来自河南农业大学机电工程学院的邹光宇、王万章、张红梅*等人采用电子鼻/舌联用技术，从气味和滋味综合对茶叶品质进行识别研究。通过PCA降维对比单一的电子鼻/舌检测信息与电子鼻/舌联用检测信息，探讨一种对茶叶品质分类识别能力更强的方法。同时，基于电子鼻/舌融合数据建立茶多酚、咖啡碱预测模型。采用对比多元线性回归、多元线性逐步回归以及二次多项式逐步回归建立回归预测模型，并对模型预测结果进行对比分析。
1、基于传感器响应的茶叶香气和滋味分析
电子舌味觉传感器阵列显示3 类茶叶口感较为接近，其中二级茶叶苦、涩味值最高，一级茶叶苦、涩味值最低。茶叶中苦味的主要呈味成分是咖啡碱，咖啡碱是茶叶中主要的生物碱，占茶叶干质量的2%～5%。涩味的主要呈味成分是茶多酚，其中儿茶素占茶多酚总量的70%～80%，呈苦涩味，此外茶多酚中的黄酮类化合物也能增强茶叶的苦涩口感。因而电子舌味觉传感器给出的苦味值和涩味值，可在一定程度上对茶叶咖啡碱与茶多酚进行预测。
2、理化成分分析
各等级茶叶茶多酚含量有明显变化，茶多酚质量分数与茶叶等级呈正相关。特级毛尖咖啡碱含量最多，一级与二级毛尖咖啡碱含量较少且较为接近。茶多酚、咖啡碱及氨基酸相互作用对茶叶香气和滋味的影响，是造成茶叶气味与口感多样化的重要原因。
3、PCA
电子鼻与电子舌采集得到的多维数据，无法直观分析茶叶所属类别，因而采用PCA降低数据维度，达到识别目的。首先分别对电子鼻、电子舌所测数据以及电子鼻电子舌所测融合后数据做z-score归一化处理，然后进行PCA降维识别。
4、电子鼻/舌融合的茶多酚和咖啡碱预测模型结果
融合数据优化结果
对电子鼻/舌所测得的原始数据进行数据融合含有丰富的茶叶信息特征，但融合后数据维度高且含有大量冗余信息，不利于后期数据处理，因此需对融合数据进行优化处理。
基于融合优化后数据的茶多酚预测模型结果
3 种回归模型的P值均小于0.01，表明回归系数检验显着，传感器阵列特征值能有效预测茶叶中茶多酚的变化规律。建模集决定系数显示3 种回归模型决定系数均大于0.99，验证集决定系数显示3 种回归模型决定系数均大于0.97，茶多酚预测值和实测值呈显着线性相关。建模集和验证集均方根误差显示预测值与实际值偏差较小，3 种回归模型均对茶叶中茶多酚含量有良好的预测能力。
基于融合优化后数据的咖啡碱预测模型
3 种回归模型中的回归系数检验显着，P值均小于0.01，表明传感器阵列特征值能有效预测茶叶中咖啡碱含量。建模集3 种模型决定系数均大于0.98，验证集决定系数表明多元线性逐步回归的预测能力较差，决定系数仅为0.567。建模集和验证集均方根误差偏小表明模型预测值与实际值较为接近。
结 论
本实验采用电子鼻和电子舌结合理化成分检测对3 个等级的信阳毛尖茶品质进行分析，结果表明：3 个等级茶叶的茶多酚、咖啡碱含量随茶叶品质提升而增加，表明茶多酚、咖啡碱含量与茶叶品质呈正相关。对电子鼻和电子舌传感器阵列进行PCA能有效区分3 个不同等级的茶叶，电子鼻/舌数据融合可显着提高茶叶品质的识别能力。将电子鼻/舌数融合数据对茶多酚和咖啡碱建立多元线性回归、多元线性逐步回归、二次多项式逐步回归模型。结果显示传感器阵列对茶多酚和咖啡碱的建模中，二次多项式逐步回归模型效果较佳。茶多酚建模集和验证集的决定系数分别为0.999、0.975，均方根误差分别为0.083、0.174；咖啡碱建模集和验证集的决定系数分别为0.985、0.978，均方根误差分别为0.015、0.048。电子鼻/舌联用技术能准确预测茶叶品质和理化成分含量。
