系统进行清洗，设置清洗流速为600ml/min，清洗时间为60秒；清洗完成后，通过电子鼻内置泵将密封容器中的顶空气体吸入电子鼻的传感器阵列通道内，电子鼻传感器与样品气体发生反应产生传感器信号；所述传感器信号是传感器接触样品气体时的电导率g与传感器在经过校准气体时的电导率g0的比值，即g/g0；内置泵气体流速为200ml/min，检测时间为90秒；检测记录传感器阵列响应信号，从而得到传感器阵列对不同储藏时间的大米样品的响应曲线；每个贮藏时间检测的样本数为21个；

本案例中应用的是德国airsense公司的pen2型电子鼻为检测仪器，该电子鼻系统由10个金属氧化物传感器，其型号与相应特性如表1所示：

表1pen2型电子鼻传感器阵列和各传感器响应特点

获得电子鼻的输出结果后，对其进行特征提取，观测响应曲线，发现均在75秒之后趋于稳定，因此以响应曲线75秒时的数值作为特征值，图4为大米接种烟曲霉后不同贮藏时间的电子鼻响应曲线图。

(2)不同贮藏时间的大米接种样品菌落总数测定按照食品安全国家标准gb4789.15-2010进行，菌落数测定重复三次，图5为大米不同贮藏时间的烟曲霉菌落数；

(3)提取步骤(1)中传感器检测稳定时的信号值作为特征值，将特征值作为自变量，步骤2中检测的不同储藏时间的样品菌落数作为因变量，通过基于遗传算法优化的支持向量机算法建立电子鼻传感器的响应信号与烟曲菌接种后贮藏不同时间的样品菌落数的定量预测模型，选择其中相关系数大而均方根误差小的回归模型作为最终的菌落数预测模型。

所述基于遗传算法优化的支持向量机算法是将样本数据数据输入到支持向量机模型中，利用遗传算法进行支持向量机的参数选优化，设定支持向量机惩罚因子c的范围设为[0.1，100]，核函数参数g的范围设为[0.01，1000]。遗传算法的迭代次数为100，种群规模为10，交叉概率0.4，变异概率0.2，最终得到最优惩罚参数c＝9.503，核函数g＝1.901。由电子鼻信号的测试集样本数据特征值作为输入，通过优化后的svm算法获得最终预测模型。

(4)为验证上述模型的准确度，将预测集传感器响应值代入上述预测模型，计算出预测的大米受烟曲霉侵染程度，与实际侵染程度建立回归模型，结果如图6所示，其模型公式为：y＝0.916*x+0.203，其中y为预测值，x为实际值，相关系数r²＝0.922，rmse＝0.171，说明该模型预测效果较好。

通过以上实施例对基于电子鼻快速预测大米受曲霉属真菌侵染程度的方法的详细介绍，所建立的大米受曲霉属真菌侵染程度的预测模型具有较高的预测性能，进一步说明，本发明公开的方法具有较高的应用价值，值得广泛推广。