基于面部表情分析技術的葡萄酒中關鍵香氣與飲用舒適度相關性評價

黃翠,武運*,薛潔,皇甫潔,孫志偉,唐家樂,張成學,李寧,宋濤

1(新疆農業大學 食品科學與藥學學院,新疆 烏魯木齊,830052)

2(中國食品發酵工業研究院,北京,100015)

3(國家酒類品質與安全國際聯合研究中心,北京,100015)

葡萄酒因具備獨特、復雜的典型風格而深受大眾喜愛,不同葡萄酒由于葡萄品種、氣候、土壤等生態條件以及釀造方式等差異,使生產出的葡萄酒風格存在很大差異,因此特征鮮明的葡萄酒風格一直是釀酒師所追求的目標[1]。目前對于葡萄酒質量的評價主要集中于理化指標、感官品評[2],其中感官評價仍然是評價葡萄酒質量最有效的方法[3],對于高質量的葡萄酒來講,其飲用過程即風味口感等能帶給人愉悅舒適感,因此提升酒類飲用舒適度已成為如今一大研究熱點[4]。

飲用舒適度是指飲料酒的飲用體驗,其研究主要集中在兩部分,一是飲中舒適度,包括飲用時對酒體外觀、香氣、口感的綜合感受;二是飲后舒適,包括飲用后產生的生理反應等[5]。有文獻表明,香氣物質是葡萄酒的重要感官指標和質量參數[6],同時也是影響葡萄酒酒飲用舒適度的關鍵因素,影響酒類飲用舒適度的正向因素[7]包括呈香風味因子、酯酸比例等;負向因素[8]主要有雜醇油、乙醛等。國外學者常采用“宿醉”一詞來評價酒類飲用體驗感,評價方法多集中于:宿醉嚴重程度量表[9-10]、人體飲后感受評價問卷[11]、動物行為學評價模型[12]等。這些評價也大多采用了主客觀相結合的評價方式,而采用面部表情分析技術來評價葡萄酒飲用舒適度的研究鮮有報道。面部表情分析技術[13]是智能感官品評方式的一種,此外還包括腦電分析[14]、心率體溫[15]、眼動追蹤[16]等。其可以在品評過程中提供快速變化的情感信息,是一種通過分析人臉信息嘗試理解人類情感的技術,其主要通過捕捉品評者在品評過程中面部的關鍵肌肉點,并對比表情圖像數據庫將表情數據分類,在食品中的應用較為廣泛[17-18]。

本研究基于模糊數學傳統感官評價法與智能感官面部表情分析技術相結合的方式對11款葡萄酒進行綜合質量評價,采用氣相色譜-質譜聯用技術(gas chromatography-mass spectrometry,HS-SPME-GC-MS)對11款新疆地產葡萄酒中香氣物質定性定量分析,以香氣活度值(odor activity value,OAV)確定酒體中關鍵香氣物質。通過對關鍵情緒維度與關鍵香氣成分的相關性分析,明確葡萄酒酒體中影響飲用舒適度的關鍵香氣物質,以期為葡萄酒品質評價及品質提升提供科學的理論依據。

1 材料與方法

1.1 材料與試劑

酒樣取自新疆焉耆盆地、吐哈盆地、天山北麓、伊犁河谷四大產區的11款葡萄酒;酒樣收集信息如表1所示。

表1 酒樣信息Table 1 Information of wine samples

1.2 儀器與設備

氣相色譜-質譜聯用儀、DB-WAX色譜柱,安捷倫科技(中國)有限公司;面部表情分析儀、Face Read 軟件,版本8.0 諾達思(荷蘭)。

1.3 實驗方法

1.3.1 建立模糊數學綜合評價級

品評人員共20人,其中包括國家品酒師及葡萄酒專業人員;參照國標GB 15037—2006,以葡萄酒外觀、香氣、口感、整體4個方面進行品評打分,同時進行面部表情信息的采集,最后將品評打分按優良中差進行人數統計匯總。

根據葡萄酒感官評價標準(表2)分別對7款干紅、4款干白進行模糊數學綜合感官評價,并建立評價級。評價對象集U,代表進行感官評價的11款酒樣集合,U={u1、u2、u3、u4、u5、u6、u7、u8、u9、u10、u11},其中u1～u11分別代表11款酒樣,uj代表11款酒樣的綜合評價,其中j=1,2,3,4,5,6,7,8,9,10,11。

表2 葡萄酒感官評價標準Table 2 Sensory evaluation criteria for wines

因素集及權重的確立:評價因素集Rj={v1、v2、v3、v4},v1～v4分別代表評價干紅葡萄酒的4個評價指標,即{外觀,香氣,口感,酒體}。

評價得分集B={b1、b2、b3、b4}={優,良,中,差}={90,80,70,60}。權重集X={x1、x2、x3、x4}={0.15,0.3,0.45,0.1}。根據模糊數學變化原理利用矩陣乘法,將權重集合乘以模糊數學關系矩陣Rj,可以得到酒樣對4個因素的綜合隸屬度Tj。

1.3.2 面部表情技術分析

基于面部表情分析系統捕捉品評者品評過程中的面部表情信息,采用系統自帶的Face Reader軟件對葡萄酒品評過程中的觀色、聞香、品嘗三階段加以處理分析[19]。面部表情數據最后分為7種情緒,其中正向情緒包括:中立、喜悅、驚奇;負向情緒包括:悲傷、懼怕、憤怒以及厭惡[20]。此外,以效價及喚醒度作為整體品評階段的參考。效價值是正負情緒的均值之比的綜合分析維度,喚醒度是正情緒的均值與所有情緒均值之比的綜合分析維度,均可用于品評過程中的整體情緒評價。

1.3.3 揮發性香氣物質的測定

HS-SPME提取揮發性成分:在10 mL頂空進樣瓶中加入1 mL酒樣、5 g鹽、4 mL蒸餾水,將樣品瓶在恒溫條件下振蕩15 min,使用50/30 μm DVB/CAR/PDM萃取頭萃取,萃取前將萃取頭老化2 h,樣品萃取40 min,每個樣品重復3次取平均值。GC-MS條件參考王雪薇等[21]的數據。

1.3.4 定性定量分析

定性采用MS即計算機內置的標準質譜庫NIST進行對比檢索(匹配度≥80),查詢對應的CAS號、保留時間;定量采用標準品配制混標,按梯度稀釋后與待測樣品在相同處理參數下測出標樣在不同濃度下的標準曲線,并繪制工作曲線計算待測化合物含量[22],采用全掃描方式。

1.3.5 OAV的計算

一般以OAV≥1的香氣物質用于評價香氣對風味的貢獻程度[23]。計算如公式(1)所示:

(1)

式中:C為計算出的該化合物的質量濃度,mg/L;OT為指香氣化合物在文獻中查閱到的氣味閾值。

1.4 數據處理

采用IBM SPSS Statistics 20.0進行顯著性差異分析(least-significant difference,LSD)、線性回歸(最小二乘法);采用Origin軟件做柱狀圖、差異性熱圖。

2 結果與分析

2.1 基于模糊數學的傳統感官綜合評價

根據品評打分得到感官評定結果及模糊數學評定矩陣(https://doi.org/10.13995/j.cnki.11-1802/ts.036340),以1號酒樣為例,綜合隸屬度T1如下:

(0.660,0.225,0.115,0.000)

計算出酒樣的模糊評價結果,經過加和后及得到每個樣品的最終感官評分,如1號酒樣最終感官評分T1=0.660×90+0.225×80+0.115×70+0.000×60=85.45;所有樣品的最終模糊評判結果與綜合評分見附表(https://doi.org/10.13995/j.cnki.11-1802/ts.036340)。

大多酒樣綜合評分等級為良;干紅組綜合品評得分順序為:吐哈盆地赤霞珠(2號)>焉耆盆地馬瑟蘭(7號)>伊犁河谷赤霞珠(3號)>焉耆盆地西拉(6號)>焉耆盆地赤霞珠(1號)>焉耆盆地梅洛(5號)>天山北麓赤霞珠(4號);干白組綜合品評得分順序為:焉耆盆地霞多麗(8號)>伊犁河谷雷司令(10號)>吐哈盆地白詩南(9號)>天山北麓雷司令(11號)。干紅組感官品評得分高的為吐哈盆地的赤霞珠葡萄酒(2號)、焉耆盆地馬瑟蘭(7號),評分較低的為天山北麓赤霞珠(4號);而干白葡萄酒感官品評質量最佳的為焉耆盆地的霞多麗(8號),評分較低的為天山北麓雷司令(11號)。

2.2 基于面部表情分析技術的綜合評價

通過面部表情分析儀記錄品評過程,得到7個情緒維度的得分值;由于香氣對觀色階段的情緒值幾乎無影響,主要影響人的嗅聞、品嘗等感官情緒;因此忽略觀色階段情緒值,選取聞香、品嘗階段的Face Reader得分進行分析。情緒維度得分值越大代表強度越高;將得分值采用LSD進行差異性分析,結果見表3。對可以顯著區分不同酒樣的正向情緒(愉快、驚奇)和負向情緒(厭惡、懼怕)進行具體分析(圖1)。

圖1 品評者對不同樣品的情緒得分圖

表3 面部表情方差分析圖Table 3 ANOVA plot of facial expression

綜合圖1情緒得分圖來看,愉快情緒維度平均值為0.038～0.169;驚奇情緒維度為0.01～0.06;厭惡情緒維度得分為0.02～0.07。懼怕情緒維度得分為0.006 1～0.019 1,厭惡情緒維度得分為0.034～0.079。各款樣品中聞香、品嘗階段愉悅情緒值最高并顯著高于其他情緒值,說明葡萄酒中存在使人聞香產生愉悅舒適感的物質。其中聞香階段焉耆盆地霞多麗白葡萄酒(8號)愉悅值最高,焉耆盆地梅洛紅葡萄酒(5號)愉悅值最低;品嘗階段天山北麓產區雷司令白葡萄酒(11號)愉悅值最高,天山北麓產區赤霞珠紅葡萄酒(4號)愉悅值最低。

將顯著性指標歸類為正向及負向情緒,根據情緒之和的平均值做柱狀圖(圖2),其品評過程中所有樣品正向情緒得分值均顯著大于負向情緒,干紅組各樣品正向情緒較高的為:吐哈盆地赤霞珠(2號)>焉耆盆地馬瑟蘭(7號)>伊犁河谷赤霞珠(3號)>焉耆盆地赤霞珠(1號)>焉耆盆地西拉(6號)>焉耆盆地梅洛(5號)>天山北麓赤霞珠(4號);干白組正向情緒較高的為:焉耆盆地霞多麗(8號)>天山北麓雷司令(11號)>吐哈盆地白詩南(9號)>伊犁河谷雷司令(10號)。綜合其喚醒度及情緒效價來看,吐哈盆地赤霞珠(2號)、伊犁河谷赤霞珠(3號)、焉耆盆地馬瑟蘭(7號)、焉耆盆地霞多麗(8號)這幾款酒比同類型酒樣的飲用舒適感要好。這與模糊數學綜合品評得分排序結果一致性較高。

a-愉悅;b-驚奇;c-厭惡;d-懼怕

2.3 基于面部表情與傳統感官評價模型的建立

面部表情情緒值喚醒度與效價作為整體參考衡量指標,一般認為該值的大小與品評者對該款酒的飲用綜合舒適度相關。接著以模糊數學感官評價法所得綜合評分為因變量Y值,以效價(聞)、喚醒(聞)、喚醒(嘗)、效價(嘗)平均值為自變量X值建立線性回歸(最小二乘法)模型,獲得以綜合品評得分為目標函數的二次回歸擬合方程:y=140.404+54.082×效價(聞香)-95.835×喚醒(聞香)-17.589×效價(品嘗)-72.012×喚醒(品嘗)。

所得回歸方程可以根據效價及喚醒度預測葡萄酒飲用舒適的綜合得分。對于變量共線性表現,方差膨脹因子(variance inflation factor, VIF)值用于解釋變量間存在高度相關的關系(VIF應小于5),所得VIF全部小于5且模型符合要求。模型沒有多重共線性問題,模型構建良好。F檢驗的結果分析可以得到,顯著性P值為0.017**,水平上呈現顯著性,因此模型基本滿足要求。

得出R2=0.831,R2代表曲線回歸的擬合程度,越接近1效果越好,說明模型公式有80%的擬合程度與其模糊數學綜合感官品評得分相吻合。真實值與預測值擬合度良好,因此說明面部表情各情緒維度可以作為衡量整體綜合飲用舒適度的參考指標。

2.4 不同葡萄酒的香氣物質解析

通過HS-SPME-GC-MS對香氣成分量化分析(https://doi.org/10.13995/j.cnki.11-1802/ts.036340),11款葡萄酒中共測得79種香氣物質(共有成分43種),且各香氣物質種類存在異同;主要包括酯類、醇類、醛酮類、酸類、萜烯類和其他化合物。其中酯類數量最多(35種),醇類次之(19種),萜烯類(11種)、醛酮類(7種)、酸類(4種)和其他類(3種)最少;這些香氣物質主要來源于葡萄果實以及發酵過程中產生。

由附表4(https://doi.org/10.13995/j.cnki.11-1802/ts.036340)、圖3可知,香氣物質在葡萄酒中的總體含量為324 252.80～1 073 541.29 μg/L,且差異顯著。葡萄酒中的醇類物質是酒體醇甜和助香物質,醇類化合物主要為糖苷類的水解、氨基酸和脂肪酸的代謝產物[24-25],其含量最高且占香氣成分總量的63%～78%,含量較高為甲醇、異戊醇、活性戊醇等高級醇物質。高級醇的生成通過酵母氨基酸的異化作用[26-27],也可通過糖的合成代謝經由氨基酸的合成代謝途徑生成,其中天山赤霞珠(4號)、焉耆梅洛(5號)醇類含量最高,可能是降低飲用舒適度的原因之一。

附表1 酒樣感官評定結果Table S1 Sensory evaluation results of wine samples

附表2 模糊數學評定矩陣Table S2 Fuzzy math assessment matrix

附表3 十一款酒樣模糊評判結果與綜合評分Table S3 Fuzzy evaluation results and comprehensive scores of 11 wine samples

附表4 葡萄酒揮發性香氣物質含量 單位:μg/LTable S4 Content of Volatile Aromatic Substances in Wine

圖3 樣品間香氣物質種類含量占比圖

表4 十一款葡萄酒中的關鍵香氣物質(OAV>1)Table 4 Key aroma substances in 11 wines (OAV>1)

酯類來源于氨基酸和脂肪酸等物質的代謝,是由醇和酸的酯化作用形成的,適量時能烘托主體香使酒體完美;所測含量占香氣成分總量的6%～27%,其中酯類含量較高的物質為乳酸乙酯、丁二酸二乙酯、乙酸乙酯等,焉耆梅洛(5號)樣品酯類含量占比最高,其中乳酸乙酯含量高達192 802.9 μg/L。

萜烯類化合物是以異戊二烯為基本結構單元構成的烴類化合物[28],主要來源于葡萄果實;所測得的萜烯類化合物以β-苯乙醇、大馬烯酮、芳樟醇等為主,含量占香氣成分總量的2%～6%,并且天山北麓赤霞珠干紅(4號)β-苯乙醇的含量(51 618.06 μg/L)最高。

醛酮類與酸類物質是微生物在發酵階段共同作用的產物,可以賦予酒體愉快的香氣[10];酸類物質的主要貢獻是呈味作用和作為酯的前驅物質及穩定劑作用,但對香味的直接貢獻較小。所測醛酮類及酸類物質占香氣成分總量的比例較低,主要以3-羥基-2-丁酮、乙醛、糠醛、辛酸等為主。

差異性熱圖(圖4)將GC-MS分析得到的香氣物質進行數據可視化,顏色越深代表該物質在某一樣品中的含量越高(空白區域為該物質未檢出)。從熱圖中來看,乳酸乙酯、乙酸乙酯、異戊醇、1-2丙二醇、甲醇、2,3丁二醇、3-羥基-2-丁酮等在樣品間差異顯著且占主導地位,可以作為明顯區分11款樣品的特征性香氣物質。

圖4 樣品間香氣物質差異性熱圖

2.5 基于OAV關鍵香氣物質的貢獻分析

葡萄酒整體風味屬性的呈現一般與酒體中的關鍵香氣物質緊密聯系。根據OAV理論,香氣物質濃度高并不一定對酒體香氣有很大貢獻[29-30]。因此單靠物質含量判定其關鍵香氣成分具有局限性,進而還需借助OAV深入揭示葡萄酒中的關鍵香氣成分[31-32]。

綜合以上,將檢出的79種揮發性香氣物質進行OAV計算并歸納其關鍵香氣,分析酒樣間風格特點差異性,將20種關鍵香氣活性物質(OAV>1)歸納總結下(表4)可以看出OAV>50的香氣物質有3種,分別是己酸乙酯、3-羥基-2-丁酮、大馬烯酮;經文獻描述己酸乙酯呈熱帶水果味,大馬烯酮呈蜂蜜花香味。OAV>10的有乳酸乙酯(優雅的果香)、丁二酸二乙酯(煮熟的蘋果香氣)、乙酸異戊酯(香蕉氣息)3種物質。這些物質對葡萄酒整體差異性起到很大的貢獻作用,其余香氣物質可能為酒體結構提供重要修飾作用。

將相同香韻的OAV進行分類加和求平均值繪制香氣特征雷達圖(圖5)。將香氣歸類為花香、瓜果香、奶香、醇香、藥香、不愉快的氣味六類;如圖5所示,11款酒花香、奶香、瓜果香最為豐富。通過篩選OAV>10的關鍵香氣物質發現,11組酒樣共有關鍵香氣物質為己酸乙酯;干紅組中焉耆赤霞珠(1號)、天山赤霞珠(4號)、焉耆梅洛(5號)、焉耆西拉(6號)、焉耆馬瑟蘭(7號)共有2種關鍵香氣物質為:乳酸乙酯、3-羥基-2-丁酮,帶給酒體果香、奶油香氣息;其中焉耆西拉(6號)、焉耆馬瑟蘭(7號)特有的關鍵香氣物質為丁二酸二乙酯,帶給酒體蘋果香氣味。干白組焉耆盆地霞多麗(8號)、伊犁河谷雷司令(10號)、天山北麓雷司令(11號)共有關鍵香氣2種,分別是乙酸異戊酯、大馬烯酮,賦予酒體豐滿的花果香氣息。

圖5 關鍵香氣物質雷達圖

2.6 關鍵香氣物質與飲中舒適度的相關性

基于20種OAV>1的香氣物質與愉悅、驚奇、懼怕、厭惡4個關鍵維度情緒的聞香、品嘗階段得分值做相關性分析,綜合相關性熱圖(圖6)來看,圖中帶“*”標記的為情緒值、關鍵香氣間具有顯著性相關關系;標記的“*”數量越多代表相關性越強,顏色越深代表相關性系數越大。

圖6 關鍵情緒維度與關鍵香氣間的相關性熱圖

在聞香階段與正向情緒呈強相關的物質有3-羥基-2-丁酮(3-hydroxy-2-butanone)、乙酸乙酯(ethyl acetate);相關性較弱的物質有乙偶姻(homozygous marriage)、丁二酸二乙酯(diethyl succinate)等。在聞香階段與負向情緒呈強相關的物質有活性戊醇(active amyl alcohol)、異戊醇(isoamyl alcohol)等;呈弱相關的物質有異丁醇(isobutanol)等。乙酸乙酯(ethyl acetate)、甲醇(carbinol)、辛酸(octanoic acid)、3-羥基-2-丁酮(3-hydroxy-2-butanone)等在品嘗階段與負向情緒呈顯著相關。由此可以看出葡萄酒中與正向情緒呈強相關的大多為酯類物質,與負向情緒呈強相關的大多為醇類物質。說明葡萄酒中酯類物質含量的增多可能會提高飲用舒適度,醇類物質的含量較高則會造成飲用過程舒適感的降低。

3 討論

本研究中將模糊數學傳統感官評價綜合得分與面部表情綜合維度建立多元線性回歸模型,其作為機器學習模型中單模型的一種,針對本研究中品評20人的數據量來建立,主要目的是確定傳統模糊數學感官品評與面部表情品評得分的擬合度。機器學習模型通過已知的樣本通過一定的方法確定未知參數,其數據量的夯實對模型構建的準確性具有很大的幫助;如若要進一步構建機器學習模型后期還應補充樣本數據。因此,對于后續的相關研究中,本課題組可以通過收集較多的新疆葡萄酒樣品、增加樣品品評人數、劃分品評人群等多種方式豐富其數據量,為后期構建機器學習模型奠定基礎。

趙文梅等[11]研究發現較高含量的高級醇如正己醇、正丁醇等會降低醬香型白酒中飲用體驗;部分酮類、吡嗪類等對飲后舒適度起到提升的作用。徐佳楠[12]研究推斷異戊醇和正丙醇含量過高對濃香型白酒飲用舒適度有一定影響。本研究結果與上述文獻基本相一致,葡萄酒中的酒體成分及形成機理均很復雜,但最終的源頭離不開工藝,依靠工藝提高飲用舒適度仍是今后研究的方向。因此在后續工藝優化中可以從豐富酯類種類、提高酯類含量、降低高級醇含量等方面入手從而提高新疆葡萄酒的飲用舒適感。