电子舌与电子鼻的应用关于“电子舌头”和“电子鼻子”，你需要了解的都在这里了|上海羊羽卓进出口贸易有限公司

关于“电子舌头”和“电子鼻子”，你需要了解的都在这里了

在更接近于人类的各种“感觉”上，人工智能(AI)科学家们一直在探索，比如视觉和听觉方面已取得相当丰硕成果，但是对于人的味觉和嗅觉AI探索进展似乎并不大。

不过，最近有了突破。3月16日，英特尔与康奈尔大学在《自然-机器智能》杂志上联合发表论文，宣布其利用英特尔神经拟态芯片Loihi可以识别10种有害气体。而在2019年7月，IBM研究院的科学家宣布其研发的“电子舌头”能在1分钟内识别多种液体，可以用于食品安全、工厂质检、疾病诊断、环保检测等。

为什么AI识别嗅觉味觉的脚步要远远慢于识别视觉听觉?味觉和嗅觉的解题为什么难?嗅觉和味觉的解题背后有什么样的商业价值呢?

识别气味与味道的挑战

“人类的味觉是几千年进化的结果。它让我们享受愉快的食物和饮料，并警告我们不要摄入有害物质。另一方面，人造传感器还没有接近味蕾识别物质的容易程度。这是一个重大的技术差距，因为有许多物质，我们想‘品尝’而没有真正敢把它们放进我们的嘴里。”

Patrick Ruch是IBM苏黎世研究院的研究员，他在去年7月5日的IBM研究院博客上，以这样开篇来讲述IBM要做Hypertaste原因。

IBM苏黎世研究院的研究员Patrick Ruch关于Hypertaste的博客截图

在识别有毒有害的气体与液体上，人类有很多种解题的方法，人造传感器是其中之一，但人造传感器并不十分给力，通常人造传感器只能识别某一种液体。当然对气体的判断也可以用警犬，不过训练警犬需要很长的时间成本。人类对于解题方法的优与劣通常有几个衡量标准：效率、成本、方便性。因为前面的办法有局限性，于是科学家们想到了人工智能。

但是这些年将AI用于味觉与嗅觉的识别，其进展其远远落后于视觉和听觉。

为什么视觉和听觉的进展更快?“其一是视觉、听觉两类数据相对容易获得而且数据量大。在此前的信息化时代，比如2000年开始摄像头普及，更早时候麦克风普及，让我们积累了大量图片数据、语音数据。其二是这两类数据的标注相对容易。人类基于捕捉下来的照片或是录制的音频进行标注，基于人类的基本认知知识容易实现，容易确定它的正确与否。”英特尔中国研究院院长宋继强在接受《中国电子报》记者采访时表示。

这些年我们看深度学习能够做的比较好的领域都具备了这样的特征：第一，数据量足够，第二，有标注好的数据，第三，有训练的数据池和未来要处理这个问题的真正测试集合，这样训练出来的模型，才能够很好地处理真实的场景。这也是为什么深度神经网络擅长处理视觉数据、语音数据的原因。

但是嗅觉和味觉的数据量很少，而且不容易标注。

“利用信息技术识别气味与味道的挑战主要来自两方面：一是人类对嗅觉和味觉的机理研究和了解还远远不够，既不充分知道它们自身的机理，也不了解人类是如何对它们感知的;二是还完全没有一套体系和方法能对嗅觉和味觉进行数字化的建模和分析处理。”IBM全球副总裁、中国研究院院长、大中华区首席技术官谢东在接受《中国电子报》记者采访时表示，对比下视觉和听觉，在视觉领域，我们知道光对人类视觉的作用机理，我们不仅知道如何检测分析物体的颜色、形状和空间位置，还能合成出可以让人类准确感知的图像。对于听觉领域，也是类似的。

“而对味觉和嗅觉就了解太少了。我们知道气味和味道跟物体的分子结构和组成有关，但还不知道它们之间的对应关系，在理论和实验上，我们都不能通过一个物体的分子结构和组成准确的判断它的气味和味道。”谢东说。

“电子舌头”和“电子鼻子”

不需要高端实验室，不需要复杂设备，低成本、快速轻松完成，就像是我们自己的舌头一样。这是苏黎世IBM研究院研究员Patrick Ruch以及其团队的想法，在2014年IBM的“未来5年5大技术”(IBM研究院每年会提出5项影响未来5年的五大技术，简称“five in five”)项目里，有这样的描述：“未来传感器将无处不在，传感器可能会出现在手机中、出现在车里。”所以Hypertaste的研究，应该是从2014年或者更早开始的。

据了解，“电子舌头”使用电化学传感器，每个电极通过电压信号对分子组合的存在作出响应，电压信号易于测量。“其中的关键是电化学传感器中覆盖了每个电极的聚合物涂层。这些涂层被设计用来捕捉一系列化学信息，并允许高度微型化。” Patrick Ruch和其团队在苏黎世的实验室合成了这些涂层。

IBM “电子舌头”Hypertaste

而事实上，电化学传感器并非今天才有，在上世纪50年代就开始出现，但目前很多手持式电化学传感器都只能检测一种液体成分，而 “电子舌头”则不相同。它真的就像人类的舌头一样，通过组合检测，识别出多种不同类型的液体，并且无需专门针对这种液体对设备进行重新的调整。

谢东认为，“电子舌头”的创新工作主要有两部分：一是快捷的液体分子组成检测设备和方法;二是用人工智能的方法预测具有这种分子组成的液体最可能的气味和味道。“电子舌头”从测试上传到获得答案不超过一分钟，它的实现路径是，除了带有特殊涂层的电化学传感器，还利用了AI与云。

而这次康奈尔大学与英特尔公司合作的项目，是利用英特尔神经拟态芯片Loihi来识别爆炸物和毒品，它的灵感来人脑对于气味识别过程的启发。“人是通过鼻腔让空气吸进来，如果想甄别味道更快，可能要快速呼吸几下，让它的浓度、流动的速度都加快起来，可以接触到更多气味。是让空气流动和鼻子里的传感细胞接触。”宋继强说。

英特尔与康奈尔的“电子鼻”是构造出一个类似于人的鼻腔通道，里面放了化学传感器、有机物传感器，通过感知气体流过时的分子接触传感细胞的时间、空间的序列，形成一个时间上的脉冲序列，它有空间上的分布。再对这些数据进行模型匹配，通过这一测试能把它的模式很好地记录下来，记录下来之后再碰到这样一个气味就能够产生最高响应。宋继强进一步解释。

在英特尔与康奈尔的“电子鼻”项目中，核心关键是传感器+算法+神经拟态芯片，而神经拟态芯片的运用使得，解决了如何可以在低成本、数据量很少、功耗很低的背景下来解决闻味的问题。因为在一个Loihi芯片上构造这样的系统，它的功耗非常低，功耗只是毫瓦级别，无论是是训练还是识别都不需要花太多电，所以可以把它做成类似于“电子鼻”的小设备。而且它可以扩展去识别很多种类的气体。

英特尔“电子鼻”

无论是IBM还是英特尔与康奈尔，其电子舌头和电子鼻解决方案，都有一个共同的特征：高效率、识别多样性、低成本、具备易用性。这是我们检验一个创新区别于此前创新的核心关键。

全球的科学家以及科技公司在嗅觉和味觉AI的探索上各显神通，事实上在闻味AI和嗅觉AI的上的探索并不仅仅是英特尔、IBM等公司。去年5月，有媒体报道了微软公司与酿酒厂及科技公司三方合作，推出了全球上第一款由AI制造出来的威士忌。这款威士忌依靠大数据调制，被形容为带点果味、橡木味及少许咸味的佳酿。根据微软的说法，由微软Azure云端及Azure认知服务提供Mackmyra酒厂的机器学习模型，并采用了现有的配方、销售数据以及客户喜好，让AI透过这大数据从超过7000万个方式及口味中挑选出来制作。

与此同时，日本NEC公司与三重大学也曾利用传感器向食物发射不同波长的红外线，结合反射数据来勾勒出食物的“指纹”，然后将其与数据库资料对比，可以辨别出数十种实物的味道和名称。而美国的NotCo公司创始人开发了一款机器学习软件，可以发现不同动物和植物蛋白之间的联系，通过描述食物和配料的分子数据，食物和配料的光谱图像，以及一系列收集的数据，来帮助NotCo公司推出香肠、肉沫、冰淇淋等高热量食物的纯素植物替代品。

而在中国，中国轻工业联合会在去年4 月提交的一份报告显示，自 2015 年以来，有超过 10 家传统中国食品制造商参与了政府支持的“AI 试味”项目，在生产过程中通过AI验证测试食品味道是否符合标准，保证食品安全。

AI识别味觉嗅觉的未来探索

回望这些项目，我们可以归纳出其中几个关键词：新型传感器、新型算法、类脑计算、云计算。味觉、嗅觉AI的突破需要交互感知、材料学、动力学、分子化学、生物信息学等多种技术集成协作，通过感知不同的材料、感知不同电流的变化，而获得信息，结合AI算法、模型以及更适配的计算力，与数据库数据配对，获得结果。总结这些味觉与嗅觉AI这些项目，给我们的未来创新有更多的启示。

其一，当我们希望突破更难的“题目”，多学科技术集成协作成为必要手段。 事实上在IBM的“电子舌头”项目中，神秘武器之一是“聚合物涂层”，这些聚合涂层捕捉一系列化学信息，并允许高度微型化，它是复合材料领域的突破。

其实，IBM研究院很多项目突破都基于其深厚的多学科融合底子。比如今年1月IBM宣布将基于海水研发电池，而这款新型电池在多个方面的表现均超越锂离子电池，包括更低的成本、更快的充电时间、更高的电量和能量密度、更强的能源效率，以及更低的易燃性。而IBM研究院电池实验室结合了材料学、分子化学、电气工程、先进电池试验设备与AI计算机模拟等海量新型技术。

在多学科融合的解题中，“计算机科学并不仅仅是‘工具’，更是方法论、理念、定律。”中国科学院院士李国杰表示，计算机科学家与其他领域的科学家密切合作，已成为当代科学研究的特点。计算机科学技术不仅仅是其他领域的“工具”，而是认识未知世界的知识源泉之一。其他领域的学者运用普遍流行的算法和软件也可能会解决一些局部性的问题，获得一些渐进性的改进，但要获得算法上的根本性突破，需要与真正懂算法的计算机科学家深度合作。

其二，对于计算力的选择已经进入“好马配好鞍”的时代。 有人说，这一轮人工智能的浪潮大举进入各个领域，是得益于算法模型的成熟，但其实它是数据丰盈、算力澎湃、算法成熟三者交汇的结果。这一次康奈尔大学与英特尔联合的“电子鼻”项目中，神经拟态芯片Loihi是一个关键。为什么解题嗅觉、味觉要采用类脑计算，而不是诸如量子计算或是传统计算?

英特尔神经元芯片Loihi

宋继强给出的答案，第一神经拟态计算不需要依赖于大量的数据。神经拟态计算从一个样本的训练中就可以达到比较高的准确率，百分之九十几，这和过去人们专门去定制一些规格特征来识别的效果非常相似。第二是低功耗，这样可以在很小的设备上就可以做成电子鼻子。第三是可扩展，能够做更多种类的气体识别。

“当然也可以用传统计算机来解题，但如果是传统计算机就需要构造更精巧的算法，在传统的CPU上当然可以模拟各种各样的计算场景，但是执行效率肯定不如在Loihi上这么直接、这么低功耗。而量子计算是适合做大规模有并行选项同时验证的事情，并不是适合做嗅觉识别，因为嗅觉识别需要针对只有少量的、有时间序列的数据，进行快速判别。”宋继强说。

类脑计算跟量子计算是完全不同的理论基础和技术路线。谢东表示，“类脑计算是要模仿人脑神经元的模式进行“计算”，是神经科学、人工智能、超级计算引领下的前沿方向。从算力上看，它不仅专注于超强的算力，还希望通过模仿人脑的结构模式实现超低功耗的计算。而量子计算则是基于量子物理现象和过程实现的信息表达和计算。类脑计算和量子能解决的问题会有交叉，但在大范围上是不同的。至于说哪个更适合解决嗅觉味觉的问题，二选一的话，我选类脑计算。”

类脑计算、量子计算、传统计算各有各的优势场景，用不同的需求适配不同的计算已经成为流行趋势。

其三，学术机构+创业公司+大企业的“社区化”运作，让生态快速生成。 英特尔的Loihi芯片在3月16日、3月19日三天内连续爆出两大突破，一是识别了十种有毒有害气味，二是英特尔用Loihi构造了一个超过1亿个神经元的新神经拟态研究系统Pohoiki Springs，突破了历史规模。谈及英特尔神经元芯片为什么可以那么快速取得连续性突破，宋继强透露了其中关键是建立了Loihi社区(英特尔神经拟态社区INRC)，社区中不仅有神经拟态计算研究的学术机构，也吸纳了非常多不同种类的创业公司、全球五百强企业，希望大家一起来看神经拟态计算能够很好地解决哪些类型应用领域问题，由此来驱动神经拟态计算的发展。

IBM量子计算系统IBM Q System One

这种针对前沿领域的多触点、多样态的“社区化”运作模式，不仅仅是英特尔，IBM也同样擅长此道。事实上IBM在量子计算领域就组建了这样的社区， IBM的量子计算社区里同样是“学术机构、创业公司、500强企业”的“配置”。因为这样的多触点、多样态的社区化模式，能够为未来技术的找到典型应用场景以及更好的技术发展路径和技术业态。中国的量子计算创业公司本源量子公司副总裁张辉曾对《中国电子报》记者表示，本源量子公司在研发量子计算推动生态联盟时，就学习了IBM的量子计算社区模式。

这是一个充满机会、充满探索的时代，巨头们关于味觉、嗅觉AI的探索将给我们带来更多的启示，让创新灵感萌生、发芽、破土、生长。

基于电子舌和电子鼻结合氨基酸分析鱼香肉丝调料风味的差异

【智能感官】基于电子舌和电子鼻结合氨基酸分析鱼香肉丝调料风味的差异

电子鼻（Electronic nose）和电子舌（Electronic tongue）是模仿人体嗅觉和味觉机理的仿生检测设备，具有检测周期短、样品处理简单、检测灵敏度高、结果可靠等优点，分别能够从气味和滋味方面识别样品中整体风味信息。本文应用电子鼻、电子舌和氨基酸分析技术，从气味和滋味角度对不同品牌鱼香肉丝调料的风味品质进行检测。

一、材料与方法

材料与仪器

不同品牌鱼香肉丝调料，编号为A、B、C、D、E、F。

实验方法

电子鼻分析电子鼻的传感器阵列由 18 种金属氧化物传感器组成，分布在主机的 3 个矩阵室，每个矩阵室有 6 根非专一性传感器，对一类或几类物质敏感。

电子舌分析电子舌实验采用 Astree 电子舌第六套传感器，该套传感器包括 AHS-Sourcess，PKS，CTS-Saltiness，NMS-umami，CPS，ANS，SCS 共 7 根传感器，选择 Ag/AgCl 作为参比电极。

二、结果与分析

电子鼻对不同品牌鱼香肉丝调料的气味分析

通过电子鼻分析鱼香肉丝调料的气味指纹图谱，也称气味雷达图，结果见图 1。图中为不同品牌鱼香肉丝调料对电子鼻 18 个传感器相应信号强度大小，除 LY2/LG、 LY2/G、 LY2/AA、 LY2/Gh、LY2/gCT1 和 LY2/gCT 传感器信号强度差异不明显，其余 12 个传感器信号强度差异较为明显，其中传感器 T30/1、P10/1、P10/2、P40/1、T70/2、PA/2、P30/1、P40/2、P30/2 信号响应强度大小顺序为：D>C= B>A>F>E。表 2 列出 18 个传感器对应敏感物质类型，结合图 1 可知，LY2/LG、LY2/G、LY2/AA、LY2/Gh、LY2/gCT1 和 LY2/gCT 传感器对应敏感类物质如氮氧化合物、硫化物、丙酮、丙烷和丁烷等，说明样品在以上该类型物质方面差异性不明显，而剩余的传感器对极性物质、非极性物质（碳氢化合物类、氨、氯）、芳香类（甲苯、二甲苯）、胺类和氯类等物质敏感，表明样品在以上该类型物质方面差异性显著。

采用 PCA 分析鱼香肉丝调料的香气，结果如图 2 所示。在图 2 中，第一主成分（PC1）和第二主成分（PC2）的累积贡献率为 95.3%，大于 80.0%，表明主成分可以反映样品香气的整体信息。鱼香肉丝调料的香气成分区域无重叠，说明 PCA 分析法可以对其进行有效区分。PC1 贡献率远大于 PC2，说明样品在横坐标距离越大，其差异性越大。样品的横坐标大小排列顺序为 D>C=B>A>F>E，该顺序与雷达信号响应强度大小顺序相同。同时，样品 B 和C 的横坐标分布距离较近，说明样品 B 和 C 二者的香气较为相似，其它样品 A、D、F 和 E 的横坐标存在差异，表明样品 A、D、F 和 E 香气差异性明显。

电子舌对不同品牌鱼香肉丝调料的滋味分析

图 3 为电子舌分析鱼香肉丝调料的滋味雷达图。由图 3 可见，电子舌的传感器相对强度值存在明显差异，表明电子舌可有效地区分不同样品的滋味。不同样品的酸、咸、鲜、甜和苦 5 种味觉相对强度值从大到小的顺序为：咸味为 E>F>C>B>A>D，鲜味为 E>B>F>C>D>A，苦味为 E>F>C>B>D>A，酸味为 D>A>B>C>F>E，甜味为 A>E>B>C>D>F，表明不同样品的滋味存在明显差异。

电子舌对鱼香肉丝调料滋味进行 PCA 分析，其主成分载荷矩阵如图 4 所示。由图 4 可见，第一主成分（PC1）和第二主成分（PC2）的累积贡献率为89.3%，大于 80.0%，表明电子舌 PCA 分析能够反映样品滋味的整体信息。样品的数据点相对集中，说明样品的电子舌测定结果的稳定性相对较高，而不同样品的数据点分布于四个象限，表明样品的滋味差异性明显。载荷图是将对第一、二主成分贡献大的影响因子在 PCA 分析的二维图中表示出来，影响因子越靠近样品所在的二维坐标（x，y），则说明载荷因子对其影响越大。图中鲜味和咸味对样品 E、C 和 F 的识别贡献较大，酸味对样品 A、B 和 D 的识别贡献较大。

不同品牌香肉丝调料游离氨基酸呈味贡献分析

氨基酸是一种重要的呈味物质，与滋味的形成密切相关，可进一步区分不同样品滋味的差异性，结果如表 3 所示。由表 3 可见，鱼香肉丝调料共检测出21 种氨基酸，其中存在 6 种必需氨基酸，总游离氨基酸总量（TFAA）分布范围为 451.40~3017.30 mg/kg。根据味觉强度可分为鲜味氨基酸（Asp、Glu）、甜味氨基酸（Gly、Ala、Thr、Ser、Pro）、苦味氨基酸（Val、Ile、Leu、Phe、His、Tyr、Lys、Arg）和无味氨基酸（Ps、Cys、Met、β-Ala、HYP、Orn）味道强度值（Taste active value，TAV）来评价整体滋味的贡献，当 TAV 大于 1 时，该物质被认为对样品呈味贡献较大，当 TAV<1 时，表明物质对样品呈味贡献不明显[22] ，样品的氨基酸 TAV 值列于表 3。表中样品中 TAV 大于 1 的氨基酸有谷氨酸、丙氨酸、丝氨酸、缬氨酸、苯丙氨酸、组氨酸和精氨酸，其中所有样品中谷氨酸的 TAV 值最大，表明所有样品的鲜味氨基酸对整体的滋味呈味贡献较大。同样，在甜味氨基酸中，只有样品 E 中丙氨酸和丝氨酸的TAV 值大于 1，说明除样品 E 以外，样品 A、B、C、D 和 F 中甜味氨基酸对甜味贡献不明显。此外，在苦味氨基酸中，样品 E 的缬氨酸、苯丙氨酸和组氨酸以及样品 B 的精氨酸的 TAV 大于 1，但是，苦味通常被鲜味和甜味所掩盖不具有呈味活性[22]。分析表明样品 E 的鲜味氨基酸和甜味氨基酸对整体滋味贡献显著。

将游离氨基酸采用归一化法绘制聚类热图，结果如图 5 所示。由图 5 可见，21 种氨基酸可分为2 个大聚类，其中聚类 1 大部分是由苦味和无味氨基酸组成，聚类 2 大部分则是由甜味和鲜味氨基酸组成。同时，不同调料的聚类可分为 2 个大聚类，其中大聚类 1 为样品 E，聚类 2 由其它 5 种调料组成，说明样品 E 与其它样品的滋味差异明显。

电子舌滋味特性与游离氨基酸相关性分析

以游离氨基酸为自变量 X，电子舌滋味特性为因变量 Y 进行偏最小二乘法分析（PLS），其相关性分析结果如图 6 所示。在 PLS 模型中，自变量和因变量之间的距离表明二者之间的相关性，距离越近，正相关性越强。图中酸味与苏氨酸和羟脯氨酸相关性密切，鲜味、咸味和苦味与谷氨酸相关性密切，甜味与甘氨酸、丙氨酸和蛋氨酸相关性密切。

为进一步探究不同样品的呈味氨基酸和电子舌滋味特性的相关性，Pearson 相关系数用于确定每一个电子舌滋味特性正相关的呈味氨基酸，一般况下，相关系数|r|在 0.8~1.0 之间表示极强相关，0.6~0.8 之间表示强相关，0.4~0.6 之间表示中等强相关，02~0.4 之间表示弱相关]。由图 7 可见，电子舌滋味特性与呈味氨基酸呈现相关性。酸味与苏氨酸和精氨酸呈现强相关，其中与苏氨酸相关性显著（P<0.05）。甜味与甘氨酸、丙氨酸、亮氨酸和蛋氨酸呈现强相关，其中与甘氨酸相关性显著（P<0.05）。咸味与谷氨酸、缬氨酸和鸟氨酸呈现强相关，鲜味与谷氨酸、丝氨酸、缬氨酸、苯丙氨酸、胱氨酸和鸟氨酸呈现强相关，苦味与谷氨酸、丝氨酸、缬氨酸、胱氨酸和鸟氨酸呈现强相关，其中咸味、鲜味和苦味均是与谷氨酸相关性极显著（P<0.01），结果与氨基酸结果不同，这可能是由于调料的原料中含有咸味肽和苦味肽，呈味多肽分解可增加谷氨酸的含量，并且咸味肽也可以呈现出鲜味，使得咸味和苦味与谷氨酸相关性显著。

三、结论

本文利用电子鼻、电子舌和氨基酸检测对不同品牌的鱼香肉丝调料进行分析，采用主成分（PCA）、聚类分析、Pearson 相关系数和偏最小二乘法（PLS）对调料风味的差异性进行区分。结果表明：电子鼻中 12 个传感器的响应强度差异性明显，其中碳氢化合物、芳香类、胺类和氯类差异显著。PCA 分析法可以有效地区分不同品牌鱼香肉丝调料的香气，样品 B 和 C 的香气较为相似，其它样品的香气差异明显。

电子舌和氨基酸分析可见，不同品牌鱼香肉丝调料在滋味上存在差异性，其中样品 D 的酸味较为突出，样品 A 的甜味较为突出，样品 E 在咸味和鲜味较为突出。同时，在样品 E 中，鲜味氨基酸和甜味氨基酸对整体滋味贡献显著。不同品牌鱼香肉丝调料的滋味特性与大部分游离氨基酸呈现正相关，其中酸味和甜味分别与苏氨酸和甘氨酸相关性显著（P<0.05），咸味、鲜味和苦味与谷氨酸相关性极显著（P<0.01）。

来源：感官科学与评定，转载请注明来源。

参考文献：袁灿,何莲,胡金祥,林丹,乔明锋,蔡雪梅,彭毅秦,易宇文.基于电子舌和电子鼻结合氨基酸分析鱼香肉丝调料风味的差异[J].食品工业科技,2022,43(09):48-55.DOI:10.13386/j.issn1002-0306.2021070282.