Η αυθεντικότητα του ελαιολάδου εξακολουθεί να αποτελεί μία από τις σημαντικότερες προκλήσεις για τη βιομηχανία ελαιολάδου και τους οργανισμούς ελέγχου τροφίμων. Σε αυτό το πλαίσιο, ερευνητική ομάδα του Wuhan Polytechnic University ανέπτυξε μια νέα αναλυτική μεθοδολογία που μπορεί να εντοπίζει γρήγορα και με ακρίβεια τη νοθεία του ελαιολάδου, μέσω της συνδυασμένης χρήσης φασματοσκοπίας Raman, πυρηνικού μαγνητικού συντονισμού χαμηλής συχνότητας (LF-NMR) και προηγμένων τεχνικών μηχανικής μάθησης.
Τα αποτελέσματα της μελέτης, που δημοσιεύθηκε στο επιστημονικό περιοδικό Food Chemistry με τίτλο «Rapid identification of olive oil adulteration based on information fusion combining Raman and LF-NMR with chemometrics», δείχνουν ότι ο συνδυασμός διαφορετικών πηγών αναλυτικών δεδομένων βελτιώνει σημαντικά την ικανότητα ανίχνευσης δόλιων μιγμάτων και επιτρέπει την ακριβή ποσοτικοποίηση της πραγματικής περιεκτικότητας ελαιολάδου σε ένα δείγμα.
Συνδυασμός δεδομένων για ενίσχυση της αυθεντικότητας του ελαιολάδου
Η έρευνα βασίστηκε στην ανάλυση καθαρών ελαίων και μιγμάτων που παρασκευάστηκαν με διαφορετικές αναλογίες ελαιολάδου και άλλων φυτικών ελαίων. Για τον σκοπό αυτό, οι επιστήμονες συνδύασαν δύο συμπληρωματικές τεχνολογίες.
Από τη μία πλευρά, η φασματοσκοπία Raman παρείχε λεπτομερείς πληροφορίες σχετικά με τη μοριακή σύνθεση των δειγμάτων. Από την άλλη, ο πυρηνικός μαγνητικός συντονισμός χαμηλής συχνότητας (LF-NMR) προσέφερε δεδομένα που σχετίζονται με τις φυσικές και δομικές ιδιότητες των ελαίων.
Η ενοποίηση των δύο τεχνικών δημιούργησε ένα πολυτροπικό σύστημα ανάλυσης ικανό να συλλέγει μεγαλύτερο όγκο χρήσιμων πληροφοριών για τον εντοπισμό πιθανών νοθεύσεων.
Μηχανική μάθηση για την ανίχνευση απάτης στα τρόφιμα
Μετά τη συλλογή των φασματικών δεδομένων, οι ερευνητές εφάρμοσαν διάφορες στρατηγικές επιλογής μεταβλητών και αναλύσεις συσχέτισης για να εντοπίσουν τα πιο σημαντικά χαρακτηριστικά κάθε δείγματος.
Στη συνέχεια, χρησιμοποίησαν διαφορετικά χημειομετρικά μοντέλα και αλγορίθμους μηχανικής μάθησης για την ταξινόμηση των ελαίων και την πρόβλεψη των αναλογιών ανάμειξης. Μεταξύ όλων των εργαλείων που αξιολογήθηκαν, ο αλγόριθμος XGBoost παρουσίασε τις καλύτερες επιδόσεις.
Το μοντέλο πέτυχε ακρίβεια ταξινόμησης 90,74% στην αναγνώριση δέκα διαφορετικών κατηγοριών ελαίων και συντελεστές προσδιορισμού (R²) άνω του 0,90 στην ποσοτικοποίηση δυαδικών και τριαδικών μιγμάτων, αποδεικνύοντας υψηλή προγνωστική ικανότητα.
Μεγαλύτερη διαφάνεια μέσω εξηγήσιμης τεχνητής νοημοσύνης
Ένα από τα σημαντικότερα στοιχεία της μελέτης είναι η ενσωμάτωση τεχνικών εξηγήσιμης τεχνητής νοημοσύνης (Explainable AI) μέσω της ανάλυσης SHAP (SHapley Additive Explanations).
Το εργαλείο αυτό επέτρεψε στους ερευνητές να προσδιορίσουν ποιες φασματικές μεταβλητές και ποιοι παράμετροι χαλάρωσης επηρέασαν περισσότερο τις αποφάσεις των προγνωστικών μοντέλων, προσφέροντας μεγαλύτερη διαφάνεια και ερμηνευσιμότητα στα αποτελέσματα.
Σύμφωνα με τους συγγραφείς, η προσέγγιση αυτή διευκολύνει την κατανόηση των μηχανισμών που υποστηρίζουν την ανίχνευση νοθείας και ενισχύει την εμπιστοσύνη στην πρακτική εφαρμογή αυτών των εργαλείων στα συστήματα ελέγχου τροφίμων.
Προς ταχύτερες και εφαρμοστέες επιτόπιες μεθόδους
Οι ερευνητές επισημαίνουν ότι ο συνδυασμός φασματοσκοπικών τεχνικών, πυρηνικού μαγνητικού συντονισμού χαμηλής συχνότητας και προηγμένων μοντέλων ανάλυσης δεδομένων δημιουργεί νέες προοπτικές για την ανάπτυξη ταχέων συστημάτων πιστοποίησης της αυθεντικότητας του ελαιολάδου.
Η αυξανόμενη πολυπλοκότητα των πρακτικών νοθείας και η ανάγκη διασφάλισης της ποιότητας και της αυθεντικότητας των ελαίων που διατίθενται στην αγορά ενισχύουν την αναζήτηση πιο αποτελεσματικών μεθόδων, οι οποίες θα συμπληρώνουν τις παραδοσιακές αναλυτικές διαδικασίες.
Σε αυτό το πλαίσιο, το σύστημα που ανέπτυξε το Wuhan Polytechnic University θα μπορούσε να αποτελέσει τη βάση για μελλοντικά εργαλεία ταχείας επιθεώρησης, ενισχύοντας τους μηχανισμούς ποιοτικού ελέγχου και συμβάλλοντας στην προστασία των καταναλωτών, των παραγωγών και όλων των φορέων της αγροδιατροφικής αλυσίδας.
Πηγή: Oleorevista
