-1::1
Simple Hit Counter
Skip to content

Products

Solutions

×
×
Sign In

PL

EN - EnglishCN - 简体中文DE - DeutschES - EspañolKR - 한국어IT - ItalianoFR - FrançaisPT - Português do BrasilPL - PolskiHE - עִבְרִיתRU - РусскийJA - 日本語TR - TürkçeAR - العربية
Sign In Start Free Trial

RESEARCH

JoVE Journal

Peer reviewed scientific video journal

Behavior
Biochemistry
Bioengineering
Biology
Cancer Research
Chemistry
Developmental Biology
View All
JoVE Encyclopedia of Experiments

Video encyclopedia of advanced research methods

Biological Techniques
Biology
Cancer Research
Immunology
Neuroscience
Microbiology
JoVE Visualize

Visualizing science through experiment videos

EDUCATION

JoVE Core

Video textbooks for undergraduate courses

Analytical Chemistry
Anatomy and Physiology
Biology
Cell Biology
Chemistry
Civil Engineering
Electrical Engineering
View All
JoVE Science Education

Visual demonstrations of key scientific experiments

Advanced Biology
Basic Biology
Chemistry
View All
JoVE Lab Manual

Videos of experiments for undergraduate lab courses

Biology
Chemistry

BUSINESS

JoVE Business

Video textbooks for business education

Accounting
Finance
Macroeconomics
Marketing
Microeconomics

OTHERS

JoVE Quiz

Interactive video based quizzes for formative assessments

Authors

Teaching Faculty

Librarians

K12 Schools

Biopharma

Products

RESEARCH

JoVE Journal

Peer reviewed scientific video journal

JoVE Encyclopedia of Experiments

Video encyclopedia of advanced research methods

JoVE Visualize

Visualizing science through experiment videos

EDUCATION

JoVE Core

Video textbooks for undergraduates

JoVE Science Education

Visual demonstrations of key scientific experiments

JoVE Lab Manual

Videos of experiments for undergraduate lab courses

BUSINESS

JoVE Business

Video textbooks for business education

OTHERS

JoVE Quiz

Interactive video based quizzes for formative assessments

Solutions

Authors
Teaching Faculty
Librarians
K12 Schools
Biopharma

Language

pl_PL

EN

English

CN

简体中文

DE

Deutsch

ES

Español

KR

한국어

IT

Italiano

FR

Français

PT

Português do Brasil

PL

Polski

HE

עִבְרִית

RU

Русский

JA

日本語

TR

Türkçe

AR

العربية

    Menu

    JoVE Journal

    Behavior

    Biochemistry

    Bioengineering

    Biology

    Cancer Research

    Chemistry

    Developmental Biology

    Engineering

    Environment

    Genetics

    Immunology and Infection

    Medicine

    Neuroscience

    Menu

    JoVE Encyclopedia of Experiments

    Biological Techniques

    Biology

    Cancer Research

    Immunology

    Neuroscience

    Microbiology

    Menu

    JoVE Core

    Analytical Chemistry

    Anatomy and Physiology

    Biology

    Cell Biology

    Chemistry

    Civil Engineering

    Electrical Engineering

    Introduction to Psychology

    Mechanical Engineering

    Medical-Surgical Nursing

    View All

    Menu

    JoVE Science Education

    Advanced Biology

    Basic Biology

    Chemistry

    Clinical Skills

    Engineering

    Environmental Sciences

    Physics

    Psychology

    View All

    Menu

    JoVE Lab Manual

    Biology

    Chemistry

    Menu

    JoVE Business

    Accounting

    Finance

    Macroeconomics

    Marketing

    Microeconomics

Start Free Trial
Loading...
Home
JoVE Journal
Biology
Analiza lotności owoców za pomocą elektronicznego nosa

Research Article

Analiza lotności owoców za pomocą elektronicznego nosa

DOI: 10.3791/3821

March 30, 2012

Simona Vallone1, Nathan W. Lloyd2, Susan E. Ebeler3, Florence Zakharov1

1Department of Plant Sciences,University of California, Davis, 2Department of Chemical Engineering and Material Science,University of California, Davis, 3Department of Viticulture and Enology,University of California, Davis

Cite Watch Download PDF Download Material list
AI Banner

Please note that some of the translations on this page are AI generated. Click here for the English version.

In This Article

Summary Abstract Introduction Protocol Representative Results Discussion Disclosures Acknowledgements Materials References Reprints and Permissions

Erratum Notice

Important: There has been an erratum issued for this article. View Erratum Notice

Retraction Notice

The article Assisted Selection of Biomarkers by Linear Discriminant Analysis Effect Size (LEfSe) in Microbiome Data (10.3791/61715) has been retracted by the journal upon the authors' request due to a conflict regarding the data and methodology. View Retraction Notice

Summary

Opisana jest szybka metoda analizy związków lotnych w owocach. Lotne związki obecne w przestrzeni nad roztworem homogenatu próbki są szybko rozdzielane i wykrywane za pomocą ultraszybkiej chromatografii gazowej (GC) sprzężonej z czujnikiem powierzchniowej fali akustycznej (SAW). Omówiono również procedurę obsługi i analizy danych.

Abstract

Podczas dojrzewania owoców zachodzą liczne i różnorodne zmiany fizjologiczne, w tym rozwój specyficznej mieszanki lotnej, która charakteryzuje aromat owoców. Dojrzałość w momencie zbioru jest jednym z kluczowych czynników wpływających na jakość smakową owoców i warzyw1. Walidacja solidnych metod, które szybko oceniają dojrzałość owoców i jakość aromatu, pozwoliłaby na lepsze zarządzanie zaawansowanymi programami hodowlanymi, praktykami produkcyjnymi i obsługą po zbiorach.

W ciągu ostatnich trzech dekad przeprowadzono wiele badań mających na celu opracowanie tak zwanych elektronicznych nosów, które są urządzeniami zdolnymi do szybkiego wykrywania zapachów i smaków2-4. Obecnie dostępnych na rynku jest kilka elektronicznych nosów zdolnych do przeprowadzania analizy lotności, opartych na różnych technologiach. Nos elektroniczny wykorzystywany w naszej pracy (zNose, EST, Newbury Park, CA, USA), składa się z ultraszybkiej chromatografii gazowej sprzężonej z powierzchniowym czujnikiem fal akustycznych (UFGC-SAW). Technologia ta została już przetestowana pod kątem zdolności do monitorowania jakości różnych towarów, w tym wykrywania pogorszenia jakości jabłka5; ocena dojrzałości i zgnilizny mango6; profilowanie aromatyczne gatunków grasicy 7; C6 związki lotne w jagodach winogron8; Charakterystyka oleju roślinnego9 i wykrywanie domieszek w oleju kokosowym z pierwszego tłoczenia10.

Ten system może wykonywać trzy główne etapy analizy aromatu: pobieranie próbek z przestrzeni nad głową, separację lotnych związków i wykrywanie. W ciągu około jednej minuty wytwarzany jest wynik, chromatogram, a po cyklu przedmuchiwania przyrząd jest gotowy do dalszej analizy. Wyniki uzyskane za pomocą zNose mogą być porównane z wynikami innych systemów chromatografii gazowej poprzez obliczenie wskaźników Kovatsa (KI). Gdy instrument zostanie nastrojony za pomocą wzorcowego roztworu alkanów, czasy retencji są automatycznie przeliczane na KI. Oczekuje się jednak, że z czasem wystąpią niewielkie zmiany temperatury i natężenia przepływu, co spowoduje dryf czasu retencji. Ponadto, w zależności od biegunowości fazy stacjonarnej kolumny, odtwarzalność obliczeń KI może różnić się o kilka jednostek indeksu11. W związku z tym opracowano szereg programów i interfejsów graficznych do porównywania obliczonych KI między próbkami w sposób półautomatyczny. Programy te skracają czas potrzebny na analizę chromatogramów dużych zbiorów danych i minimalizują możliwość błędnej interpretacji danych, gdy chromatogramy nie są idealnie wyrównane.

Prezentujemy metodę szybkiej analizy związków lotnych w owocach. Omówiono również procedury przygotowania próbek, pozyskiwania danych i postępowania z nimi.

Protocol

1. Przygotowanie próbki

  1. Zbieraj owoce w pożądanej fazie dojrzałości. Spłucz wodą z kranu w celu usunięcia brudu i kurzu.
  2. Wybierz owoce do analizy w oparciu o brak wad zewnętrznych i wewnętrznych oraz jednorodność wielkości.
  3. Pokrój owoce wzdłużnie w ćwiartki, które zostaną wykorzystane do pobierania próbek lotnych. W razie potrzeby usuń skórkę, nasiona, tkankę jamy nasiennej lub pestkę. Selekcja tkanek owocowych musi być spójna przez cały czas trwania doświadczenia i uwzględniać zmienność w obrębie pojedynczego owocu (tj. pobrać próbkę równomiernie z części równikowej, kwiatowej i końcowej łodygi).
  4. Połącz wybraną tkankę owocową, wymieszaj ją w celu losowania, a następnie odważ 200 g do blendera.
  5. Dodać 200 ml nasyconego roztworu CaCl2 (372,5 g w temperaturze 20 °C w 500 ml wody dejonizowanej) i 50 ml 100 mM roztworu izowalerianianu 2-metylobutylu w metanolu. CaCl2 ma za zadanie działać jako inhibitor aktywności enzymatycznej, która może wystąpić po rozkrojeniu i homogenizacji miąższu owocu. Izowalerianian 2-metylobutylu jest dodawany jako wzorzec wewnętrzny w celu monitorowania wszelkich możliwych strat lotnych związków podczas procesu homogenizacji.
  6. Homogenizować mieszaninę w blenderze laboratoryjnym (Waring, USA) przez 30 sekund przy 18 000 obr./min, a następnie natychmiast przelać do szklanej butelki i zamknąć teflonową pokrywką. Przechowywać homogenat w butelce w temperaturze pokojowej do czasu, aż wszystkie próbki zostaną przygotowane.
  7. Po przelaniu homogenatu do butelki odczekać 10 minut, aby umożliwić oddzielenie się piany od cieczy, następnie odpipetować 5 ml porcji płynu, bez piany, do szklanych bursztynowych fiolek o pojemności 20 ml i zamknąć fiolki stalowymi nakrętkami wyposażonymi w przegrodę teflonowo-silikonową. Ta procedura jest odpowiednia do przygotowania homogenatu melona i gruszki. Jeżeli do analizy wykorzystywane są inne owoce, może być wymagany etap wirowania. Dlatego usuń pianę, a następnie odwiruj ciecz do cząstek granulek, które mogą zatkać pipetę. Przygotować co najmniej trzy fiolki na próbkę, które posłużą jako kontrpróby techniczne.
  8. Na tym etapie próbki mogą być natychmiast analizowane lub błyskawicznie zamrażane w ciekłym azocie i przechowywane w bardzo niskiej temperaturze (-80 °C) do późniejszej analizy.
  9. W przypadku próbek zamrożonych, w dniu analizy wyjmuje się je z zamrażarki i pozostawia do rozmrożenia przez godzinę w temperaturze pokojowej. Po rozmrożeniu, a przed analizą, należy wymienić nakrętkę fiolki na nową, która ma czystą, suchą przegrodę. Jeśli przegroda nie zostanie wymieniona, woda skondensowana na przegrodzie podczas rozmrażania może zostać wciągnięta do instrumentu i go uszkodzić.

2. Chromatografia gazowa z powierzchniową falą akustyczną (GC-SAW) Konfiguracja i akwizycja danych

  1. Załaduj odpowiednią metodę analizy do zNose.
    Do analizy bogatego w estry profilu lotnego melonu nasze parametry w oprogramowaniu MicroSense w wersji 5.44.22 (Newbury Park, CA, USA) są następujące: zasysanie przestrzeni nad głową do wlotu przez 20 sekund przy 30 ml min-1 za pomocą pompy; temperatura na wlocie przy 200 °C; Temperatura pułapki Tenax w temperaturze 225 °C; gaz nośny (czystość helu 99,999%) natężenie przepływu 2,9 ml min-1; kolumna (kolumna DB-5, 1 m × 0,25 mm średnicy wewnętrznej×, grubość warstwy 0,25 μm) program temperatury od 45 °C do 180 °C z szybkością 10 °C sec-1; temperatura czujnika przy 40 °C; zawór w temperaturze 165 °C. Całkowity czas analizy wynosi 1 minutę na próbkę.
  2. Podłącz igłę ze stali nierdzewnej z końcówką bez rdzenia do wlotu zNose i kilkakrotnie przedmuchnij system powietrzem z otoczenia, aż linia podstawowa będzie stabilna i nie zostaną wykryte piki większe niż 200 zliczeń (Ct).
  3. Nastroić instrument za pomocą roztworu alkanów o prostym łańcuchu (C6-C14). Wynik strojenia jest używany przez oprogramowanie instrumentu do przeliczenia czasu retencji eluowanych pików z jednostek czasu na jednostki indeksu Kovatsa (KI). W związku z tym, po dostrojeniu systemu, czasy przechowywania są podawane w jednostkach KI.
  4. Przed analizą należy odczekać, aby próbka uległa równowadze przez 30 minut. Aby przeanalizować jedną z fiolek z próbkami, należy wprowadzić igłę do przegrody fiolki w celu zmniejszenia ciśnienia. Następnie wprowadzić igłę podłączoną do wlotu instrumentu do przegrody fiolki i rozpocząć pobieranie próbek w przestrzeni nad głową. Przeprowadzić analizę co najmniej trzech kontrprób technicznych na próbkę.
  5. Ręcznie uruchom instrument, klikając przycisk "Graj"; pompa aktywuje i pobiera opary znajdujące się nad próbką. Pod koniec analizy na ekranie pojawia się chromatogram, a czujnik jest automatycznie podgrzewany do 150 °C przez 10 sekund w celu jego oczyszczenia. Gdy przycisk w polu stanu systemu ponownie zmieni kolor na zielony, urządzenie jest gotowe do analizy kolejnej próbki.
  6. Aby zapewnić stabilną linię bazową i prawidłowe czyszczenie systemu, należy uruchomić co najmniej jedną ślepą próbę powietrzną między każdą próbką. W celu monitorowania możliwego zanieczyszczenia lotnego z fiolki i nakrętki, należy przeanalizować dwie ślepe próby fiolek (pusta fiolka z nakrętką) na początku i na końcu dnia.

3. Eksport i analiza danych

  1. Po pobraniu wyeksportuj dane do pliku Microsoft Excel za pomocą funkcji "Rejestrowanie szczytów" w oprogramowaniu MicroSense. Po wyeksportowaniu danych dodaj kolumny zawierające etykiety zmiennych i replikatów.
  2. Przekształć format danych w celu łatwiejszej manipulacji za pomocą opracowanego przez nas skryptu Python (wersja 2.6; dostępna bezpłatnie on-line) o nazwie "reform_data.py" (patrz rysunek 1, aby zapoznać się z przykładem formatu danych przed i po użyciu skryptu "reform_data.py"). Nazwa pliku źródłowego (format xls) i nazwa arkusza dla danych wejściowych, a także żądana nazwa pliku wyjściowego (format xls) są edytowane bezpośrednio w skrypcie.
  3. Start "kim_interface.py" (napisany również w Pythonie 2.6; patrz rysunek 2) i zaimportuj dane z pliku wygenerowanego w poprzednim kroku. W szczególności analiza opiera się na przeglądaniu i analizowaniu liczby wykryć każdej wartości KI ("trafienia KI"). W ten sposób program wyświetla wykres słupkowy trafień KI dla każdej wartości KI.
  4. Oceń trafienia KI określonych podzbiorów próbek, analizując razem każdą grupę powtórzeń technicznych. Aby to zrobić, przeanalizuj każdą metodę lub zmienną osobno, zaznaczając/odznaczając odpowiednie pola. Zobacz podpis Rysunek 2, aby uzyskać szczegółowy opis funkcji graficznego interfejsu użytkownika (GUI).
  5. Po określeniu szerokości każdego okna KI za pomocą graficznego interfejsu użytkownika, losowo wybierz niektóre z odpowiednich chromatogramów w oprogramowaniu Microsense i oceń nakładające się piki wśród kontrprób technicznych. Na rysunku 3 przedstawiono przykład nałożonych na siebie chromatogramów dwóch kontrprób technicznych.
  6. Po zindywidualizowaniu okna KI, użyj funkcji "Scal" dostępnej w graficznym interfejsie użytkownika, aby scalić KI, które mieszczą się w oknie, w najbardziej zaludnione KI. Dzięki tej funkcji piki oznaczone zakresem wartości KI są konsolidowane pod jedną etykietą KI, co pozwala traktować takie piki jako pojedynczą zmienną.
    Aby to zrobić, najpierw kliknij przycisk "Scal", aby aktywować funkcję i wybierz najbardziej zaludnione KI jako środek okna, klikając lewym przyciskiem myszy odpowiedni pasek. Po wybraniu paska zmienia kolor i zmienia kolor na zielony. Aby scalić KI, które znajdują się w oknie z wybranym KI, kliknij prawym przyciskiem myszy na odpowiednie paski; powoduje to, że słupki zmieniają kolor na czerwony, podczas gdy niebieski pasek o odpowiedniej długości jest dodawany na górze środkowego KI (patrz rysunek 4). Po połączeniu wszystkich wybranych KI z odpowiednim centralnym KI, kliknij ponownie przycisk "Połącz", aby zaakceptować zmiany; powoduje to, że przycisk "Scal" zmienia kolor na żółty. W przypadku pomyłek dostępny jest również przycisk "Rozłącz". Aby rozłączyć, kliknij przycisk "Rozłącz" w graficznym interfejsie użytkownika, a następnie kliknij prawym przyciskiem myszy czerwony pasek, który chcesz rozłączyć. Z czerwonego pasek zmieni kolor na niebieski. Kliknij ponownie przycisk "Rozłącz", aby zaakceptować zmiany.
  7. Jeśli ktoś spróbuje niepoprawnie scalić dwa piki w jednej próbce w jedną wartość KI, zostanie wydrukowany komunikat o błędzie. W takich okolicznościach należy dokładnie sprawdzić chromatogram i ponownie zdefiniować okno KI w tym obszarze.
  8. Po wykonaniu wszystkich operacji scalania zapisz plik.
  9. Przed przystąpieniem do analizy statystycznej chromatogramy ślepych prób powietrza i fiolek są analizowane w celu monitorowania ewentualnych zanieczyszczeń. Po zidentyfikowaniu KI pików w ślepej próbie należy odjąć obszar piku wykryty w ślepej próbie powietrza i/lub fiolki od obszaru piku obecnego w próbce.
    Następnie przystąp do analizy statystycznej.

4. Reprezentatywne wyniki

Elektroniczny nos był w stanie wykryć różnice w profilach lotnych wśród owoców melona zebranych w różnych stadiach dojrzałości (Rysunek 5). We wszystkich próbkach zidentyfikowano dwadzieścia okien KI. Analiza wariancji wykazała, że 14 pików wykrytych przez elektroniczny nos różniło się istotnie między etapami dojrzałości. Na rysunku 6 logarytm średnich powierzchni pików tych 14 składników przedstawiono w celu pokazania różnic w szczytowej obfitości między dwoma etapami dojrzałości, wczesnymi dojrzałymi i w pełni dojrzałymi owocami.

Rysunek 1
Rysunek 1. Przykłady formatów danych eksportowanych z oprogramowania przyrządu (A) i po transformacji, wykonywanych za pomocą skryptu "reform_data.py" (B). Aby ułatwić manipulację danymi i analizę, wszystkie unikalne KI są identyfikowane we wszystkich próbkach, a następnie dane są ponownie porządkowane z informacjami o próbce w wierszach i obszarem piku w kolumnach, odpowiadającymi unikalnym KI. Jeśli pik nie zostanie wykryty dla wartości KI w próbce, odpowiednia komórka pozostaje pusta.

Rysunek 2
Rysunek 2. Zrzut ekranu z pliku skryptu "kim_interface.py". Wykres w środku przedstawia liczbę trafień na KI w funkcji KI. "Trafienie na KI" oznacza liczbę próbek, w których wykryto pik dla tego konkretnego KI. Po lewej stronie znajdują się trzy żółte pola kontrolujące wybrane dane. Wyświetlają parametry dzielące zbiór danych (zabiegi, powtórzenia, zmienne jakościowe itp.). Na tym rysunku są to (od góry do dołu): odmiana, data sadzenia i etap dojrzałości w momencie zbioru. Na dole: klikając na 3 paski i przesuwając niebieski pasek w lewo lub w prawo, można wybrać minimalną i maksymalną wartość zakresu KI oraz minimalną powierzchnię piku ("Próg"). Po prawej: przycisk 'Scal' umożliwia scalenie wybranych KI poprzez ręczne kliknięcie na słupki na wykresie. Przycisk "Rozłącz" pozwala na odwrócenie procesu dla wybranych przypadków.

Rysunek 3
Rysunek 3. Nałożone na siebie chromatogramy (w kolorze czarnym i czerwonym) dwóch kontrprób technicznych z lotnej przestrzeni nad melonem w celu zilustrowania przesunięcia czasu retencji.

Rysunek 4
Rysunek 4. Przykład procedury łączenia KI. Na wykresie centralnym zielony pasek (Central KI) reprezentuje najbardziej zaludnioną KI, która została wybrana jako środek okna KI. KI X i KI Y są KI, które mieszczą się w oknie zainteresowania i muszą zostać scalone z centralnym KI. Klikając prawym przyciskiem myszy na pasek KI X, zmienia on kolor na czerwony, a jednocześnie niebieski pasek o tej samej długości co pasek KI X pojawia się na zielonym. Powtarzając tę samą procedurę dla KI Y, długość niebieskiego paska (scalone KI) zwiększy się o odpowiednią długość. Po dodaniu wszystkich KI, po kliknięciu zielonego przycisku "Połącz", proces scalania kończy się, zmiany są zapisywane, a kolor przycisku zmienia kolor na żółty.

Rysunek 5
Rysunek 5. Dwa chromatogramy próbek melonów zebranych w różnych stadiach dojrzałości, wczesnej dojrzałości (na górze) i w pełni dojrzałej (na dole), w celu zilustrowania zdolności elektronicznego nosa do wykrywania różnic w obfitości substancji lotnych.

Rysunek 6
Rysunek 6. Wykres radarowy przedstawiający powierzchnię pików 14 składników obecnych w dwóch próbkach melonów w dwóch różnych stadiach dojrzałości, wcześnie dojrzałych i w pełni dojrzałych. Obszary pików są raportowane w skali logarytmicznej, aby ułatwić wizualizację porównania. Liczby na końcu każdego promienia reprezentują odpowiadające im indeksy Kovatsa.

Discussion

Nie mamy nic do ujawnienia.

Disclosures

Opisana jest szybka metoda analizy związków lotnych w owocach. Lotne związki obecne w przestrzeni nad roztworem homogenatu próbki są szybko rozdzielane i wykrywane za pomocą ultraszybkiej chromatografii gazowej (GC) sprzężonej z czujnikiem powierzchniowej fali akustycznej (SAW). Omówiono również procedurę obsługi i analizy danych.

Acknowledgements

Autorzy dziękują Billowi Copesowi (Harris Moran Seed Company, Davis) za dostarczenie owoców melona do tej analizy. Projekt ten jest wspierany przez Specialty Crops Research Initiative Competitive Grants Program, grant nr 2009-51181-05783 z Narodowego Instytutu Żywności i Rolnictwa USDA.

Materials

elektronicznych on-line "reform_data.py" i "kim_interface.py"
Chlorek wapniaMP Biomedicals195088
Izowalerianian 2-metylobutyluSAFC GlobalW350613≥ 98%, naturalny, FCC
MetanolFisher ScientificA411-4
VialSigma-AldrichSU860098
CapSigma-AldrichSU860101
Blender laboratoryjnyWaring Laboratory7009G2-biegowy; Szklany pojemnik o pojemności 1 litra
ButelkaFisher Scientific06-414-1CPyrex, 500 mL; polipropylenowa uszczelka z zatyczką
IgłaTechnologia czujników elektronicznychTLC101046Otwór boczny Luer
Roztwór alkanówTechnologia czujnikówC6-C14 roztwór alkanów w metanolu
Technologia czujników elektronicznychzNoseModel 4500
Kolumna DB-5 GCTechnologia czujników elektronicznychSYS4500C5
Technologia czujników elektronicznychMicroSenseWersja 5.44.22
Python 2.6Swobodnie dostępne
skryptySkrypty dostępne jako materiał uzupełniający na JoVE

References

  1. Kader, A. A. Flavor quality of fruits and vegetables. Journal of the Science of Food and Agriculture. 88, 1863-1868 (2008).
  2. Persaud, K., Dodd, G. Analysis of discriminant mechanisms in the mammalian olfactory system using a model nose. Nature. 299, 352-355 (1982).
  3. Gardner, J. W., Bartlett, P. N. A brief-history of electronic noses. Sensors and Actuators. 18, 211-220 (1994).
  4. Rock, F., Barsan, N., Weimar, U. Electronic nose: Current status and future trends. Chem. Rev. 108, 705-725 (2008).
  5. Li, C., Heinemann, P. H., Irudayaraj, J. Detection of apple deterioration using an electronic nose and zNose. Transactions of the Asabe. 50, 1417-1425 (2007).
  6. Li, Z. F., Wang, N., Raghavan, G. S. V., Vigneault, C. Ripeness and rot evaluation of 'Tommy Atkins' mango fruit through volatiles detection. J. Food Eng. 91, 319-324 (2009).
  7. Oh, S. Y., Ko, J. W., Jeong, S. Y., Hong, J. Application and exploration of fast gas chromatography-surface acoustic wave sensor to the analysis of thymus species. J. Chromatogr. A. 1205, 117-127 (2008).
  8. Watkins, P., Wijesundera, C. Application of zNose for the analysis of selected grape aroma compounds. Talanta. 70, 595-601 (2006).
  9. Gan, H. L., Man, Y. B. C., Tan, C. P., NorAini, I., Nazimah, S. A. H. Characterisation of vegetable oils by surface acoustic wave sensing electronic nose. Food Chem. 89, 507-518 (2005).
  10. Marina, A. M., Man, Y. B. C., Amin, I. Use of the SAW Sensor Electronic Nose for Detecting the Adulteration of Virgin Coconut Oil with RBD Palm Kernel Olein. Journal of the American Oil Chemists Society. 87, 263-270 (2010).
  11. Evans, M. B., Haken, J. K. Recent developments in the gas-chromatographic index scheme. Journal of Chromatography. 472, 93-127 (1989).

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article
Request Permission

Play Video

Analiza lotności owoców za pomocą elektronicznego nosa
JoVE logo
Contact Us Recommend to Library
Research
  • JoVE Journal
  • JoVE Encyclopedia of Experiments
  • JoVE Visualize
Business
  • JoVE Business
Education
  • JoVE Core
  • JoVE Science Education
  • JoVE Lab Manual
  • JoVE Quizzes
Solutions
  • Authors
  • Teaching Faculty
  • Librarians
  • K12 Schools
  • Biopharma
About JoVE
  • Overview
  • Leadership
Others
  • JoVE Newsletters
  • JoVE Help Center
  • Blogs
  • Site Maps
Contact Us Recommend to Library
JoVE logo

Copyright © 2026 MyJoVE Corporation. All rights reserved

Privacy Terms of Use Policies
WeChat QR code