Cromatografía de gases ultrarrápida acoplada a técnicas de machine learning para predecir el nivel de adulteración en miel de azahar y girasol

• Punta -Sánchez, I. ^[1] ; Dymerski, T. ^[2] ; Calle J. L. ^[1] ; Ruiz -Rodríguez, A. ^[1] ; Ferreiro-González, M. ^[1] ; Palma, M. ^[1]
  1. [1] Universidad de Cádiz

     Universidad de Cádiz

     Cádiz, España

     
  2. [2] Gdańsk University of Technology

     Gdańsk University of Technology

     Gdańsk, Polonia

     
• Localización: XLV Jornadas de viticultura y enología de la Tierra de Barros ; V Congreso Agroalimentario de Extremadura: Almendralejo, 2 al 5 de mayo de 2023 / coord. por Carmen Fernández-Daza Álvarez, 2024, ISBN 84-7930-113-9, págs. 239-259
• Idioma: español
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    La adulteración de la miel es un problema importante en la industria alimentaria, y la detección de estas prácticas fraudulentas es esencial para garantizar la calidad y autenticidad del producto. La cromatografía de gases ultrarrápida (CG-ultrarrápida) es una técnica analítica rápida y sensible para detectar adulteraciones en miel y, combinada con algoritmos de machine learning, ha demostrado ser una herramienta efectiva para desarrollar modelos precisos y fiables para detectar la adulteración de forma automatizada y objetiva. En este estudio, se evaluó la capacidad de diferentes algoritmos de ML en combinación con CG-ultrarrápida para predecir el nivel de adulteración en miel de azahar (OB) y girasol (SF). Las muestras de miel de azahar y girasol se adulteraron utilizando una mezcla de otras mieles de diferentes orígenes florales como adulterante. Se obtuvieron muestras adulteradas con un rango de pureza de miel que osciló entre el 50% y el 95%. Se encontró que la regresión de vectores soporte (SVR) mostró el mejor rendimiento con un R2 de 0.9086 en el conjunto de prueba para la matriz de datos conjunta de miel de azahar y girasol. Para mejorar la precisión de los modelos de regresión, se propuso clasificar las muestras de miel en función de su origen botánico y luego aplicar los modelos de regresión por separado. Todos los modelos de regresión probados en miel de azahar y de girasol por separado obtuvieron un rendimiento superior. El modelo de operador de selección y contracción mínima absoluta (LASSO) resultó ser el mejor para predecirlas propiedades de la miel de azahar y de girasol, con un R2de 0.9987.

  • English

    Honey adulteration is a major problem in the food industry,and detection of these fraudulent practices isessential to ensure product quality and authenticity. Ultra-fast gas chromatography (ultra-fast GC) is a fast andsensitive analytical technique for detecting adulterationin honey and, in combination with machine learning algorithms,has proven to be an effective tool for developingaccurate and reliable models to detect adulteration.In this study, several machine learning techniques werecompared to predict the level of adulteration in orangeblossom (OB) and sunflower (SF) honey using ultrafastGC. The OB and SF honey samples were adulteratedusing a mixture of other honeys from different floralorigins as adulterant. Adulterated samples were obtained with a range of honey purity that oscillated between50% and 95%. It was found that the supported vector regression(SVR) showed the best performance with an R2of 0.9086 for the data set containing orange blossom andsunflower honey. To improve the accuracy of the regressionmodels, it was proposed to classify the honey samplesbased on their botanical origin and then apply theregression models separately. All the regression modelstested on orange blossom and sunflower honey separatelyobtained superior performance. The least absoluteshrinkage and selection operator (LASSO) turned out tobe the best to predict the properties of orange blossomand sunflower honey, with an R2 of 0.9987.