基于导数循环伏安法与机器学习算法的葡萄酒中游离SO2变化分类方法

《Measurement》：Derivative cyclic voltammetry for the classification of free SO 2 variations in wine

　　

亚硫酸盐在葡萄酒生产中作为抗氧化剂被广泛使用，然而监测其浓度的实时解决方案尚属空白。传统方法如里珀法（Ripper method，碘量滴定法）尽管精确，却无法实现在线监测。电化学技术因其使用相对简单且成本效益高的仪器而备受欢迎，其中伏安技术不仅能定量分析物，还能提供电极与溶液间相互作用的丰富信息。近年来，这些技术已与机器学习算法相结合，用于化合物监测和预测场景分析。本研究提出了一种基于导数循环伏安法（Derivative Cyclic Voltammetry, DCV）的新方法，通过比较连续伏安图的一阶导数来识别与亚硫酸盐变化相关的电化学响应特征。该方法无需对电极表面进行化学修饰，即可在复杂葡萄酒基质中对浓度变化进行二元分类。研究人员采用主成分分析（Principal Component Analysis, PCA）进行降维，并评估了监督学习和无监督学习两种方法：基于径向基函数核（RBF kernel）的支持向量机（Support Vector Machines, SVM）在独立测试集上达到96.4%的分类准确率，而高斯混合模型（Gaussian Mixture Models, GMM）在二元框架下实现了最高97%的正确分类率。此外，研究人员通过在体系中引入葡萄糖和果糖等不改变亚硫酸盐含量的干扰物，并限制分析电位窗口至600?mV–1200?mV范围，成功将亚硫酸盐变化事件与其他干扰物引起的响应分离开来，最终在该干扰条件下仍达到91.6%的分类准确率。该方法展现了在存在干扰物种时的良好鲁棒性，代表了在无需化学表面修饰条件下提高亚硫酸盐选择性检测的重要一步。

**论文解读**

**一、研究背景**

每年，食品工业持续加大在创新技术领域的投入，旨在改进质量控制方法、优化食品供应链并降低成本。这一趋势源于全球人口增长、经济形势变化以及预防人道主义危机、气候变化和政治不稳定所导致短缺的需求。在此背景下，与食品保鲜方法相关的研究不断涌现，与之相伴的是对影响保鲜技术关键参数的监测系统的开发需求。

亚硫酸盐（sulfites）是在食品和饮料领域具有重要影响的化合物，尤其在葡萄酒生产中被广泛使用。从葡萄收获到最终产品装瓶，葡萄酒酿造是一个极为复杂的多阶段过程。亚硫酸盐类化合物在发酵阶段发挥作用，但其抗氧化性能在储存和陈酿阶段尤为关键——抑制好氧微生物生长、防止褐变、延长葡萄酒的保质期。监测亚硫酸盐浓度不仅有助于优化酿酒过程中的添加量以减少不必要成本，更重要的是能防止过量残留给消费者带来健康风险，包括诱发哮喘症状以及产生不良风味和异味。

尽管对“游离SO₂”监测的重要性已获广泛认可，但实时监测解决方案迄今仍然缺乏。经典方法如基于碘量滴定的里珀法虽准确，却不支持实时监测或现场调整。当前主流替代方法分为两类：一类依赖光学系统（光度法、色谱法、荧光法、磷光法等），另一类则基于电极与分析物间的电化学相互作用（安培法、气体扩散流动注射法、循环伏安法、电化学阻抗谱等）。电化学技术因可采用相对简单且成本效益高的仪器而备受欢迎。

在复杂化学基质如葡萄酒中进行分析时，选择性是关键要求。为此，大量研究致力于开发改良电极表面的材料以提高分析物特异性检测能力。然而，传统工作电极功能化方法常常受限于材料合成困难和成本高昂，实际适用性有限。而非特异性方法虽可引入简单校准程序、延长电极寿命（因电极表面不与目标物形成化学键），但在复杂化学溶液中的应用效果并不令人满意。因此，开发一种不改变电极表面却能提高传感器选择性的方法具有重要价值。

**二、研究概述**

正是在上述背景下，研究人员开展了本项工作。该研究基于团队先前的研究基础——此前曾利用非线性模型调整脉冲安培检测（Pulsed Amperometric Detection, PAD）信号以实现亚硫酸盐浓度精确量化（R²?=?0.98），并提出了基线调整的概念，用于区分由亚硫酸盐引起的信号变化与来自干扰物种的信号变化。该思路表明，通过信号处理和建模即可实现高特异性，从而减少对电极功能化的依赖。

在本研究中，循环伏安法（Cyclic Voltammetry, CV）因其提供的丰富电化学信息而被选作分类基础。研究人员开发了一种基于顺序导数循环伏安法（Derivative Cyclic Voltammetry, DCV）的方法，用于分离与亚硫酸盐相关的电化学特征并对其在复杂葡萄酒样品中的浓度变化进行分类。研究人员将问题简化为二元分类框架（“A类”——无亚硫酸盐变化；“B类”——亚硫酸盐浓度发生变化），并在所采集数据集上测试了降维算法以及监督学习和无监督学习技术。最终，研究人员还部署了一种简单的校正技术来修正干扰物的影响。该方法在不进行电极表面修饰的情况下实现了对亚硫酸盐相关变化的识别，所选择的电位范围降低了受试干扰物的影响并实现了成功的基线校正，代表了在无需化学表面修饰条件下提高亚硫酸盐选择性的重要进步。

**三、主要关键技术方法**

本研究采用白葡萄酒样品（“Marquês de Marialva”，产自葡萄牙Bairrada地区；干扰实验采用“Planalto”，产自葡萄牙Douro地区）开展实验。电化学测试使用实验室自制的恒电位仪（基于Espressif ESP32微控制器），工作电极和对电极均为金电极。通过向样品中添加焦亚硫酸钠来改变亚硫酸盐浓度，采用酸化-曝气法（acidification–aeration method）验证各浓度值。CV测试在?1.2?V至1.2?V电压范围内进行，扫描速率为100?mV/s，采集4个循环。使用Savitzky–Golay滤波器降低高频噪声。数据处理采用主成分分析（PCA）进行降维，保留8个主成分；分类采用基于径向基函数（Radial Basis Function, RBF）核的支持向量机（SVM），使用5折分层交叉验证和网格搜索优化超参数（C和γ），以及基于期望最大化（Expectation–Maximization, EM）算法的高斯混合模型（GMM）进行无监督模式识别。干扰校正通过将分析电位窗口从[?1200?mV,?1200?mV]缩减至[600?mV,?1200?mV]来实现。

**四、研究结果**

**4.1 数据采集：导数循环伏安法用于亚硫酸盐变化的检测**

研究人员仅选取伏安图的第二周期进行分析，以确保电极在样品中不同物种存在下完成完整的表面氧化还原循环。伏安图及其导数显示了与各化合物相关的电化学反应所产生的特征峰。当对两个连续伏安图进行比较时：在未发生亚硫酸盐浓度变化的情况下，导数曲线在零值附近振荡，反映出两次测量间的高度相似性；而当亚硫酸盐浓度发生改变后，不仅|ΔI|值增大，导数曲线也呈现出明显可辨的特征变化。最显著的变化区域位于约600?mV附近。由于添加焦亚硫酸盐是引起响应变化的唯一来源，两者之间的因果关系得以确认。研究人员将ΔI值和d(ΔI)/dV值分别编制成矩阵，其中导数电流矩阵（记为X）作为后续分析的观测数据集。

**4.2 监督学习：SVM与二元框架**

在应用分类算法之前，先通过PCA将数据维度降至8个主成分。数据在前两个主成分（PC1与PC2）上的投影已显示出不同聚类结构的形成。随后将数据按二元框架标记为A类和B类。由于数据呈现围绕原点的放射状分布模式，线性核函数无法有效分离数据，故采用RBF核函数。通过网格搜索和5折分层交叉验证优化后，最佳超参数确定为C?=?10和γ?=?“scale”（约0.01），平均交叉验证准确率达93.1%。在独立测试集上，优化模型取得了96.4%的准确率，28个样本中27个被正确分类，F1分数分别为0.96（0类）和0.97（1类）。交叉验证与独立测试的性能相近，表明尽管数据集规模相对有限，模型仍具有良好的泛化能力。

**4.3 无监督学习：GMM**

高斯混合模型被选作无监督学习技术对数据集X进行拟合。初步设定高斯分布数量K?=?6，并使用EM算法构建聚类。在多元框架下，约89%的数据点被正确分配到对应的Δc类别。当进一步简化至二元框架（仅区分A类与B类），分类正确率提升至97%。研究人员还探讨了K值选择的影响：较低的K值倾向于将数据点聚集在中心区域，产生更多假阳性；较高的K值则对离散数据惩罚更大，产生更多假阴性。当K?=?11时，二元框架下正确率为88%。若采用AIC和BIC准则，最佳高斯成分数为K?=?14，但二元分类准确率下降至72.6%，说明更高的信息准则分数并不必然转化为更好的分类性能。因此，需综合考虑分类表现和模型稳定性来选择K值。

**4.4 干扰校正：干扰物影响的评估**

研究人员通过添加不改变亚硫酸盐浓度的葡萄糖和果糖来评估干扰物的影响。导数电流响应分析表明，在600?mV之前的氧化区域内难以区分各事件，而在600?mV以上，亚硫酸盐添加产生的响应可与其余事件有效分离。若使用全范围（0?mV–1200?mV）数据进行PCA，数据点趋于分散，难以通过无监督学习方法识别模式。然而，当分析仅限600?mV–1200?mV范围时，添加葡萄糖和果糖的干扰事件不再可分离（表明电极表面该范围内未发生与这些干扰物相关的变化），但它们与亚硫酸盐添加事件之间仍然保持可分离性。在此条件下，应用K?=?6的GMM进行二元分类，最终准确率为91.6%。该简单校正策略验证了通过限制分析电位窗口即可排除特定干扰物影响的概念。

**五、总结与结论**

本研究提出了一个新颖的框架——通过比较连续伏安图的一阶导数来监测电极表面发生的事件，实现了在测试条件下对与亚硫酸盐变化相关的电化学响应变化的分类。该方法为在无需化学表面修饰的条件下提高亚硫酸盐选择性提供了新途径。二元分类框架的运用被证明在简化分析方面极为有效。通过PCA降维后，两种学习技术均得到测试：SVM虽表现出更优的性能，但GMM等无监督方法在未来的应用中可能提供更好的泛化能力。研究人员还成功地分离并追踪了与亚硫酸盐变化相关的电压区间，并将其与其他干扰化合物区分开来，从而使问题再次简化为二元框架。

研究结论指出，该方法是旨在增强如PAD等技术的手段——PAD具有良好的性能和简单的校准程序，但易受外部因素影响。通过整合类似本研究提出的策略，可以延长电化学传感器的操作寿命，同时实现对校准曲线随时间的动态调整。因此，本研究代表了向开发用于葡萄酒酿造过程中实时、远程和原位亚硫酸盐监测的稳健技术迈出的重要一步。未来工作将重点关注将该方法整合到完全可操作的传感平台中，推进工业级原型的开发以供实际部署，包括测试和比较不同的机器学习算法，以及在葡萄酒酒窖中进行实际测量。