ارتوگونال‌سازی پارامترهای خارجی همراه با ماشین بردار پشتیبان به‌عنوان روشی کارآمد برای تجزیه و تحلیل طیف‌های NIR و ATR-FTIR زعفران به‌منظور ارزیابی تقلب در زعفران با ناخالصی‌های گیاهی

پیش‌پردازش داده‌ها یکی از مهم‌ترین وظایف داده‌کاوی است که شامل آماده‌سازی و تبدیل داده‌ها به فرم مناسب برای فرآیند کاوش داده‌ها می‌شود [1]. پیش‌پردازش داده‌ها به‌ویژه برای داده‌های طیفی که تحت تأثیر تغییرات سیستماتیک و پارامترهای خارجی متعدد قرار دارند، اهمیت دارد [2]. این مطالعه کاربرد طیف‌سنجی نزدیک به مادون قرمز (NIR) و طیف‌سنجی بازتاب کل تضعیف شده (ATR) همراه با پیش‌پردازش ویژه و تکنیک‌های تشخیص الگو را برای ارزیابی تقلب در زعفران با چهار نوع تقلب‌کننده گیاهی (یعنی بخش خامه‌ای زعفران، گل همیشه‌بهار، گلرنگ و روبیا) ارائه می‌دهد. روش پیشنهادی بر روی دو تکنیک طبقه‌بندی متفاوت تحلیل تشخیص جزئیات حداقل مربعات (PLS-DA) و ماشین بردار پشتیبان (SVM) آزمایش شد. ارتوگونال‌سازی پارامتر خارجی (EPO) به عنوان یک تکنیک پیش‌پردازش مؤثر در هر دو مدل اعمال شد. بدین ترتیب، 100 نمونه زعفران تهیه گردید. سپس طیف‌های NIR و ATR نمونه‌ها ثبت شد.نمونه‌ها آسیاب شده و از یک الک عبور داده شدند مطابق با ISO/TS 3632-2. ماتریس داده‌ها با استفاده از تحلیل مولفه‌های اصلی (PCA)، PLS-DA و SVM با تابع هسته‌ای درجه دو تحلیل شد. PCA برای بررسی اولیه احتمال تمایز بر اساس خلوص زعفران و نوع ماده تقلبی استفاده شده انجام شد. روش‌های پردازش و فیلتر مختلفی اعمال شد، اما تمایز بیشتر نمونه‌ها امکان‌پذیر نبود، به جز مورد EPO. بنابراین، داده‌های پیش‌پردازش شده با فیلتر EPO به عنوان ورودی مدل‌ها در مرحله بعدی وارد شدند. ابتدا، تمایز بین نمونه‌های خالص زعفران انجام شد و سپس نمونه‌های زعفران تقلبی بررسی شدند. در تمامی موارد، تمایز بین نمونه‌های زعفران و تقلبی در EPO-QSVM بهتر از EPO-PLS-DA بود و به طور میانگین معیارهای خوب دسته‌بندی شامل حساسیت (۹۱.۵٪)، ویژگی تمایز (۹۳.۵٪) و دقت (۹۲٪) به دست آمد.نتایج به‌دست‌آمده نشان داد که استراتژی پیشنهادی مبتنی بر ترکیب EPO-QSVM با تحلیل سریع NIR و ATR می‌تواند به‌عنوان یک آزمایش سریع برای کنترل کیفیت غذا در نظر گرفته شود.

Data preprocessing is one of the most data mining tasks which include preparation and transformation of data into a suitable form to mining a procedure [1]. Data preprocessing especially important for spectroscopic data that is affected by systematic variation and multiple external parameters [2]. This study presents an application of near infrared (NIR) and attenuated total reflectance (ATR) spectroscopy with special preprocessing and pattern recognition techniques for evaluating saffron adulteration with four characteristic adulterants of plant origin (i.e. C. sativus style, calendula, safflower and rubia). The proposed method was test on two different classification techniques of partial least squares-discriminant analysis (PLS-DA) and support vector machine (SVM). External parameter orthogonalization (EPO) was applied in both model as an efficient preprocessing techniques. In this way, 100 saffron samples were provided. Then, NIR and ATR spectra of the samples were recorded. Samples were grounded and passed through a sieve according to ISO/TS 3632-2. The data matrix was analyzed using principal component analysis (PCA), PLS-DA and SVM with quadratic kernel function. PCA was performed for preliminary exploration of possible differentiation according to the purity of saffron and the type of adulterant used. Different preprocess and filter methods were applied, but differentiation of most samples was not possible, except for the case of EPO. Thus, pre-processed data with EPO filter was included as input to the models in the next step. Firstly, discrimination of pure saffron samples was performed and secondly, adulterated saffron samples were examined. In all cases, discrimination between saffron and adulterated samples was better in EPO-QSVM rather than EPO-PLS-DA and on average good classification figure of merit including sensitivity (91.5%), specificity (93.5%) and accuracy (92%) were achieved. The obtained results illustrated that the proposed strategy based on combining EPO-QSVM with rapid NIR and ATR analysis can be considered as a rapid test for food quality control.