数据驱动的MOX化学传感用于啤酒鉴别:迈向快速食品质量筛查

《Micromachines》:Data-Driven MOX Chemosensing for Beer Discrimination: Towards Rapid Food Quality Screening

【字体: 大 中 小 】 时间:2026年07月16日 来源:Micromachines 3.5

编辑推荐:

  啤酒质量评估日益需要快速且可扩展的分析工具,用于产品鉴别和真伪控制。在本研究中,研究人员探索了一种数据驱动的金属氧化物半导体(MOX)化学传感方法,用于区分不同酒精含量和品牌的商业拉格啤酒。采用基于SnO2的六元件MOX传感器阵列分析了来

  
啤酒质量评估日益需要快速且可扩展的分析工具,用于产品鉴别和真伪控制。在本研究中,研究人员探索了一种数据驱动的金属氧化物半导体(MOX)化学传感方法,用于区分不同酒精含量和品牌的商业拉格啤酒。采用基于SnO2的六元件MOX传感器阵列分析了来自四个商业品牌的含酒精和无酒精啤酒样本,并使用监督机器学习算法对产生的响应模式进行分类。采用顶空固相微萃取-气相色谱-质谱联用(HS-SPME-GC-MS)作为参考技术,表征挥发性有机化合物(VOC)谱并支持传感器指纹的解释。GC-MS分析突出了一个以发酵相关化合物为主的共享挥发性骨架,同时揭示了VOC分布中品牌和类别依赖的差异。MOX传感器阵列将这些差异捕获为多维挥发性指纹。机器学习模型在品牌匹配的含酒精与无酒精比较中实现了高分类性能,平衡准确率范围从0.937到1.000,而同一类别内的品牌区分达到了0.875(含酒精)和0.933(无酒精)的平衡准确率。这些结果突显了基于MOX的化学传感结合数据驱动分析作为一种快速、便携的啤酒鉴别平台,在食品质量筛查、真伪评估和在线监测中具有应用前景。
**论文解读:数据驱动的MOX化学传感用于啤酒鉴别——迈向快速食品质量筛查**

**研究背景与问题**

啤酒行业正经历深刻变革,产品多样化与新兴消费模式重新定义质量范式,低酒精和无酒精啤酒成为增长最快的细分市场。然而,脱醇技术虽对开发无酒精产品至关重要,却显著改变挥发性有机化合物(VOC)谱,损害感官特性。传统金标准方法——气相色谱-质谱联用(GC-MS)尽管灵敏度高、鉴定能力强,但仪器成本高、分析时间长、需专业技能,难以适应动态工业环境中快速在线检测的需求。金属氧化物半导体(MOX)气体传感器作为替代工具,能捕获挥发物组的多维“嗅觉指纹”,但关键问题在于传感器响应与样本实际化学成分之间的关联尚未明确。本研究旨在整合HS-SPME-GC-MS与MOX传感器阵列,结合数据驱动分析,探讨区分不同酒精含量和品牌的商业拉格啤酒的可行性,并评估短时间暴露用于嵌入侵蚀式快速质量筛查的潜力。

**主要关键技术方法**

研究人员采用来自意大利市场的四种商业拉格啤酒品牌(Heineken、Peroni Nastro Azzurro、Birra Moretti、Forst),每种品牌选取含酒精及对应无酒精变体(共8类样本),样本来源为当地商店每周购买,覆盖五个月自然批次周转。核心传感平台为S3+装置(Nano Sensor Systems Srl),配备六元件SnO2-基MOX传感器阵列,传感器经钯(Pd)、铂(Pt)、金(Au)修饰以丰富响应多样性,工作温度500°C。测量采用动态顶空采样,酒精与无酒精啤酒分别采用不同暴露时间(10s和43s),但品牌匹配比较时统一使用10s窗口。数据分析流程包括:传感器信号基线归一化、多源特征提取(标准特征及catch22/tsfresh/tsfel库)、基于方差与互信息的特征选择,以及多种监督分类算法(逻辑回归、支持向量机、随机森林、XGBoost等)的独立训练与验证。训练/验证集按70%/30%分层分割,以平衡准确率作为主要评估指标。

**研究结果**

**3.1 GC-MS分析**
通过HS-SPME-GC-MS对所有样本进行挥发性指纹表征。检测到的化合物以发酵相关VOC为主(如乙酸乙酯、异戊醇、乙酸异戊酯、苯乙醇等),表明共享挥发性骨架。然而,PCA分析显示:酒精啤酒中前三主成分解释89.04%方差,无酒精啤酒中解释91.44%方差,且无论酒精含量,四种品牌均呈现清晰分离,表明品牌依赖的VOC分布差异可检测。关键贡献化合物包括己酸乙酯、癸酸、柠檬烯等,但这些不应视为绝对定量标记,而是整体指纹差异的体现。

**3.2 MOX传感器阵列响应**

**3.2.1 多变量分析**
特征选择后,保留的描述符分布在多个传感器上,说明区分信息依赖阵列产生的多变量响应模式,而非单一传感元件。PCA作为探索性可视化工具显示部分聚类趋势,但未呈现严格分离,故后续依赖监督分类模型评估区分性能。

**3.2.2 监督分类结果**
同一品牌内酒精与无酒精啤酒的二元分类:四组比较均基于10秒暴露窗口,验证集平衡准确率介于0.937至1.000。例如,Moretti(MRT vs. MRT_0)达1.000(LgRg+LSVC集成),Forst(FRST vs. FRST_0)达0.987(XGB+LSVC集成),Heineken(HNK vs. HNK_0)达0.980,而Nastro Azzurro(NA vs. NA_0)为0.937(RF+GB集成)。混淆矩阵显示多数预测正确,NA组误分类稍多。
多类品牌区分:酒精啤酒(HNK、NA、MRT、FRST)中最佳配置(标准特征,Extra Trees分类器)验证平衡准确率0.875;无酒精啤酒中最佳配置(标准特征,PSVM/LgRg/RF/RSVM/SVC投票集成)达0.933。结果表明MOX指纹同时捕获了酒精状态和品牌信息,且无酒精啤酒品牌区分性能略高,可能由于乙醇干扰减弱。

**总结与讨论**

本研究证明了MOX传感器技术结合机器学习作为一种快速、非破坏性、数据驱动的策略,能够按酒精含量和品牌区分商业拉格啤酒。与HS-SPME-GC-MS的整合支持了传感器衍生指纹的化学解释,揭示了以发酵化合物为主的共享挥发性骨架以及品牌和类别依赖的差异。关键创新在于仅使用10秒暴露窗口即实现品牌内酒精/无酒精区分,二元分类平衡准确率0.937-1.000,品牌级别区分达0.875和0.933。这证实了短时间响应所含信息足以支撑分类任务。
研究结论(翻译原文“Conclusions”部分):本研究展示了MOX传感器技术与机器学习结合作为快速、非破坏性、数据驱动策略的潜力,用于按酒精含量和品牌区分商业拉格啤酒。HS-SPME-GC-MS的整合支持了传感器指纹的化学解释,揭示了以发酵化合物为主的共享挥发性骨架,同时呈现品牌和类别依赖的VOC分布差异。MOX传感器阵列通过多维响应模式有效捕获这些变异。值得注意的是,同一品牌内酒精与无酒精啤酒的区分仅使用10秒暴露窗口即实现,证实了该方法的极快特性。尽管采集时间短,监督模型仍达到高分类性能(二元比较平衡准确率0.937-1.000)。同一酒精类别内的品牌级别分类也取得了有前景的结果,表明MOX信号不仅保留酒精含量信息,还包含产品特异性挥发性身份。这些发现与日益增长的基于传感器和机器学习方法用于饮料质量评估的研究一致。本研究通过同时处理酒精含量和品牌级别的区分,并在短时间暴露采集框架下进行,辅以HS-SPME-GC-MS参考数据,为这一方向做出了贡献。然而,研究基于有限商业品牌且在同一平台和实验室条件下进行,限制了模型泛化性。总体而言,MOX平台可作为快速、便携、可扩展的啤酒质量筛查工具,支持产品鉴别、真伪控制、过程监控和合规评估。未来工作应在更现实的工业条件下验证,包括不同生产批次、啤酒风格、储存时间和脱醇工艺,并致力于提高模型可迁移性,建立传感器响应与VOC谱及感官属性间的可解释关联。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号