Schwingungsspektroskopie optimiert für eine genaue Klassifizierung der Kaffeeherkunft

Schwingungsspektroskopie wird seit langem in der Pharma- und Forensikbranche geschätzt und ihre Anwendung weitet sich auch auf die Landwirtschaft aus, insbesondere zur Qualitäts- und Herkunftsprüfung biologischer Materialien.

Techniken wie Nahinfrarot- (NIR), Mittelinfrarot- (FTIR), Raman- und Hyperspektralbildgebungsspektroskopie (HSI) ermöglichen eine schnelle, nicht-invasive Analyse von Lebensmitteln. Allerdings kann die Variabilität der Probeneigenschaften wie Partikelgröße und -dichte zu Rauschen in den Spektraldaten führen und die Genauigkeit beeinträchtigen.

Um diese Probleme anzugehen, ist die Vorverarbeitung der Spektraldaten von entscheidender Bedeutung, um physikalische Artefakte zu entfernen und die Modellleistung zu verbessern.

Eine Studie veröffentlicht In Lebensmittelinnovationen und Fortschritte ist besonders wichtig für die Kaffeeindustrie, wo die Überprüfung der geografischen Herkunft für die Gewährleistung der Authentizität und Qualität der Produkte von entscheidender Bedeutung ist.

Die Studie verglich vier Schwingungsspektroskopie-Tools – dispersive Nahinfrarot- (DG-NIR), nahinfrarote hyperspektrale Bildgebung (HSI-NIR), abgeschwächte Fourier-Transformations-Infrarot-Totalreflexion (ATR-FTIR) und Raman-Spektroskopie – unter Verwendung verschiedener Vorverarbeitungstechniken klassifizieren Kaffeeproben aus Indonesien, Äthiopien, Brasilien und Ruanda.

Diese erste Untersuchung zielte darauf ab, die notwendigen Vorverarbeitungsmethoden zu identifizieren und potenzielle Ausreißer zu erkennen. Zu den größten identifizierten Herausforderungen zählten drei Spektraldatenprobleme: Offsets, Steigungen und Krümmungen, die sich auf die Signalgenauigkeit auswirken.

Versätze, die typischerweise durch instrumentelle Drift oder inkonsistentes Partikelmahlen verursacht werden, wurden in den Daten nicht gefunden. Es wurden jedoch Steigungen, insbesondere in den Raman-Spektren aufgrund von Fluoreszenzinterferenzen, und Krümmungen im DG-NIR und HSI-NIR aufgrund von Lichtstreuung beobachtet. Diese Nichtlinearitäten, die aus unterschiedlichen Probenoberflächeneigenschaften resultieren, wurden durch spezielle Vorverarbeitungstechniken gemildert.

Um diesen Herausforderungen zu begegnen, wurden die Spektren vor der weiteren Analyse einer Mittelwertzentrierung unterzogen. In keinem der Datensätze wurden Ausreißer identifiziert, was durch die hohen KNN-Abstände und die reduzierten T2- und Q-Residuentests von Hotelling bestätigt wird, die innerhalb des 95 %-Konfidenzintervalls lagen.

Die Studie hebt hervor, dass Vorverarbeitungsmethoden wie Normalisierung, Streukorrekturen und Spektralableitungen für die Entfernung physikalischer Artefakte unerlässlich sind. Darüber hinaus wurde der Matthew-Korrelationskoeffizient (MCC) als wichtiger Entscheidungsparameter zur Behebung von Datenungleichgewichten verwendet und ermöglichte eine umfassendere Bewertung der Modellleistung als Genauigkeit oder F1-Scores.

Dies ermöglichte die Identifizierung der besten Vorverarbeitungsbehandlungen für jedes Instrument und optimierte die Klassifizierung der Kaffeeherkunft in verschiedenen Ländern.

Laut der Erstautorin der Studie, Dr. Joy Sim, „führt unsere Studie einen systematischen Ansatz zur Auswahl der besten Vorverarbeitungsmethode ein und geht damit auf eine entscheidende Herausforderung in der Schwingungsspektroskopie ein. Diese Arbeit verbessert nicht nur die Klassifizierungsgenauigkeit, sondern bietet auch einen robusten Rahmen für zukünftige Anwendungen.“ bei der Rückverfolgbarkeit von Lebensmitteln.“

Diese Studie ebnet den Weg für nachhaltigere und effizientere Methoden zur Überprüfung der Herkunft von Kaffee und anderen biologischen Materialien und unterstreicht das Potenzial der Schwingungsspektroskopie als leistungsstarkes Instrument zur Gewährleistung der Lebensmittelsicherheit und -qualität mit weitreichenden Anwendungen in der Landwirtschaft und darüber hinaus.

Weitere Informationen:
Joy Sim et al., Optimierung von Schwingungsspektroskopieinstrumenten und Vorverarbeitung für Klassifizierungsprobleme über verschiedene Entscheidungsparameter hinweg, Lebensmittelinnovationen und Fortschritte (2024). DOI: 10.48130/fia-0024-0004

Zur Verfügung gestellt von der Chinesischen Akademie der Wissenschaften

ph-tech