纵观中国白酒市场,其生产量和销售量稳居世界前列,故中国有“白酒大国”之称[1]。白酒产品在投入生产之前,要经历原料的筛选、生产工艺的确定、市场预测以及产品定位等程序,而感官评价对产品配方的改善、市场接受度预测和消费者购买意向的预测发挥了至关重要的作用[2]。
传统的消费者感官评价的研究方法通常是通过感官调查问卷、专业品评小组等形式进行调查研究。VERDONK等[3]采用9点喜好标度对不同风格的起泡酒消费者喜好度进行探究以获得消费者对产品的总体偏好。ZHU等[4]采用9点喜好标度探究了影响消费者对果酒偏好的主要因素。研究表明了问卷调查适合反馈消费者对酒类产品的喜好度,但也可能存在其他潜在因素的影响,例如因消费者个体差异,结果可能受到影响。因此,近年来已有研究尝试采用智能感官评价技术来捕捉消费者在品尝食物过程中无意识的自主神经系统反应引起的情绪和生理变化,评价消费者对食品的味道、气味或整体产品的喜好度及接受度,弥补传统测评方法的主观性。在ALVINO等[5]的研究中,使用脑电技术探究了不同的葡萄酒标签设计对消费者大脑活动和偏好的影响。MENA等[6]运用面部表情分析技术成功区分了不同年龄段的消费者对不同硬度牛肉饼的偏好。目前,少有研究运用智能感官分析技术进行白酒消费者喜好度的研究,更少有研究餐酒搭配时白酒消费者喜好度。
基于此,本研究采用智能感官分析技术(脑电技术、面部表情分析技术)和传统感官分析技术(感官测评问卷)联用,收集消费者在餐酒搭配过程中脑电波和面部表情的实时变化,确定智能感官分析技术在白酒消费者喜好度研究中的可行性,明确餐酒搭配中的白酒消费者喜好度,以期为消费者餐酒搭配喜好度研究提供更加智能化的研究方法和思路。
1 材料与方法
1.1 样品
本实验选用叉烧(甜)、松子鱼(酸)、盐焗鸡(咸)、清蒸鱼(鲜)、辣椒炒牛肉(辣)、炒苦瓜(苦)作为6种基础味道菜品,选取不同香型、相同产地、不同酒精度的2款白酒样品进行研究,采用盲样盲测。白酒样品具体信息如表1所示。
表1 白酒样品信息
Table 1 Baijiu sample information
样品代码白酒香型酒精度/%vol酒样产地Y1清雅型45广东Y2豉香型42广东
1.2 被试人员的招募
LAGAST等[7]研究显示,采用智能感官分析技术如面部表情分析、脑电分析等进行消费者感官研究,样本量在12～161人之间。本实验在广东佛山地区招募33名消费者参与测评,其中包括女性消费者5名,男性消费者28名,消费者年龄在21～67岁之间(平均年龄41.20±14.79)。通过调查问卷筛选被试人员,要求身体状态良好,无基础性疾病(如糖尿病、高血压等),对酒精不过敏,且日常有一定饮用白酒习惯等。邀请满足条件的消费者参与测评。
1.3 实验方法
1.3.1 消费者喜好度测试
消费者喜好度测试是指测试目标消费者对某个产品的偏爱程度,其中9点喜好标度是最常用的消费者喜好度测试方法[8]。9点喜好标度是由LAWLESS等[9]提出,能够测试消费者对一系列产品平均喜欢程度,可以将消费者对于产品的情感状态从不喜欢到喜欢的程度进行量化赋分,被试者从9种描述中选择出最能反映自己对产品喜好的描述,1～9依次表示,1-极端厌恶、2-非常厌恶、3-一般厌恶、4-稍微厌恶、5-即不喜欢也不厌恶、6-稍微喜欢、7-一般喜欢、8-非常喜欢、9-极端喜欢[10]。
1.3.2 脑电数据采集
本实验采用实验室自主研发的消费者测试脑电智能头盔测试系统,内置2个前额叶电极和1个耳部电极,以及美国NeuroScan公司的TGAM脑电采集芯片,采样率为512 Hz。通过干电极实时采集人脑前额脑电信号(此位置脑电反应的是人的认知领域),由实验室基于MATLAB和LABVIEW软件自主开发的脑电信号传输采集系统与数据分析处理系统进行处理,输出8个原始脑电波数据。
1.3.3 面部表情数据采集
本实验通过高清摄像头(奥尼C33,1080p)录制被试者进行餐酒搭配实验的全过程,以此采集被试者在品评过程中的面部表情视频材料。将视频导入面部表情分析软件FaceReader(版本9.1,诺达思,荷兰)中进行分析。该软件能够自动检测到面部表情的变化,并基于面部动作编码系统(facial action coding system,FACS)[11]与活动外观模型(active appearance model,AAM)对形变表情特征进行提取[12]。识别出7种基础情绪(中性、愉快、悲伤、愤怒、惊奇、惧怕和厌恶)以0～1之间的分数表示特征情绪的强度变化,以及2种情绪状态,效价(-1～1表示消极情绪～积极情绪)和唤醒度(0～1表示不活跃～完全活跃)[13],用于本实验的结果分析。
1.4 实验步骤
实验开始之前,要求被试坐在电脑屏幕前70 cm处面对摄像头正视屏幕并佩戴智能脑电头盔,进行面部表情和脑电信号的校准。佩戴脑电头盔时,需要用水润湿前额叶和耳部电极,同时用水擦拭被试者的前额和耳垂以清除油脂确保电极与皮肤紧密接触。待脑电基线信号稳定且噪声为0后,保持静息10 s。研究表明,经过校准后的面部表情信息和脑电信号准确度更高[14-15]。
实验开始之后,被试者根据屏幕上的提示语进行品鉴,每位被试者每次进行一款白酒与不同味道(鲜、咸、甜、酸、苦、辣)菜品的搭配测评,依次完成2款酒样的感官测评。实验步骤如图1所示,首先进行酒样的闻香(10 s)、品尝回味(20 s)阶段的品评,完成后被试者漱口休息,并填写感官问卷。接下来进行餐酒搭配的练习轮,使被试感受菜品和酒的融合以及充分熟悉正式实验的流程,避免有不理解的情况出现。依次是品菜(60 s)、品酒并回味(15 s),完成后被试者漱口休息,并填写感官问卷。练习轮结束后进入正式餐酒搭配实验,搭配酒依次品尝鲜、咸、甜、酸、苦、辣六道菜品。在此过程中被试者填写感官问卷,同时收集面部表情视频和脑电的数据。
图1 实验步骤图
Fig.1 Experimental step diagram
1.5 数据处理
1.5.1 感官测评问卷分析
感官问卷评分通过计算平均值和标准偏差的方法进行统计学分析。6种基础味道菜品与白酒样品搭配前后的味道强度为配对变量进行配对样本t检验,以查看每种基础味道菜品与白酒样品搭配前后味觉强度是否存在显著不同。
1.5.2 脑电数据分析
采用实验室自研脑电数据分析系统及SPSS Statistics 25软件对数据进行处理和分析。经处理得到不同餐酒搭配时的Low Alpha、High Alpha、Low Beta、High Beta、Low Gama、Middle Gama、Delta和Theta脑电波数据。建立多元线性回归模型,将每一种餐酒搭配时的脑电数据与感官问卷评分进行多元线性回归,以得到每一种餐酒搭配的脑电喜好度得分。通过双变量相关性分析(皮尔逊相关性)查看各餐酒搭配脑电喜好度与各脑电波之间是否存在显著相关性。
1.5.3 面部表情数据分析
采用FaceReader 9.1及SPSS Statistics 25软件对面部表情数据进行处理和分析。得到不同餐酒搭配时的中性、愉快、悲伤、愤怒、惊奇、惧怕、厌恶、效价和唤醒9种情绪维度数值。建立多元线性回归模型,将每一种餐酒搭配时的面部表情数据与感官问卷评分进行多元线性回归,以得到每一种餐酒搭配的面部表情喜好度得分。通过双变量相关性分析(皮尔逊相关性)查看各餐酒搭配面部表情喜好度与各情绪维度之间是否存在显著相关性。
1.5.4 白酒消费者喜好度综合分析
建立多元线性回归模型,将每一种餐酒搭配的脑电喜好度得分、面部表情喜好度得分与感官问卷评分进行多元线性回归,得到各餐酒搭配的综合喜好度得分。比较分析清雅型白酒和豉香型白酒偏好搭配的基础味道菜品以及各基础味道菜品偏好搭配哪种香型白酒。通过双变量相关性分析(皮尔逊相关性)查看不同餐酒搭配前后味觉强度变化与香气喜好度、口感喜好度、综合喜好度、搭配喜好度、购买意愿及推荐度之间是否存在显著相关性。
2 结果与分析
2.1 消费者感官测评
对6种基础味道菜品与白酒样品搭配前后的味道强度变化进行正态性检验,结果显示,每种味道菜品搭配前的味觉强度与搭配后的味觉强度的P值均大于0.05,说明实验数据符合正态分布,进而通过配对样本t检验,分析每种基础味道与白酒样品搭配前后味觉强度是否存在显著差异。如图2所示,鲜味、咸味、苦味和辣味菜品与清雅型白酒搭配前后味觉强度变化无显著差异,甜味菜品与清雅型白酒搭配前的味觉强度(M=6.42,SD=1.52)低于搭配后的味觉强度(M=6.94,SD=1.52),且此差异是统计学显著,t(32)=-2.52,P<0.05,d=0.44,95%CI[-0.93;-0.09]。酸味菜品与清雅型白酒搭配前的味觉强度(M=6.03,SD=1.74)高于搭配后的味觉强度(M=5.15,SD=2.06),且此差异为统计学显著,t(32)=2.70,P<0.05,d=0.47,95%CI[0.22;1.54]。鲜味、咸味和甜味菜品与豉香型白酒搭配前后味觉强度变化无显著差异,酸味菜品与豉香型白酒搭配前的味觉强度(M=6.61,SD=1.32)高于搭配后的味觉强度(M=5.94,SD=1.46),且此差异为统计学显著,t(32)=2.97,P<0.01,d=0.52,95%CI[0.21;1.12]。苦味菜品与豉香型白酒搭配前的味觉强度(M=6.52,SD=1.68)高于搭配后的味觉强度(M=5.88,SD=1.87),且此差异为统计学边缘显著,t(32)=1.96,P=0.059,d=0.34,95%CI[-0.03;1.30]。辣味菜品与豉香型白酒搭配前的味觉强度(M=6.45,SD=1.91)低于搭配后的味觉强度(M=7.15,SD=1.58),且此差异为统计学显著,t(32)=-4.21,P<0.01,d=0.73,95%CI[-1.03;-0.36]。说明在不同的餐酒搭配后,被试者认为味觉强度变化呈现异质性,菜品与清雅型白酒搭配后,甜味显著增强,酸味显著下降。菜品与豉香型白酒搭配后,酸味显著下降,辣味显著增强。
a-清雅型白酒;b-豉香型白酒
图2 基础味道菜品与白酒搭配前后味觉强度变化柱状图
Fig.2 The histogram of taste intensity changes before and after the combination of basic taste dishes and Baijiu
注:*在0.05级别(双尾),相关性显著;**在0.01级别(双尾),相关性显著(下同)。
2.2 基于脑电分析的餐酒搭配消费者喜好度
将6种基础味道菜品与酒搭配时的Low Alpha、High Alpha、Low Beta、High Beta、Low Gama、Middle Gama、Delta和Theta脑电波数值与感官问卷得分进行多元线性回归。以感官问卷得分为因变量,8种脑电波数值为自变量建立多元线性回归模型,得到的预测值与实际值相关R值在0.30～0.64之间,说明因变量与自变量完全正相关且相关性较强,以此得到6种味道菜品与酒搭配的脑电喜好度得分。将餐酒搭配时的8种脑电波与脑电喜好度进行双变量相关性分析(皮尔逊相关性),从表2分析结果可以看出,清雅型白酒和苦味菜品搭配后的Low Alpha波与喜好度呈显著正相关,和咸味菜品搭配后的High Alpha波与喜好度呈显著负相关,和甜味菜品搭配后的High Alpha波与喜好度呈显著正相关,和甜味、苦味以及辣味菜品搭配后的Low Beta波与喜好度呈显著正相关,和甜味、苦味菜品搭配后的High Beta、Low Gama波与喜好度呈显著正相关,和鲜味菜品搭配后的Low Gama波与喜好度呈显著负相关,和咸味、辣味菜品搭配后的Middle Gama波与喜好度呈显著正相关,和酸味菜品搭配后的Middle Gama波与喜好度呈显著负相关。豉香型白酒和咸味菜品搭配后的Low Alpha波与喜好度呈显著负相关,和甜味、酸味菜品搭配后的Low Alpha波与喜好度呈显著正相关,和鲜味、甜味、苦味菜品搭配后的High Alpha波与喜好度呈显著正相关,和咸味菜品搭配后的High Alpha、Low Beta、High Beta、Low Gama、Delta波与喜好度呈显著负相关,和甜味菜品搭配后的Low Beta、High Beta、Low Gama波与喜好度呈显著正相关,和酸味、鲜味菜品搭配后的Middle Gama波与喜好度呈显著负相关,和辣味菜品搭配后的Delta波与喜好度呈显著正相关,和酸味、苦味菜品搭配后的Theta波与喜好度呈显著正相关,和辣味菜品搭配后的Theta波与喜好度呈显著负相关。由此可见,不同餐酒搭配会引起不同脑电波的显著变化,并且不同餐酒搭配时的脑电波与喜好度存在关联。清雅型白酒与苦、辣味菜品搭配后的Alpha、Beta、Gama波数值越高,脑电喜好度越高。清雅型白酒与鲜、酸味菜品搭配后的Gama波数值越高,脑电喜好度越低。豉香型白酒与酸、苦味菜品搭配后的Alpha、Theta波数值越高,脑电喜好度越高。豉香型白酒与鲜、咸味菜品搭配后的Gama波数值越高,脑电喜好度越低。
表2 脑电相关性分析表
Table 2 Electroencephalogram correlation analysis chart
餐酒搭配喜好度R(Low Alpha)R(High Alpha)R(Low Beta)R(High Beta)R(Low Gama)R(Middle Gama)R(Delta)R(Theta)清雅型鲜味0.120.08-0.06-0.07-0.40∗-0.110.200.21清雅型咸味-0.32-0.38∗-0.17-0.040.010.42∗-0.20-0.31清雅型甜味0.010.44∗0.40∗0.42∗0.40∗-0.24-0.110.07清雅型酸味-0.10-0.190.11-0.140.13-0.46∗∗0.150.01清雅型苦味0.36∗0.140.66∗∗0.70∗∗0.49∗∗0.300.010.13清雅型辣味0.230.210.50∗∗0.330.090.37∗0.04-0.06豉香型鲜味0.170.45∗∗0.270.03-0.09-0.69∗∗-0.09-0.06豉香型咸味-0.51∗∗-0.66∗∗-0.46∗∗-0.67∗∗-0.76∗∗0.07-0.58∗∗-0.30豉香型甜味0.55∗∗0.64∗∗0.71∗∗0.63∗∗0.75∗∗0.34-0.170.33豉香型酸味0.44∗0.260.160.220.22-0.41∗0.050.35∗豉香型苦味0.080.34∗-0.130.01-0.24-0.240.210.43∗豉香型辣味-0.10-0.160.07-0.28-0.19-0.210.42∗-0.36∗
2.3 基于面部表情分析的餐酒搭配消费者喜好度
将6种基础味道菜品与酒搭配时面部表情的中性、愉快、悲伤、愤怒、惊奇、惧怕、厌恶、效价和唤醒9种情绪维度数值与感官问卷得分进行多元线性回归。以感官问卷得分为因变量,9种情绪维度数值为自变量建立多元线性回归模型,得到的预测值与实际值相关R值在0.41～0.73之间,说明因变量与自变量完全正相关且相关性较强,以此得到6种味道菜品与酒搭配的面部表情喜好度得分。将餐酒搭配时的9种情绪维度与面部表情喜好度进行双变量相关性分析(皮尔逊相关性),由表3分析结果可知,对于清雅型白酒来说,与苦味菜品搭配时的中性情绪与喜好度显著正相关,与鲜味菜品搭配时的愉快情绪与喜好度极显著正相关,与咸味、苦味、辣味菜品搭配时的愉快情绪与喜好度显著负相关,与甜味、苦味菜品搭配时的悲伤情绪与喜好度显著负相关,与酸味菜品搭配时的愤怒情绪与喜好度极显著负相关,与辣味菜品搭配时的愤怒情绪与喜好度极显著正相关,与酸味菜品搭配时的厌恶情绪与喜好度显著正相关,与甜味、苦味菜品搭配时的效价与喜好度显著正相关,与咸味、鲜味、酸味菜品搭配时的唤醒度与喜好度极显著正相关。对于豉香型白酒而言,与咸味、辣味菜品搭配时的中性情绪与喜好度显著负相关,与酸味菜品搭配时的中性情绪与喜好度极显著正相关,与咸味菜品搭配时的愉快情绪与喜好度显著正相关,与酸味菜品搭配时的愉快情绪与喜好度显著负相关,与酸味菜品搭配时的悲伤情绪与喜好度极显著负相关,与咸味菜品搭配时的惊奇情绪与喜好度极显著负相关,与咸味菜品搭配时的惧怕情绪和厌恶情绪与喜好度显著正相关,与酸味菜品搭配时的惧怕情绪与喜好度显著负相关,与酸味菜品搭配时的效价与喜好度显著正相关,与酸味、辣味菜品搭配时的唤醒度与喜好度显著正相关。综上可见,不同餐酒搭配会引起不同的面部表情情绪显著变化,并且不同餐酒搭配时的面部表情情绪与喜好度之间存在关联。清雅型白酒和鲜、咸、酸味菜品搭配后的唤醒情绪越高,面部表情喜好度越高。清雅型白酒和甜、苦味菜品搭配后的效价情绪越高,面部表情喜好度越高。豉香型白酒和鲜、甜、酸、苦味菜品搭配后的唤醒情绪越高,面部表情喜好度越高。豉香型白酒和甜、酸、苦味菜品搭配后的效价情绪越高,面部表情喜好度越高。
表3 面部表情情绪相关性分析图
Table 3 Facial expression emotion correlation analysis chart
餐酒搭配喜好度R(中性)R(愉快)R(悲伤)R(愤怒)R(惊奇)R(惧怕)R(厌恶)R(效价)R(唤醒)清雅型鲜味0.160.45∗∗-0.09-0.140.09-0.31-0.030.180.49∗∗清雅型咸味0.06-0.36∗-0.03-0.24-0.23-0.24-0.17-0.050.79∗∗清雅型甜味0.31-0.07-0.51∗∗0.13-0.20-0.11-0.180.47∗∗0.29清雅型酸味0.30-0.23-0.17-0.62∗∗-0.28-0.170.35∗0.150.66∗∗清雅型苦味0.37∗-0.47∗∗-0.47∗∗-0.03-0.110.25-0.250.37∗0.03清雅型辣味-0.17-0.57∗∗0.100.45∗∗-0.340.100.23-0.230.08豉香型鲜味-0.140.240.030.14-0.23-0.060.24-0.01-0.01豉香型咸味-0.41∗0.37∗-0.150.20-0.47∗∗0.36∗0.39∗0.24-0.19豉香型甜味0.26-0.18-0.05-0.15-0.02-0.15-0.150.010.25豉香型酸味0.46∗∗-0.41∗-0.55∗∗-0.18-0.04-0.42∗-0.050.44∗0.36∗豉香型苦味-0.140.26-0.200.070.09-0.31-0.140.270.31豉香型辣味-0.43∗0.29-0.060.340.15-0.080.170.060.38∗
2.4 基于智能感官分析技术评价模型的建立及消费者喜好度分析
将6种味道菜品与酒搭配的脑电喜好度得分和面部表情喜好度得分与感官问卷得分进行多元线性回归,以感官问卷得分为因变量,脑电喜好度得分和面部表情喜好度得分为自变量建立多元线性回归模型(表4)。模型的预测值与实际值相关R值在0.49～0.76之间,说明模型拟合度较好,预算结果准确,能够客观反映变量之间的影响关系。模型P值均小于0.05,说明回归模型显著,自变量能够显著影响因变量。模型的方差膨胀系数VIF值均小于5,说明两个自变量之间不存在多重共线性问题,表明所建立的回归模型的具有较好的拟合性,以此得到6种味道菜品与白酒搭配的综合喜好度得分。
表4 综合喜好度回归模型及得分
Table 4 Composite preference regression model and scores
餐酒搭配多元线性回归方程RPVIF得分清雅型鲜味Y=-4.81+0.90×面部表情喜好度+0.81×脑电喜好度0.64<0.0011.036.82清雅型咸味Y=-6.28+0.94×面部表情喜好度+0.95×脑电喜好度0.71<0.0011.007.06清雅型甜味Y=-6.87+0.98×面部表情喜好度+0.97×脑电喜好度0.76<0.0011.007.21清雅型酸味Y=-2.70+0.74×面部表情喜好度+0.69×脑电喜好度0.68<0.0011.196.24清雅型苦味Y=-2.98+0.68×面部表情喜好度+0.80×脑电喜好度0.64<0.0011.136.21
续表4
餐酒搭配多元线性回归方程RPVIF得分清雅型辣味Y=-3.90+0.80×面部表情喜好度+0.79×脑电喜好度0.75<0.0011.076.64豉香型鲜味Y=-5.45+0.94×面部表情喜好度+0.88×脑电喜好度0.490.0181.016.61豉香型咸味Y=-4.38+0.80×面部表情喜好度+0.85×脑电喜好度0.560.0041.056.79豉香型甜味Y=-7.69+1.08×面部表情喜好度+1.08×脑电喜好度0.580.0021.016.64豉香型酸味Y=-2.60+0.68×面部表情喜好度+0.73×脑电喜好度0.74<0.0011.216.36豉香型苦味Y=-2.72+0.92×面部表情喜好度+0.52×脑电喜好度0.76<0.0011.096.24豉香型辣味Y=-4.11+0.88×面部表情喜好度+0.74×脑电喜好度0.69<0.0011.056.61
运用智能感官分析技术和传统感官问卷测评两种方法分别进行了不同香型白酒的餐酒搭配消费者喜好度测试,结果如图3所示。
图3 餐酒搭配消费者喜好度点线图
Fig.3 Wine and meal pairing consumer preferences dot plot
两种测评方法所得出的消费者喜好度结果一致,清雅型白酒与甜味菜品搭配的消费者喜好度最高,其次喜欢与咸味菜品的搭配,与苦味和酸味菜品搭配的喜好度相对较低。豉香型白酒与咸味菜品搭配的消费者喜好度最高,其次喜欢与甜味菜品的搭配,搭配苦味菜品的消费者喜好度相对较低。在与鲜味、咸味、甜味和辣味菜品搭配时,清雅型白酒的消费者喜好度要高于豉香型白酒的消费者喜好度。与酸味和苦味菜品搭配时,豉香型白酒的消费者喜好度高于清雅型白酒的消费者喜好度。基于6种不同餐酒搭配前后味觉强度变化与香气喜好度、口感喜好度、综合喜好度、搭配喜好度、购买意愿及推荐度进行相关性分析。分析结果如相关性热图(图4)所示,其中每个小方格代表不同变量之间的相关趋势情况,蓝色代表正相关关系,红色代表负相关关系,且颜色越深表示相关系数越大。
a-清雅型白酒;b-豉香型白酒
图4 味觉强度变化与喜好度、推荐度和购买意愿相关性热图
Fig.4 Correlation heatmap of taste intensity change with preference, recommendation, and purchase intention
对于清雅型白酒而言,6种不同餐酒搭配前后味觉强度的变化与各搭配喜好度、香气喜好度、口感喜好度、综合喜好度、购买意愿及推荐度之间不存在显著性相关关系(P>0.05)。对于豉香型白酒而言,和鲜味菜品搭配的味觉强度变化与豉香型白酒和鲜味菜品搭配喜好度显著正相关(P<0.05),和豉香型白酒的推荐度极显著正相关(P<0.01),即鲜味强度变化越大,消费者越倾向于向别人推荐豉香型白酒。豉香型白酒在和甜味菜品搭配的味觉强度变化与豉香型白酒和甜味菜品搭配喜好度极显著正相关(P<0.01),即甜味强度变化越大,消费者越喜欢甜味菜品和豉香型白酒的搭配。
3 结论与讨论
本研究将智能感官分析技术中的脑电分析和面部表情分析方法联用进行白酒饮用喜好度的研究。对于不同的餐酒搭配,被试认为搭配前后味觉强度变化呈现异质性。不同的餐酒搭配也会引起脑电波和面部表情情绪发生显著变化,并且在餐酒搭配时的脑电波和面部表情情绪与喜好度之间也存在相关性。基于智能感官分析技术建立的多元线性回归模型,R值在0.49～0.76之间,P值均小于0.05,拟合度较好。通过与传统感官评价结果比较,喜好度得分一致。研究发现,清雅型白酒与甜味菜品搭配的消费者喜好度最高,与苦味和酸味菜品搭配的喜好度相对较低。豉香型白酒与咸味菜品搭配的消费者喜好度最高,搭配苦味菜品的消费者喜好度相对较低。对于清雅型和豉香型白酒来说,鲜味、咸味、甜味和辣味菜品更适合搭配清雅型白酒,酸味和苦味菜品更适合搭配豉香型白酒。并且鲜味强度变化越大,消费者越倾向于向别人推荐豉香型白酒,甜味强度变化越大,消费者越喜欢甜味菜品和豉香型白酒的搭配。
因此,智能感官分析技术可作为白酒消费者喜好度评价的一种有效的研究手段,将其与传统感官分析方法相结合,能够更全面、详细地反馈影响白酒消费者喜好度的因素,对传统感官分析方法进行了有效的补充,提升了白酒消费者喜好度测评的效率和科学性。在后续的研究中,可通过增加白酒样品量和被试数量等方式丰富数据量,提高模型的拟合度和泛化能力。综合考虑不同香型白酒的搭配需求,进行合适的餐酒搭配,可以更好提升消费者的饮用体验。
[1] 杨颂平. 我国白酒消费者市场细分研究[J].中国市场, 2023(30):126-129.YANG S P.China liquor consumer market segmentation research[J].China Market, 2023(30):126-129.
[2] 赵艳. 国内白酒市场现状及质量研究存在问题探讨[J].食品安全导刊, 2020(33):33-34.ZHAO Y.Discussion on the current situation of domestic liquor market and problems in quality research[J].China Food Safety Magazine, 2020(33):33-34.
[3] VERDONK N, RISTIC R, CULBERT J A, et al.Investigating Australian consumers’ perceptions of and preferences for different styles of sparkling wine using the fine wine instrument[J].Foods, 2021, 10(3):488.
[4] ZHU Y X, SU Q Y, JIAO J F, et al.Exploring the sensory properties and preferences of fruit wines based on an online survey and partial projective mapping[J].Foods, 2023, 12(9):1844.
[5] ALVINO L, CONSTANTINIDES E, VAN DER LUBBE R H J.Consumer neuroscience:Attentional preferences for wine labeling reflected in the posterior contralateral negativity[J].Frontiers in Psychology, 2021, 12:688713.
[6] MENA B, TORRICO D D, HUTCHINGS S, et al.Understanding consumer liking of beef patties with different firmness among younger and older adults using FaceReaderTM and biometrics[J].Meat Science, 2023, 199:109124.
[7] LAGAST S, GELLYNCK X, SCHOUTETEN J J, et al.Consumers’ emotions elicited by food:A systematic review of explicit and implicit methods[J].Trends in Food Science &Technology, 2017, 69:172-189.
[8] 支瑞聪, 赵镭, 张璐璐.情感型感官测试技术动态分析[J].食品研究与开发, 2016, 37(13):200-206.ZHI R C, ZHAO L, ZHANG L L.Overview of affective sensory evaluation techniques for food sensory quality[J].Food Research and Development, 2016, 37(13):200-206.
[9] LAWLESS H T, MALONE G J.Comparison of rating scales:Sensitivity, replicates and relative measurement[J].Journal of Sensory Studies, 1986, 1(2):155-174.
[10] ZHI R C, HU X, WANG C Y, et al.Development of a direct mapping model between hedonic rating and facial responses by dynamic facial expression representation[J].Food Research International, 2020, 137:109411.
[11] CLARK E A, KESSINGER J, DUNCAN S E, et al.The facial action coding system for characterization of human affective response to consumer product-based stimuli:A systematic review[J].Frontiers in Psychology, 2020, 11:920.
[12] MATSUFUJI Y, UEJI K, YAMAMOTO T.Predicting perceived hedonic ratings through facial expressions of different drinks[J].Foods, 2023, 12(18):3490.
[13] SHEPELENKO A, SHEPELENKO P, OBUKHOVA A, et al.The relationship between charitable giving and emotional facial expressions:Results from affective computing[J].Heliyon, 2024, 10(2):e23728.
[14] VAN BOMMEL R, STIEGER M, VISALLI M, et al.Does the face show what the mind tells? A comparison between dynamic emotions obtained from facial expressions and Temporal Dominance of Emotions (TDE)[J].Food Quality and Preference, 2020, 85:103976.
[15] WU M, LI H L, QI H Z.Using electroencephalogram to continuously discriminate feelings of personal thermal comfort between uncomfortably hot and comfortable environments[J].Indoor Air, 2020, 30(3):534-543.