Análisis de muestras en base a su contenido real en zumo

Introducción y objetivos

En los últimos años se ha venido notando un fuerte incremento en la venta de zumos naturales. Sin embargo, paralelo a este crecimiento se ha detectado también un número significativamente mayor de adulteraciones en dichas bebidas.

El grupo RNASA-IMEDIR, en colaboración con el grupo de Química Analítica de la Universidade da Coruña, trabaja en un sistema que permita la clasificación de una muestra en base a su contenido real en zumo. Es decir, dada una muestra el sistema clasificador la asignará a alguna de las categorías predefinidas de concentraciones (ej. 2%, 10%, etc.) en base a cierta información obtenida a partir de la propia muestra.

El principal interés reside en la obtención de un sistema de clasificación que posteriormente pueda ser aplicado con el objetivo de detectar adulteraciones en las cantidades de zumo declaradas en las bebidas comerciales. Estas adulteraciones podrán ser detectadas cuando sistemáticamente una muestra se clasifique en una categoría discordante con la cantidad de zumo especificada en el etiquetado.

El diseño del sistema es lo suficientemente genérico como para poder ser aplicado en otro tipo de ámbitos, totalmente diferentes al expuesto, en el que se requiera la clasificación de muestras.

Datos empleados

Como punto de partida, será necesario disponer de una serie de muestras con una concentración previamente conocida. Estas muestras permitirán determinar el grado de eficacia del sistema clasificador.

Por lo tanto, en primer lugar será necesario caracterizar de manera correcta dichas muestras, de tal manera que el sistema tenga la información necesaria para realizar la clasificación. Para ello se obtiene el espectro IR (Infrarrojos) de cada muestra que determina, a grandes rasgos, en qué medida una muestra absorbe la energía incidente sobre la misma. La información contenida en cada espectro será la que permita determinar la cantidad de zumo existente en cada muestra.

Ilustración 1: Espectros característicos en función de la concentración de zumo

Clasificación de muestras

En base a los datos proporcionados por los espectros, el sistema de clasificación desarrollado ha obtenido unos resultados netamente superiores a los alcanzados con los métodos clásicos empleados para el procesado de datos químicos.

Tanto en los datos de entrenamiento o calibración (empleados para desarrollar el sistema clasificador) como en los datos de validación (reservados para comprobar el funcionamiento del sistema conseguido) se han mejorado los resultados obtenidos hasta el momento por el resto de técnicas.

El sistema propuesto consiste en el empleo de Redes de Neuronas Artificiales lo que facilita su adaptabilidad a otros problemas de índole similar. Tabla 1: Sistema propuesto vs. aproximaciones quimiométricas más comúnmente empleadas Entrenamiento Validación Métodos Quimiométricos PLS 81.82% 77.97% SIMCA 85% 68.18% PF 96% 81.9% Sistema Propuesto 100% 93.97%

Selección de información relevante

Un inconveniente de la aproximación directa planteada reside en la gran cantidad de información proporcionada por cada espectro. Adicionalmente, no toda esta información es relevante a la hora de llevar a cabo la clasificación. Estos aspectos ocasionan, entre otros problemas, que el desarrollo de métodos de clasificación se vuelva más complejo.

Se plantea por lo tanto una modificación del sistema que emplee para la clasificación únicamente un subconjunto de la totalidad de los datos que caracterizan a una muestra.

Debido a la propia naturaleza del problema, no existe una única solución válida al mismo, sino un conjunto de ellas. El sistema planteado, mediante el empleo de Algoritmos Genéticos, proporciona un conjunto de soluciones que alcanzan un nivel de ajuste similar, dejando en manos del experto escoger una u otra en función del criterio que más se ajuste a sus necesidades: facilidad de implantación, sencillez de interpretación, etc.

Publicaciones

1. M.P. Gómez-Carracedo, M. Gestal, J. Dorado, J. M. Andrade. Chemically driven variable selection by focused multimodal genetic algorithms in mid-IR spectra. Analytical and Bioanalytical Chemistry. ISSN 1618-2642. Springer-Verlag. 2008.
2. M.P. Gómez-Carracedo, M. Gestal, J. Dorado, J.M. Andrade. Linking Chemical Knowledge and Genetic Algorithms using Two Populations and Focused Multimodal Search. Chemometrics and Intelligent Laboratory Systems. ISSN 0169-7439, vol. 87, pp. 173-184. Elsevier. Junio 2007.
3. J.R. Rabuñal, J. Dorado, M. Gestal, N. Pedreira. Diversity and Multimodal Search with a Hybrid Two-Population GA: An Application to ANN Development. Lecture Notes in Computer Science. Computational Intelligence and Bioinspired Systems. LNCS 3512. Eds. J. Cabestany, A. Prieto y D. F. Sandoval. ISSN 0302-9743, pp. 382-390. Springer-Verlang. Heidelberg, Berlin. Junio 2005.
4. M. Gestal, M.P. Gómez-Carracedo, J.M. Andrade, J. Dorado, E. Fernández, D. Prada, A. Pazos. Selection of Variables by Genetic Algorithms for the Classification of Apple Beverages by means of Artificial Neural Networks. Applied Artificial Intelligence. ISSN 0883-9514, vol. 19, pp. 181-198. Taylor & Francis. Febrero 2005.
5. M. Gestal, M.P. Gómez-Carracedo, J.M. Andrade, J. Dorado, E. Fernández, D. Prada, A. Pazos. Classification of Apple Beverages using Artificial Neural Networks with Previous Variable Selection. Analytica Chimica Acta. ISSN 0003-2670, vol. 524, pp. 225-234. Elsevier. Septiembre 2004.