Clasificación y cuantificación del aceite de sésamo en aceites comestibles y mezclas adulteradas mediante...

Área de la Ciencia:

• Química analítica
• Ciencias de la alimentación
• Inteligencia artificial

Sus antecedentes:

• La adulteración de aceite de sésamo con aceites más baratos es una preocupación significativa.
• Los métodos precisos de autenticación y cuantificación son esenciales para el control de calidad.

Objetivo del estudio:

• Evaluar modelos basados en IA para clasificar los aceites comestibles.
• Para cuantificar el contenido de aceite de sésamo en mezclas adulteradas utilizando datos espectrales de RMN de 1H.

Principales métodos:

• Se empleó la espectroscopia de resonancia magnética nuclear de protones (1H NMR).
• Se utilizaron modelos de Inteligencia Artificial (IA) que incluyen PCA-LDA, SVM y 1D-CNN para la clasificación y la regresión.
• Para la comparación se utilizaron la regresión por mínimos cuadrados parciales (PLSR) y la regresión por vectores de soporte (SVR).

Principales resultados:

• Todos los modelos de clasificación (PCA-LDA, SVM, 1D-CNN) lograron una precisión del 100%.
• El modelo 1D-CNN demostró un rendimiento de regresión superior (RMSEP = 1,03, R2 = 0,999) para la cuantificación del aceite de sésamo.
• El modelo 1D-CNN predijo con precisión el contenido de aceite de sésamo con un margen de error del 2% en las muestras de ensayo externas.

Conclusiones:

• Los modelos de IA, en particular el 1D-CNN, muestran un alto potencial para la detección y cuantificación confiables de la adulteración del aceite de sésamo.
• El aprendizaje profundo explicable integrado con la espectroscopia de RMN ofrece una solución robusta para el análisis de aceite comestible.
• Este enfoque garantiza la autenticidad de los alimentos y la protección del consumidor.