ترکیب ACE، PLS-R و SVM-R برای تشخیص سریع تقلب در نمونه‌های زعفران با طیف‌سنجی تبدیل فوریه مادون قرمز بازتابی منتشر

خمین دقیق خلوص زعفران برای اطمینان از یکپارچگی محصول، به ویژه در حضور تقلبات شیمیایی رایج مانند تارترازین، سانست یلو و کینولین یلو ضروری است. این مطالعه الگوریتم انتظارات شرطی متناوب (ACE) را همراه با طیف‌سنجی تبدیل فوریه مادون قرمز بازتابی منتشر (DRIFTS) به عنوان یک رویکرد کموارتیک نوآورانه برای حل این چالش معرفی می‌کند. الگوریتم ACE از تبدیل‌های بهینه برای هر دو متغیر مستقل و وابسته استفاده می‌کند، روابط غیرخطی را آشکار کرده و اثرات خطی بین متغیرهای تبدیل شده را به حداکثر می‌رساند. برای آماده‌سازی داده‌های طیفی برای مدل‌سازی ACE، هموارسازی میانگین متحرک و تبدیل متغیر نرمال استاندارد (SNV) را برای پیش‌پردازش انجام دادیم. سپس از الگوریتم دوپلکس برای انتخاب مجموعه‌های کالیبراسیون و پیش‌بینی از ماتریس داده پیش‌پردازش شده استفاده کردیم. اثربخشی مدل ACE با استفاده از معیارهای مختلفی از جمله ضریب تعیین (R2)، ضریب تعیین تعدیل‌شده (R2-adj)، مجموع مربعات خطا (SSE)، مجموع مربعات رگرسیون (SSR) و میانگین مربعات خطا (MSE) ارزیابی شد. مدل ACE عملکرد عالی در تعیین محتوای زعفران حتی در حضور تقلباتی مانند تارترازین، سانست یلو و کینولین یلو، در هر دو مجموعه کالیبراسیون و پیش‌بینی نشان داد. مدل ما در هر دو مجموعه داده به عملکرد عالی دست یافت. در مجموعه کالیبراسیون، مقدار بالای R2 (0.9951) نشان‌دهنده همبستگی قوی بین محتوای زعفران پیش‌بینی شده و مشاهده شده در مدل است. مقدار R2-adj (0.9950) با در نظر گرفتن پیچیدگی مدل، این نتیجه را بیشتر تقویت می‌کند و نشان می‌دهد که مدل از برازش بیش از حد اجتناب می‌کند. این یافته‌ها با معیارهای Robustness تکمیل می‌شوند. پارامترهای آماری مدل ACE، مانند مجموع مربعات کل (SST) (1.1033104)، SSR (1.0983104)، SSE (54.414) و MSE (0.878)، برای مقایسه عملکرد روش‌های توسعه یافته برای تعیین غلظت زعفران در هر نمونه مخلوط محاسبه شد.

Accurate estimation of saffron purity is essential for ensuring product integrity, particularly in the presence of common chemical adulterants such as tartrazine, sunset yellow, and quinoline yellow. This study introduces the alternating conditional expectations (ACE) algorithm, coupled with diffuse reflectance infrared Fourier transform spectroscopy (DRIFTS), as an innovative chemometric approach to address this challenge. The ACE algorithm utilizes optimal transformations for both independent and dependent variables, revealing non-linear relationships and maximizing linear effects between transformed variables. To prepare the spectral data for ACE modeling, we will perform moving average smoothing and Standard Normal Variate (SNV) transformation for preprocessing. Subsequently, we will employ the duplex algorithm to select both calibration and prediction sets from the preprocessed data matrix. The effectiveness of the ACE model was evaluated using several metrics, including the coefficient of determination (R2), adjusted R-squared (R2-adj), sum of squared errors (SSE), Regression Sum of Squares (SSR) and mean squared error (MSE). ACE model exhibited excellent performance in determining saffron content even in the presence of adulterants like tartrazine, sunset yellow, and quinoline yellow, on both calibration and prediction sets. Our model achieved excellent performance on both datasets. On the calibration set, a high R2 value (0.9951) indicates a strong correlation between predicted and observed saffron content in the model. The R2-adj (0.9950) further strengthens this conclusion by accounting for model complexity, suggesting the model avoids overfitting. These findings are complemented by robustness measures. The statistical parameters of the ACE model, such as total sum of squares (SST) (1.1033104), SSR (1.0983104), SSE (54.414), and MSE (0.878), were calculated to compare the performance of the developed methods for determining Saffron’s concentration in each mixed sample.