多元风味分析技术融合策略在酱香型白酒年份鉴别中的应用与机器学习模型优化

本研究针对酱香型白酒年份鉴别难题，创新性地融合气相色谱-质谱（GC–MS）、气相色谱-离子迁移谱（GC-IMS）、电子鼻（E-nose）和电子舌（E-tongue）四种分析技术，结合合成少数类过采样技术（SMOTE）和神经网络模型，构建了高精度年份鉴别模型（准确率达0.96），筛选出28个关键风味标志物（如糠醛、2-己醇等），并揭示了味觉指标与挥发性成分间的相关性，为白酒品质控制与年份认证提供了多维度技术支撑。

　　

酱香型白酒（Sauce-flavor Baijiu, SFB）作为中国传统蒸馏酒的典型代表，其风味品质与贮藏年份密切相关。随着市场对陈酿白酒需求日益增长，年份真实性鉴别成为行业痛点。目前白酒年份鉴别主要依赖经验性感官评价或单一分析技术（如气相色谱-质谱联用），但面临成分复杂、乙醇干扰强、样本不平衡等技术瓶颈，难以实现精准、客观的年份区分。

为解决这一难题，中国农业大学食品科学与营养工程学院王丹团队在《Food Chemistry: X》发表研究，整合四种风味分析技术（GC–MS、GC-IMS、E-nose和E-tongue），结合机器学习算法，构建了一套高效的酱香型白酒年份鉴别体系。研究共采集60个53°酱香型白酒样本，涵盖1-30年6个年份组（每5年间隔），通过GC–MS定量69种挥发性成分（酯类24种、醇类14种等），GC-IMS提取67个特征峰，E-nose获取10个传感器信号，E-tongue测定9种味觉参数。采用SMOTE算法解决样本不平衡问题，对比了神经网络（MLP）、支持向量机（SVM）等四种模型性能，并通过特征重要性分析筛选关键风味标志物。

关键技术方法包括：1）GC–MS采用DB-FFAP色谱柱直接进样，结合NIST 20库和标准品定性定量；2）GC-IMS使用MXT-WAX色谱柱，优化20倍稀释加正己烷辅助的样品前处理方案；3）E-nose（PEN3型）和E-tongue（TS-5000Z型）分别检测香气和味觉特征；4）利用Python scikit-learn库构建机器学习模型，通过MetaboAnalyst 6.0进行统计分析和可视化。

3.1 酱香型白酒的多模态风味特征

3.1.1 GC–MS定量分析

研究发现总挥发性成分含量随贮藏年限增加而下降，Y5组（<5年）高达4193.69 mg/L，Y30组（>30年）降至3637.12 mg/L。酯类含量显著降低（减少25%），其中乙酸乙酯和乳酸乙酯作为关键香气物质，在年轻酒样中含量最高。醇类和酸类含量呈上升趋势，如2-己醇在Y30组含量增加3倍，丁酸和己酸分别增长至41.78 mg/L和61.67 mg/L。吡嗪类化合物中2,3-二甲基吡嗪占比超80%，其含量呈先降后升趋势。糠醛等呋喃类物质含量显著降低（从231.95降至114.59 mg/L）。主成分分析（PCA）显示单一技术难以实现年份区分。

3.1.2 GC-IMS指纹图谱分析

通过对比MXT-WAX和MXT-5色谱柱，确定MXT-WAX柱可提取67个信号峰（鉴定53种化合物），包括酯类17种、醇类11种等。指纹图谱显示特征峰强度随年份呈现先增后减规律（如A11峰），直观反映了风味成分的动态变化。

3.1.3 智能感官分析

E-nose中硫化氢敏感传感器R(7)响应值最高（>33.68），但多数传感器在不同年份组间无显著差异。E-tongue检测到酸味（>26.65）和涩味（>13.01）为主导味觉，且随年份增加呈下降趋势。热图分析表明E-tongue可区分10年以上间隔的年份组。

3.2 单一数据与融合数据模型对比

融合数据模型显著优于单一技术模型。经SMOTE处理后，神经网络（MLP）模型的准确率从0.89提升至0.96，精确度达0.97。GC–MS单一模型表现最佳（F1值0.90），GC-IMS次之，而E-nose效果最差（F1值<0.32）。部分融合策略（如GC–MS+E-tongue）虽提升性能（准确率0.93），但不及四技术融合效果。ROC曲线和混淆矩阵验证了融合模型的高效分类能力。

3.3 重要特征筛选与解释

通过特征重要性分析筛选出28个关键指标，包括12种GC–MS化合物（糠醛、琥珀酸二乙酯、油酸乙酯等）、13个GC-IMS特征峰（A65、A18等）、E-tongue苦味值及E-nose R(4)信号。糠醛作为最重要的标志物，其含量随年份增加而下降，与白酒氧化进程相关。乳酸乙酯与E-tongue涩味值呈正相关（r=0.65），GC-IMS的A40峰与涩味值相关性达0.67。苦味值与多数挥发性成分呈负相关，可能源于吡嗪类化合物或苦肽类物质。

3.4 特征相关性网络

相关性网络分析揭示E-tongue涩味值与7种GC–MS成分（如乳酸乙酯）和10个GC-IMS特征峰显著正相关。E-nose R(4)信号与多数风味指标正相关，但其机制需进一步研究。

4 结论

该研究通过多技术融合与机器学习模型，实现了酱香型白酒的高精度年份鉴别（1-30年，准确率0.96），明确了酯类减少、酸醇类增加的风味演变规律，筛选出糠醛、2-己醇、A65峰等关键标志物，并揭示了味觉-化学成分间的关联性。该方法为白酒行业提供了客观、高效的品质控制工具，对规范市场、保护消费者权益具有重要意义。未来可进一步探究重要风味物质的形成机制及其感官贡献度。