متعامدسازی پارامتر خارجی-ماشین بردار پشتیبان برای پردازش طیف‌های مادون قرمز میانی بازتاب کل تضعیف شده: یک راه حل برای اصالت زعفران

در کار حاضر، یک رویکرد جدید مبتنی بر اورتوگونالیزاسیون پارامترهای خارجی همراه با ماشین بردار پشتیبان (EPO-SVM) برای پردازش طیف‌های طیف‌سنجی تبدیل فوریه مادون قرمز میانی با بازتاب کل تضعیف‌شده (ATR-FT-MIR) پیشنهاد شده است، با هدف حل مشکل شناسایی زعفران که گران‌ترین ادویه جهان است. ابتدا، صد نمونه زعفران اصیل با استفاده از تحلیل مؤلفه‌های اصلی (PCA) و EPO به عنوان بهترین استراتژی پیش‌پردازش خوشه‌بندی می‌شوند. سپس، از EPO-SVM برای شناسایی چهار نوع تقلب رایج گیاهی (یعنی گلرنگ، گل همیشه بهار، روبیا و کلاله) در مخلوط‌های دوتایی (زعفران و هر یک از تقلب‌های گیاهی) استفاده شده و عملکرد آن با سایر روش‌های معمول دسته‌بندی مقایسه می‌شود.نتایج به‌دست‌آمده نشان داد که روش EPO-SVM دارای دقت دسته‌بندی بسیار بهتری (>95%) نسبت به سایر روش‌ها (دقت <89.2%) است.

در نهایت، دو مجموعه نمونه مختلف شامل مخلوط زعفران و چهار گونه گیاهی تقلبی و نمونه‌های زعفران تجاری برای اعتبارسنجی مدل توسعه‌یافته EPO-SVM استفاده شدند. در این راستا، شاخص‌های عملکرد دسته‌بندی از نظر حساسیت، اختصاصیت و دقت به ترتیب 96.6٪، 97.1٪ و 96.8٪ بود که نشان‌دهنده عملکرد خوب دسته‌بندی بودند. نتیجه‌گیری می‌شود که روش‌های پیشنهادی EPO-PCA و EPO-SVM می‌توانند به‌عنوان ابزارهای قابل اعتماد برای احراز هویت و تشخیص تقلب در نمونه‌های زعفران در نظر گرفته شوند.

In the present work, a new approach based on external parameter orthogonalization combined with support vector machine (EPO-SVM) is proposed for processing of attenuated total reflectance-Fourier transform mid-infrared (ATR-FT-MIR) spectra with the goal of solving authentication problem in saffron, the most expensive spice in the world. First, one-hundred authentic saffron samples are clustered by principal component analysis (PCA) with EPO as the best preprocessing strategy. Then, EPO-SVM is used for the detection of four commonly used plant-derived adulterants (i.e. safflower, calendula, rubia, and style) in binary mixtures (saffron and each of plant adulterants) and its performance is compared with other common classification methods. The obtained results showed that the EPO-SVM approach has a much better classification accuracy (>95%) than other methods (accuracy<89.2%).

Finally, two different sample sets including mixture of saffron and four plant adulterants and commercial saffron samples are used for validation of the developed EPO-SVM model. In this regard, classification figures of merit in terms of sensitivity, specificity and accuracy were respectively 96.6%, 97.1%, and 96.8% which showed good classification performance. It is concluded that the proposed EPO-PCA and EPO-SVM approaches can be considered as reliable tools for authentication and adulteration detection in saffron samples.