啤酒作为世界上最受欢迎的三大饮品之一，不仅消费量巨大，而且种类繁多[1]。据国际酿酒商协会统计，2023年全球啤酒产量为1.88亿kL，其中中国作为最大的产地，贡献了360亿L的产量。不同的啤酒由于原料、配方、发酵工艺等的影响形成了不同的感官风味特点[2]。拉格啤酒是一种低酒精度、口感清淡的啤酒，因其具有较好的适饮性在啤酒种类中占有重要的位置[3]。感官特性作为啤酒品质的一个重要方面，影响着消费者的选择[4]。目前，对于啤酒的研究主要集中在酿造工艺和风味物质鉴定方面，而对啤酒感官特性的研究相对较少[5-7]。因此，有必要对中国市场的啤酒感官特性及消费者喜好进行研究。
啤酒的感官评价多采用经典的定量描述分析（quantitative descriptive analysis，QDA）法，该方法使用训练有素的评价员和统一的术语，能获得准确的感官定量数据[8]。ONISHI K等[9]使用QDA法对比分析了拉比克啤酒和法兰德斯红艾尔啤酒的感官特点。PALOMBI L等[10]分析了不同配方精酿啤酒的感官差异，确定了配方对啤酒感官的影响。尽管QDA法有很大的优势，但QDA感官小组的培训与维护耗时耗力，对企业来说周期较长，并且缺少喜好度方面的评价[11]，因此推动了快速感官分析方法的发展[12]。适合项勾选（check-all-that-apply，CATA）法是一种进行快速感官轮廓评价的有效方法，该方法不需要专业评价员，而且可以进行消费者情绪反应和喜好度研究[13-14]，在食品感官分析中具有较大的潜力。国外MOSS R等[15]使用CATA结合喜好量表研究了6款啤酒的感官特性与消费者情绪感知的关联性。但CATA在国内的应用非常有限，仅少数学者采用CATA法对红枣啤酒的感官特点进行了评价[16]。电子鼻和电子舌是近年来兴起的新型智能感官技术，被认为可模仿人的嗅觉和味觉感受，相比于人工感官评价更加快速、重复性好[17]。已有研究使用电子舌技术实现了对不同精酿啤酒的滋味评价[18]。但目前还未有研究对人工感官和智能感官技术进行比较，智能感官与人工感官联合分析在啤酒感官研究中的应用鲜见报道。
综上，本研究拟采用QDA、CATA、电子鼻和电子舌对7款拉格啤酒进行评价，评估和对比这4种方法的适用性，并分析啤酒的感官特点和消费者喜好驱动因素，为啤酒的感官评价研究、产品开发及改进和消费者市场调研提供一定的参考。
1 材料与方法
1.1 材料与试剂
7款拉格啤酒样品：市售，分别编号为JS8、JS9、XS8、XS9（以上均为A品牌）、YJU8（B品牌）、LB（C品牌）、QDJD（D品牌），具体的样品信息见表1。
表1 啤酒样品信息
Table 1 Information of the beer samples
1.2 仪器与设备
TS-5000Z Handling Tutorial电子舌：日本Insent公司；PEN3电子鼻：德国Air Sense公司。
1.3 方法
1.3.1 感官描述词库建立
邀请具有一定经验的12名评价员（6男6女，年龄在21～45岁）对从市场收集的30款拉格啤酒样品进行品评，并对每个样品的外观、香气和口感特征进行描述和讨论。经过讨论后，对重复度高且大家都认可的感官描述词进行汇总。同时邀请评价员参考GB/T 29604—2013《感官分析建立感官特性参比样的一般导则》[19]整体考虑啤酒的感官特性对描述词进行确认和选择，并结合参考文献[20-22]确定感官描述词的定义以及参比样，以供后续QDA和CATA实验参考。最终形成的描述词见表2，包括外观描述词1个，香气描述词12个以及口感描述词9个。所有感官评价均在通风良好、无气味、温度为（20±2）℃的感官分析实验室进行。
表2 啤酒感官评价描述词定义及参比样
Table 2 Definitions and reference samples of descriptive words used in beer sensory evaluation
注：O表示外观描述词，A表示香气描述词，T表示口感描述词。
1.3.2 专家小组QDA法
根据GB/T 16291.1—2012《感官分析选拔、培训与管理评价员一般导则第1部分：优选评价员》[23]中的方法，在感官分析实验室中对评价员进行基本嗅觉检验、香气匹配实验、排序检验、描述能力的检验，选择出10名QDA评价员，然后对每位评价员进行20 h以上的感官描述分析培训，培训内容包括感官特性的识别、参比样的熟悉及标度的确立和使用等。
每位评价员对7款啤酒样品进行品评，并采用0～5的标尺（0：无；1：弱；2：稍弱；3：平均；4：稍强；5：强）对所有描述词进行打分，最后通过式（1）计算几何平均值M值。根据M值＞M平均值的原则筛选得到最终进行正式实验的描述词。
式中：F 为描述词实际被述及的次数占该描述词所有可能被述及总次数的比例；I 为评价小组实际给出一个描述词的强度和占该描述词最大可能所得强度的比例[24]。
取30 mL啤酒样品置于100 mL品评杯中，使用3位随机编码对啤酒样品进行标记，并根据拉丁方设计确定样品呈递的随机顺序。评价员按照给出的顺序依次品评所有啤酒样品，并采用0～9的标尺进行打分，评价重复2次[14]。
1.3.3 消费者CATA及喜好度测试
招募100名消费者（男女比例为6∶4，年龄在21～40岁）作为评价员参与测试，每位评价员被给予7款啤酒样品和一份CATA问卷，要求评价员按照设计的顺序依次品评每个样品，并在给出的22个描述词（表2）中勾选所有感受到的感官描述词，在此过程中提供描述词定义及参比样。为了避免描述词顺序的影响，CATA评价表中描述词排列遵循拉丁方设计[25-26]。同时，要求评价员使用9点喜好标度（1表示非常不喜欢，9表示非常喜欢）评价样品的喜好度，以同样的标度评价对样品的熟悉程度。所有样品评价结束后完成对理想样品的描述。数据通过问卷星进行收集。
1.3.4 电子舌分析
参考郭壮等[27]的方法对测试传感器和参比传感器进行活化后，将200 mL啤酒倒入400 mL烧杯中进行超声波脱气10 min。然后取35 mL啤酒倒入电子舌专用样品杯中进行测定。每个样品循环测定4次，取后3组数据用于结果分析，测定的味觉包括5个基本味和3个回味。
1.3.5 电子鼻分析
称取10 g脱气后的啤酒样品置于100 mL的烧杯中，双层保鲜膜封口静置30 min，后将进样针头直接插入含样品的顶空瓶中进行测定。具体测定条件为：采样时间为1 s/组；传感器自清洗时间为80 s；传感器归零时间为5 s；样品准备时间为5 s；进样流量为400 mL/min；分析采样时间为80 s。电子鼻传感器对应信息见表3。
表3 传感器代表的物质种类及性能描述
Table 3 Description of the types and properties of the substances represented by the sensors
1.3.6 数据处理与分析
所有数据均利用XLSTAT 2019软件处理。对QDA数据分别进行方差分析、主成分分析（principal component analysis，PCA），并绘制雷达图；对CATA法得到的感官描述词频率和喜好度数据进行对应分析（correspondence analysis，CA）和主坐标分析（principal coordinates analysis，PCoA）；对电子鼻和电子舌数据进行PCA；对4种方法的PCA结果进行RV系数计算。使用GraphPad Prism 8.0绘制柱状图。
2 结果与分析
2.1 基于QDA法啤酒样品的感官评价结果
2.1.1 QDA法啤酒感官描述词的筛选
将7种啤酒提供给感官评价小组进行打分并计算M值，依据M值＞M平均值（0.206）的原则筛选出12个描述词，具体见表4。由表4可知，这12个描述词包括7个香气描述词（柑橘、生姜、酒花、纸板、麦芽、酵母、果香）和5个口感描述词（杀口感、苦味、清爽、酸味、涩感）。
表4 基于定量描述分析啤酒感官描述词的筛选结果
Table 4 Filtered results of beer sensory attributes based on quantitative descriptive analysis
2.1.2 基于QDA法啤酒样品感官评价及方差分析
QDA法啤酒样品的感官评分雷达图见图1。雷达图可以直观地显示出每个啤酒样品的香气轮廓，以及在不同感官特征上的强度差异。
图1 基于定量描述分析啤酒样品的感官评分雷达图
Fig.1 Radar chart of sensory scores for beer samples based on quantitative descriptive analysis method
由图1可知，在A品牌的4款样品中，添加酒花浸膏的样品（JS8和JS9）比不添加酒花浸膏的样品（XS8和XS9）的“酵母”香气更强烈，且添加酒花浸膏的样品JS8比不添加酒花浸膏的样品（XS8和XS9）的“苦味”口感、“生姜”香气更强烈。样品YJU8和LB的配料一致，香气轮廓也很相近，主要表现为“麦芽”、“果香”、“柑橘”，“杀口感”和“清爽”强烈而突出，而“苦味”、“酸味”，“生姜”和“酵母”味强度低。样品QDJQ的“酵母”、“酸味”、“涩感”和“酒花”味较其他样品更重。
对QDA法啤酒样品的感官评分进行单因素方差分析和多重比较，结果见表5。由表5可知，多数样品的12个感官属性间具有显著性差异（P＜0.05）。样品YJU8和LB的“麦芽”、“果香”、“柑橘”、“杀口感”显著强于其他几款样品（P＜0.05），“麦芽”和“果香”在消费者测试中都是正面属性，而“杀口感”属于负面属性，说明其“杀口感”还没有达到消费者不能接受的强度。样品QDJD和JS9的“涩感”显著强于其他几款样品（P＜0.05），可能是因为酒精会带来灼烧感和刺激感，酒精度高时会进一步放大“涩感”的感知。“生姜”属性在样品JS8和JS9中的强度显著高于其他样品（P＜0.05），而样品XS8和XS9与其他几个样品无明显差异（P＞0.05），这可能与样品JS8和JS9中添加的酒花浸膏有关。
表5 基于定量描述分析啤酒样品感官评分的方差分析结果
Table 5 Results of variance analysis on the sensory scores of beer samples based on quantitative descriptive analysis
注：同列不同字母表示差异显著（P＜0.05）。
2.1.3 基于QDA法感官评分啤酒样品的主成分分析
为更直观地展示各样品感官之间的区别和联系，基于QDA法感官评分对啤酒样品进行PCA，结果见图2。
图2 基于定量描述分析感官评分啤酒样品的主成分分析得分双标图
Fig.2 Principal component analysis score biplot of sensory scores of beer samples based on quantitative descriptive analysis method
由图2可知，前两个主成分的累计方差贡献率为71.53%，说明前两个主成分能代表大部分的原始信息，模型具有可靠的置信度。7个样品在第一维度上得到了很好的区分。样品YJU8和LB的“清爽”、“杀口感”、“柑橘”、“果香”和“麦芽”味强，从而被分为一组。样品QDJD、JS8、JS9和XS9的“酵母”、“酸味”、“涩感”、“生姜”以及“苦味”明显，因此被聚集在一起。值得注意的是，样品XS8远离其他几个样品，主要的香气特点是“苦味”和“麦芽”，而其他感官属性均比较微弱。
2.2 基于CATA法啤酒样品的感官评价结果
2.2.1 喜好度和熟悉度分析
消费者对啤酒样品的喜好度和熟悉度得分结果见图3。消费者对7个啤酒样品的喜好度平均分为4.69～5.31分，熟悉度平均分为1.48～4.65分，其中喜好度及熟悉度最高的均为样品YJU8。
图3 消费者对啤酒样品的喜好度和熟悉度得分
Fig.3 Scores of consumers' preference and familiarity with the beer samples
2.2.2 CATA实验词频分析
将CATA法问卷中建立的22个描述词及7个啤酒样品提供给消费者进行自由勾选，对描述词进行词频计算，得出感官属性在不同样品间的词频，结果见表6。词频数值越大表示消费者感知越强[28]。
表6 基于适合项勾选法消费者对啤酒样品感官描述词的词频统计分析结果
Table 6 Results of frequency statistics of sensory description words for beer samples by consumers based on the check-allthat-apply method
由表6可知，“清爽”、“麦芽”、“酒花”是被使用次数最多的描述词，表明这3个感官特点是7个啤酒中普遍存在的。从理想样品的感官描述词勾选结果可以看出，消费者希望啤酒中有“酒花”、“麦芽”、“麦皮”、“甜味”和“果香”香气，口感上希望“细腻”且“清爽”，外观“澄清”。而消费者不喜欢“纸板”、“生姜”和“异香”。
2.2.3 基于词频和喜好度啤酒样品的对应分析和主坐标分析
对7个啤酒样品的所有感官属性的词频及喜好度评分进行对应分析，观察样品与感官属性之间的关系，结果见图4A。样品附近的感官属性可以体现样品的感官特征[29]。对应分析的前两个主成分解释方差达到80.31%，表示该模型可靠。由图4A可知，样品YJU8和LB分布在第1象限，具有“清爽”、“花香”和“酸味”的感官特点，最接近理想样品。这两个样品的“清爽”感很可能由添加的大米辅料所致[30]，而“花香”的差异主要是不同品牌特有的酒花带来的。样品XS8和XS9聚集在第2象限，主要突出的感官特点为“酵母”和“余味”。样品JS8和JS9聚集在第3象限，主要的差异感官特点为“生姜”、“金属”、“异香”和“涩感”。将喜好度数据结合CATA词频数据进行主坐标分析，观察感官属性和喜好度的关系，结果见图4B。由图4B可知，“清爽”、“花香”、“蜂蜜”、“余味”等属性与喜好度呈正相关关系，而“金属”、“涩感”、“异香”、“杀口感”和“生姜”属性太强会降低样品的喜好度。
图4 基于适合项勾选法啤酒样品与感官属性的对应分析（A）及啤酒样品喜好度与词频的主坐标分析（B）结果
Fig.4 Correlation analysis of beer samples and sensory attributes(A) and results of principal coordinate analysis of beer sample preferences and word frequency (B) based on the check-all-that-apply method
2.3 基于电子舌啤酒样品的滋味分析
啤酒样品的电子舌分析结果及主成分分析结果见图5。由图5A可知，7个啤酒样品的各项味觉指标的数值均在无味点以上，表明7个啤酒样品的滋味丰富。由图5B可知，前两个主成分的累计方差贡献率为84.04%，说明前两个主成分能代表大部分的原始信息，模型具有可靠的置信度。7个啤酒样品在图中分散分布，表明其在滋味上存在明显的差异，通过电子舌可将其明确的区分开。咸味、苦味、苦味回味、涩味和涩味回味对第1主成分的贡献较大，酸味对第2主成分的贡献最大，说明7个啤酒样品在滋味上的差异主要体现在苦味、苦味回味、咸味、酸味、涩味和涩味回味等指标上。样品YJU8、LB、JS8和JS9的滋味更为接近，主要呈现出甜味的特点。酒精度最高的样品QDJD苦味、涩味回味、苦味回味也最高，从而与其他样品区分开来。这是由于酒精度高会引起较高的苦味和涩味[31]。而喜好度最高的样品YJU8苦味、涩味和苦味回味均较小。样品XS8和XS9的涩味要明显高于样品JS8和JS9。结果表明，电子舌的结果与感官结果具有很好的一致性，涩味降低将会提高产品的喜好度。样品YJU8和LB相似性高，二者的咸味、苦味及苦味回味都偏小。
图5 啤酒样品的电子舌检测结果（A）和主成分分析得分图（B）
Fig.5 Detection results of electronic tongue (A) and principal component analysis score chart (B) of the beer sample
2.4 基于电子鼻啤酒样品的气味分析
啤酒样品的电子鼻雷达图及主成分分析结果见图6。由图6A可知，传感器响应最高的化合物是氮氧化合物、甲烷等短链烷烃、醇醚醛酮类，其次是硫化物、芳香成分、有机硫化物。啤酒中的氮氧化合物可能是啤酒中糖和蛋白质发生美拉德反应生成的产物，通常贡献甜香和焦糖等香气[32]，这类物质在全麦啤酒样品（XS8、JS8、XS9、JS9）中的含量高于大米辅料啤酒样品（QDJD、LB、YJU8），说明麦芽使用量的减少导致啤酒中麦芽特征香气物质含量降低[30]。样品JS9、XS9和QDJD对乙醇响应高于其他4个啤酒样品，对应的这3个啤酒的酒精度（3.4%vol～4.0%vol）也高于其他4个啤酒。
图6 啤酒样品的电子鼻检测结果（A）和主成分分析得分图（B）
Fig.6 Detection results of electronic nose (A) and principal component analysis score chart (B) of the beer sample
由图6B可知，前两个主成分的累计方差贡献率为80.84%，说明前两个主成分能代表大部分的原始信息，模型具有可靠的置信度。相同配方的样品YJU8和LB聚集在一起，说明其气味相近；同样地，样品JS9和XS9在电子鼻传感器的响应值上比较接近。整体来看，样品JS8距离其他样品最远，说明其气味信息比较特别，主要表现在硫化物的响应更高。挥发性含硫化合物的形成机理复杂，在整个酿造过程中都能生成含硫化合物，但这些物质在麦汁煮沸期间大部分都被蒸发，只有少量残余[33]。因此，对于样品中含硫化合物的差异还需要更深一步研究。
2.5 4种感官评价方法的比较分析
RV系数可以用来度量不同矩阵之间的相似性[34]，因此，计算4种感官评价方法PCA结果的RV系数，结果见表7。由表7可知，通过4种方法获得的样品分组RV系数最高的是CATA法与电子鼻（0.554），QDA与电子舌的RV系数也较高（0.463），电子舌与专家小组对基本滋味的评价具有很高的一致性，有望替代专家小组，而电子鼻可以从风味物质层面为感官差异分析提供依据。QDA与CATA的RV系数较低（0.280），这种差异主要来源于两个评价员小组区分能力的差异，专家小组能使用尽量少的描述词区分不同样品的差异，而消费者小组的描述词有冗余，但消费者测试可以提供额外的喜好度信息。
表7 基于主成分分析结果4种啤酒感官评价方法间的RV系数
Table 7 RV coefficients among the four sensory evaluation methods of beer based on the results of principal component analysis
3 结论
本研究通过QDA和CATA人工感官评价方法及电子鼻和电子舌智能感官技术对7个拉格啤酒的感官特征进行分析。结果表明，QDA、CATA方法均可以对啤酒样品进行感官评价和分类。电子舌在滋味的评价上与QDA具有较好的一致性，并且更加快速，而电子鼻提供的风味物质信息可为感官分析提供支持，这两种智能感官技术都在啤酒快速分类上有较好的效果。通过QDA和CATA法获得7个样品的感官特点。通过CATA法结合喜好度测试确定了喜好度较高的样品为YJU8。通过对应分析和主坐标分析发现“清爽”、“花香”、“蜂蜜”、“余味”这些属性会增加样品的喜好度，而“金属”、“涩感”、“异香”、“杀口感”和“生姜”属性会降低样品的喜好度。通过电子舌和电子鼻结果进一步从原料角度分析了样品感官差异的原因，即高酒精度往往会有更强的“涩感”，麦芽的使用量减少会降低啤酒中氮氧化合物等麦芽特征风味物质的含量。本研究证明了人工感官分析方法与智能感官技术联用在啤酒研究中的适用性，对比了4种方法的特点，确定了啤酒的感官特性及喜好因素，并为产品改进和市场调研提供了一定的参考和指导。
[1] BAIGTS-ALLENDE D K,PÉREZ-ALVA A,RAMÍREZ-RODRIGUES M A,et al.A comparative study of polyphenolic and amino acid profiles of commercial fruit beers[J].J Food Compost Anal,2021,100:103921.
[2] GONZALEZ VIEJO C,FUENTES S,TORRICO D,et al.Assessment of beer quality based on a robotic pourer,computer vision,and machine learning algorithms using commercial beers[J].J Food Sci,83(5):1381-1388.
[3] 权吉南.啤酒种类预测的BP神经网络模型建立与应用研究[D].沈阳：沈阳农业大学，2024.
[4] BETANCUR M I,MOTOKI K,SPENCE C,et al.Factors influencing the choice of beer:A review[J].Food Res Int,2020,137:109367.
[5] CUCU T,DAVID F,DEVOS C,et al.Untargeted flavor profiling of lager beers by stir bar sorptive extraction-capillary gas chromatography-timeof-flight mass spectrometry: High analytical performance with a green touch[J].J Chromatogr A,2021,1647:462164.
[6] ANDERSON H E,SANTOS I C,HILDENBRAND Z L,et al.A review of the analytical methods used for beer ingredient and finished product analysis and quality control[J].Anal Chim Acta,2019,1085:1-20.
[7] DE FRANCESCO G,BRAVI E,SANARICA E,et al.Effect of addition of different phenolic-rich extracts on beer flavor stability[J].Foods,2020,9(11):1638.
[8] DA SILVA G A,MARETTO D A,BOLINI H M A,et al.Correlation of quantitative sensorial descriptors and chromatographic signals of beer using multivariate calibration strategies[J]. Food Chem,2012,134(3): 1673-1681.
[9] ONISHI K,FURUNO M,MORI A,et al.New insights into the characteristic flavor components of traditional sour beers such as lambic and flanders red ale beers[J].J Biosci Bioeng,2024,138(1):54-62.
[10] PALOMBI L,TUFARIELLO M,DURANTE M,et al.Assessment of the impact of unmalted cereals,hops,and yeast strains on volatolomic and olfactory profiles of Blanche craft beers: A chemometric approach[J].Food Chem,2023,416:135783.
[11] VAN DOORN G,WATSON S,TIMORA J,et al.The influence of training and expertise on the multisensory perception of beer:A review[J].Food Qual Prefer,2020,79:103778.
[12] WANG J,WANG J,QIAO L,et al.From traditional to intelligent,a review of application and progress of sensory analysis in alcoholic beverage industry[J].Food Chem: X,2024,23:101542.
[13] VALENTIN D,CHOLLET S,LELIEVRE-DESMAS M,et al.Quick and dirty but still pretty good:A review of new descriptive methods in food science[J].Int J Food Sci Technol,2012,47:1563-1578.
[14] 戴前颖，安琪，郑芳玲，等.基于定量描述分析法和适合项勾选法的黄大茶香气感官特性及喜好度分析[J].食品科学，2022，43（21）：23-33.
[15] MOSS R,BARKER S,MCSWEENEY M B.An analysis of the sensory properties,emotional responses and social settings associated with nonalcoholic beer[J].Food Qual Prefer,2022,98:104456.
[16] 周芹.低糖、低醇红枣发酵型啤酒的制备与品质分析[D].阿拉尔：塔里木大学，2023.
[17] 张建雨，高鑫，余河水，等.当归药效物质基础及质量控制技术研究进展[J].中南药学，2025，23（3）：709-716.
[18] 姚孟琦，郭泽峰，郭世鑫，等.不同类型酵母对精酿啤酒化学和感官特性的影响[J].中国酿造，2022，41（1）：133-137.
[19] 中华人民共和国国家质量监督检验检疫总局，中国国家标准化管理委员会.GB/T 29604—2013感官分析 建立感官特性参比样的一般导则[S].北京：中国标准出版社.2013.
[20]IVANOVA N,YANG Q,BASTIAN S E P,et al.Consumer understanding of beer and wine body:An exploratory study of an ill-defined concept[J].Food Qual Prefer,2022,98:104383.
[21] VALENTONI A,SANTORU A,SANNA M,et al.Evolution of sensory analysis attributes and volatile aging markers in bottle fermented craft beers during storage at different temperatures[J].Food Chem Adv,2022,1:100151.
[22] RAMSEY I,ROSS C,FORD R,et al.Using a combined temporal approach to evaluate the influence of ethanol concentration on liking and sensory attributes of lager beer[J].Food Qual Prefer,2018,68:292-303.
[23] 中华人民共和国国家质量监督检验检疫总局，中国国家标准化管理委员会.GB/T 162911—2012感官分析选拔、培训与管理评价员一般导则 第1部分：优选评价[S].北京：中国标准出版社，2012.
[24] 屠婷瑶，贾俊杰，牛曼思，等.发酵型米酒感官风味特征及其风味轮的构建[J].中国酿造，2023，42（2）：40-45.
[25] 陈玥璋，曾鸣，丑建栋，等.消费者Check-all-that-apply和喜好度测试在植物近水饮料感官评定中的应用研究[J].食品工业科技，2022，43（14）：59-68.
[26] ARES G,JAEGER S R.Check-all-that-apply questions:Influence of attribute order on sensory product characterization[J].Food Qual Prefer,2013,28(1):141-153.
[27] 郭壮，汤尚文，王玉荣，等.基于电子舌技术的襄阳市售米酒滋味品质评价[J].食品工业科技，2015，36（15）：289-293.
[28] 常晓敏，赵慧敏，张悦，等.桌布法结合极化投影地图法剖析葵花籽油香味特征[J].食品安全质量检测学报，2023，14（13）：184-192.
[29] LELIÈVRE-DESMAS M,VALENTIN D,CHOLLET S.Pivot profile method:What is the influence of the pivot and product space?[J]. Food Qual Prefer,2017,61:6-14.
[30] FU B,ZHENG M,YANG H,et al.The effect of broad bean diet on structure,flavor and taste of fresh grass carp:A comprehensive study using E-nose,E-tongue,TPA,HS-SPME-GC-MS and LC-MS[J].Food Chem,2024,436:137690.
[31] JORDÃO A M,VILELA A,COSME F.From sugar of grape to alcohol of wine:Sensorial impact of alcohol in wine[J].Beverages,2015,1(4):292-310.
[32] DACK R E,BLACK G W,KOUTSIDIS G,et al.The effect of Maillard reaction products and yeast strain on the synthesis of key higher alcohols and esters in beer fermentations[J].Food Chem,2017,232:595-601.
[33] BAMFORTH C W.Beer: Tap into the art and science of brewing[M].Oxford:Oxford University Press,2023.
[34] PINEAU N,GIRARDI A,LACOSTE GREGORUTTI C,et al.Comparison of RATA,CATA,sorting and Napping 
as rapid alternatives to sensory profiling in a food industry environment[J]. Food Res Int,2022,158:111467.