国内的茅台和国外的一些高端威士忌都售价不菲，但也是被造假的重要目标。在没有鉴酒师的情况下，普通人怎么快速判别出酒的品质和真伪？
最近，就有这么一群工程师研发出了一种名为 NOS.E 的“电子鼻”，专门用来闻酒的那种。它能在不到 4 分钟的时间内，“闻 ”出不同的威士忌风格、品牌和产地，为鉴酒打开了新思路。
为什么是靠“闻”而不是“品尝”？
实际上，威士忌的味道、气味、质地和颜色等特征，都能对其评估提供有效信息。其中，气味是影响酒味道的主要因素，研究者以此为主要突破口展开设计出 NOS.E。
在 2019 年澳大利亚 CEBIT 贸易展上，他们用 NOS.E 对六种威士忌进行了测试：其中，地区准确率达 100%，品牌名称准确率为 96.15%，风格准确率为 92.31%。
虽然它叫“电子鼻”，但并不是真的长得像鼻子哦！
今年 4 月，研究成果论文发表在 IEEE 旗下的 IEEE Sensors 期刊上。
看到这个消息，有网友激动地表示：终于可以鉴别假酒了！
还有网友调侃，应该给茅台也开发一款。
所以，这个精巧实用的鉴酒工具是怎么工作的？它真的靠谱吗？
测试前的样品预处理
此前在 CeBIT 的贸易展上，NOS.E 的开发者就现场测试过这只“电子鼻”的效果。
在正式测试前，为了控制变量、降低无关变量对结果的干扰，研究者对样品进行了预处理：
他们选择了 6 种威士忌样品作为实验对象：3 种混合麦芽威士忌和 3 种单一麦芽威士忌，并将等量的样品分别放在各个固相微萃取（SPME）小瓶中。
将样品都加热到 30°C；并用 SPME 纤维取样氯苯-D5，作为气相色谱的参照物。
然后，将各个采集了氯苯-D5 的 SPME 纤维分别放置在每个威士忌样品的上方（不接触液体），静置 5 分钟。
接着，将这些 SPME 纤维依次放入 GC×GC-TOFMS 仪器中，对采集的信息进行处理分析。为了模仿人类的嗅觉系统，研究者们为 NOS.E 共配置了 8 个气味传感器。
正式测试开始 ——
往装有样品的 SPME 小瓶中注入空气，促使酒中的挥发性有机化合物更快地排出到电子鼻处。
为了模仿人类的嗅觉系统，研究者为 NOS.E 设计了八个气体传感器。
电子鼻评估分子检测到的每个气味，然后将数据输入计算机：将采集到的数据进行归一化，和非参数化内核建模（nonparametric kernel-based modelling）预处理。
其中，建模过程是在 MATLAB 上进行的。
为了减少传感器偏差带来的影响，采用了如下的归一化公式：
其中，y (t) 和ˆy (t) 分别代表归一化前后，传感器的响应。
然后，NOS.E 的系统从气体传感器的响应中提取出 9 个特征：包括传感器响应的最大一阶导数，最小二阶导数，最大二阶导数，输入和响应峰值的时间间隔等。
在特征提取后，对数据进行分类：将每一种威士忌的数据集随机洗牌，再进行 80:20 的分割，构建训练集和测试集。
对于训练集，用十倍交叉验证（10-CV）方法，将其分成 10 个子集，来学习威士忌的分类模型：其中 9 个子集用于训练，剩余的 1 个用来验证。
利用线性判别法（LD）、支持向量机（SVM）和子空间判别法（SUBD）* 等训练分类器，并产生一个成分分类器的集合，用于构建新的组合分类器。
最终的分析结果，由新的分类器发送给终端并呈现给用户。
为了减少偶然误差，研究者对每种威士忌样品进行了多次实验；并且在对每个样品测试 10 次后，换上新的同种威士忌，以减少酒精挥发对实验的影响。
研究者前后共计测试了 396 次。
NOS.E 在判断威士忌产地和风格方面表现出色
为了检测 NOS.E 收集，并处理的数据的准确性，研究者还使用最先进的二维气相色谱-飞行时间质谱（GC×GC-ToFMS）分析了威士忌样品，作为对照。
他们对 NOS.E 测试结果进行了 3 个维度的检测。
第一个方面是：各个威士忌样品是否都能相互分离。NOS.E 的现场测试结果准确率如下：
第二个方面是：判断各种威士忌样品的原产地，NOS.E 测试结果的准确率最高竟达到 100%。
第三方面是：判断各种威士忌样品的风格，NOS.E 测试结果的准确率约在 82% 至 94% 之间。
作者简介
Wentian Zhang，研究论文的第一作者，在山东第一医科大学和澳大利亚悉尼科技大学任教；主要研究方向是控制工程计算和医学计算等。
来自西安电子科技大学的 Taoping Liu 也参与研发了 NOS.E，他博士毕业于澳大利亚悉尼科技大学，主要研究方向是控制工程计算和医学计算等。
据悉尼科技大学的报告，除了鉴别威士忌，在未来，NOS.E 还可能用于检测白兰地和香水等。
如果这项研究能够得到推广应用，或许不久的将来也能用于更多酒类。消费者只需拿一个小小的电子产品，就能轻松判断一款酒的品类和真假。
嗯，到时候，中国的酒友们应该不用再担心买到假茅台了吧~（手动狗头）
论文地址：
https://ieeexplore.ieee.org/document/9701291
广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。