研究报告

研究作者与发表信息

这项研究由Yingbin Zhang、Xuwei Chen、Dingding Chen、Li Zhu、Guoqing Wang 和 Zhongxiu Chen 等人共同完成，作者分属浙江工商大学食品科学与生物技术学院以及中国农业科学院茶叶研究所。研究成果发表在《Food Research International》期刊第203卷（2025年），文章在线发表日期为2025年1月27日（DOI: https://doi.org/10.1016/j.foodres.2025.115796）。

研究背景

这项研究属于食品科学与人工智能交叉领域，重点探讨了中国绿茶的典型味道分类与预测问题。

绿茶作为中国最主要且最早生产的茶饮品，其种植分布广泛，覆盖浙江、江苏、云南等15个省份，其品质与独特风味因地理条件、茶树品种、采摘标准及加工技术的多样性而具有明显的差异。而消费者对绿茶口感的喜好，传统上依赖于总体评分，这种方式存在评分一致但具体口味特征差异显著的问题，无法准确地满足消费者个性化需求。

绿茶的味道受多种非挥发性化合物影响，如茶多酚（tea polyphenols，TP）、儿茶素（catechins）、生物碱、氨基酸、糖类和有机酸等。现代研究发现，这些化学成分与味觉活性值（Taste Activity Value，TAV）及其比例关系对味道的形成起到关键作用。然而，目前的研究多集中于单一味觉属性和风味化合物之间的关系，尚缺乏从整体感官角度揭示绿茶综合味觉特征与化学组成内在联系的方法。

人工智能，尤其是机器学习技术（包括监督学习和无监督学习），为解决复杂模式识别问题提供了强有力的工具。但在茶学研究中，现有的机器学习应用尚未集成感官属性和多源化学数据来开发针对绿茶味道的分类和预测模型。因此，本研究试图通过整合无监督聚类分析和多元统计及人工智能算法，构建典型中国绿茶味觉类型的分类和预测模型。研究的目标不仅是提升绿茶味觉分类的准确性，还旨在为个性化茶产品的开发提供指导。

研究流程

研究主要包括四个关键流程：

1. 茶样准备和味觉定量描述分析
- 研究选用了来自中国13个主要茶叶产区的22种代表性绿茶样品，总共生成了88种不同浸泡时间（1分钟、2.5分钟、4分钟及5.5分钟）的茶汤样本。样品的味觉特点通过定量描述分析（Quantitative Descriptive Analysis，QDA）法进行分析。QDA依据中国茶感官风味轮，将味觉分为6个属性：总强度（Total Intensity, TIntensity）、苦味（Bitterness）、收敛感（Astringency）、甜味（Sweetness）、鲜味（Umami）和平滑度（Smoothness）。

• 11名专业评审员参与其中，经过共计400小时的专业训练，评定每一属性的9分量表评分。
  

2. 化学成分分析
- 使用电子舌（Electronic Tongue）采集数据，配置包括多组传感器（如AHS、NMS等），分析复合味觉变量的响应强度。
- 使用近红外光谱仪（Near-Infrared Spectroscopy, NIRS），对茶汤化学成分如茶多酚、儿茶素和氨基酸等进行快速检测。
- 通过高分辨率质谱和液相色谱方法定量测定147种代谢物，包括8种儿茶素、咖啡因及多种氨基酸，并计算各化学成分的味觉活性值（TAV）。

3. 无监督学习方法的味觉类型分类
- 对QDA结果进行Hopkins统计，验证数据具有较好的聚类趋势（值为0.766）。
- 比较三种无监督聚类方法（HC, K-Means, H-K Means）的分类表现，最终采用H-K Means聚类将88种茶汤分为7种味觉类型：MU、ASU、SSW、LSM、QSA、MSW及ASW。

4. 监督学习模型的构建与预测
- 基于三种不同数据集分别构建监督学习模型，包括电子舌与近红外融合数据、代谢组学数据及化学基础参数（如TP/AA比、TAV值及其比例等）。
- 使用多种算法对味觉分类进行预测，包括多元统计方法（PCA、OPLS-DA等）和人工智能算法（SVM、RF等），并比较其分类准确性及Kappa值表现。

研究结果

1. 茶汤味觉特性和化学组成
- QDA结果显示，88个样本在味觉属性上分布广泛，总强度值在0.91-5.83范围内，鲜味值达到最大值7.35，而苦味值的上限较低，仅为3.14。
- 化学分析中，主要成分浓度差异显著，如水溶性提取物（WE）在1207.29-7316.49 μg/ml范围内，而EGCG（一种儿茶素）浓度从104.28到915.28 μg/ml不等。MU类型显示TP/TAA比例最低，体现最鲜味和甜感，而QSA类型由于儿茶素含量（且TAV值）较高，表现出更强烈的苦味和收敛感。

2. 聚类分类结果
- H-K Means聚类实现了七种典型味觉类型的分类，显著区分了甜感、鲜味、收敛感等特性。MU类型甜鲜明显，QSA类型苦涩强，而LSM则独具清淡特性。

3. 模型预测性能
- 基于化学基础参数（数据集3）的支持向量机（SVM）与随机森林（RF）模型实现了最高的分类精度，RF模型的准确率为0.98，Kappa值为0.97。相比之下，基于代谢组数据（数据集2）的分类表现略逊，但也显示了较好的分类能力。

4. 最优指示因子与味觉类型的关系
- 数据集3中，味觉分类的关键影响因素主要包括WE、TP以及其TAV值和比例，说明化学成分间的比例关系对味觉特性具有重要贡献。

研究结论及意义

通过整合无监督聚类分析与监督学习模型，研究成功建立了典型中国绿茶味觉类型的分类与预测模型。这一模型不仅增强了味觉分类的科学性，同时为个性化绿茶产品的开发提供了参考框架。MU类型由于鲜甜显著，可能成为消费者青睐的主打类型，而QSA类型尽管苦涩较重，也可针对特定偏好群体设计产品。

未来研究可以进一步结合消费者味觉偏好调查，构建应用于绿茶原料选择及冲泡优化的人工智能模型。通过优化绿茶产品多样性，这一研究将有助于提升产业化水平及消费者体验。