ÁREA
Química Analítica
Autores
Cremasco, H. (UNIVERSIDADE FEDERAL DA GRANDE DOURADOS) ; Galvan, D. (UNIVERSIDADE FEDERAL DE SANTA CATARINA) ; Bona, E. (UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ) ; Effting, L. (UNIVERSIDADE ESTADUAL DE LONDRINA) ; Pedrosa Lisboa, T. (UNIVERSIDADE FEDERAL DA GRANDE DOURADOS)
RESUMO
O leite é um alimento comumente passível de adulteração principalmente com a finalidade de diminuição de custo. Uma das análises já utilizadas para verificação de adulteração é a espectroscopia de fluorescência no raio X cuja extração de características pode ser realizada através de PCA. Neste trabalho as 20 componentes principais da PCA aplicada aos dados espectroscópicos de 381 amostras genuínas e adulteradas foram analisados através de uma rede neural do tipo Kohonen devido ao comportamento não linear dos dados. A rede foi capaz de diferenciar as amostras genuínas das amostras adulteradas, fato esse que a PCA não possibilitou. A rede indicou ainda a necessidade de avaliar a classificação quanto ao tipo de leite utilizado e nível de adulteração aplicado.
Palavras Chaves
Redes neurais artificiais; Leite; Adulteração
Introdução
O leite desempenha um papel fundamental como alimento, sendo uma fonte rica em nutrientes essenciais para o crescimento e manutenção da saúde. Dentre os benefícios do consumo deste alimento estão a contribuição para a saúde óssea, o fortalecimento do sistema imunológico e o funcionamento adequado do organismo (VISIOLI et al,2014). No entanto, é importante que haja meios de fiscalização eficazes contra possíveis a adulterações deste alimento. A adulteração compromete qualidade nutricional do produto e pode colocar em risco a saúde dos consumidores. Economicamente, a comercialização de leite adulterado também pode gerar impactos como prejuízos de industrias de laticínios que perdem a credibilidade, entre outros (TIBOLA et al, 2018). Garantir a integridade do leite através de rigorosas inspeções e regulamentações é crucial, mas nem sempre é um processo simples. Dentre as técnicas comumente utilizadas atualmente estão análises cromatográficas, espectroscópicas entre outras (MENDES et al, 2020). Contudo a avaliação dos resultados pode ser um tanto custosa sem o auxílio de ferramentas de análise de dados. Dentre as ferramentas de análise exploratória de dados mais utilizadas estão Análise de Componentes Principais (PCA) e Redes Neurais Artificiais (RNA). Uma RNA que pode ser aplicada a estes casos é a rede do tipo SOM (self- organizing map) ou também conhecidas como Redes de Kohonen. Sua principal característica é a capacidade de agrupar dados de entrada similares em neurônios próximos na rede, de modo que os neurônios vizinhos representem características semelhantes (HAIKIN, 2001). Dessa forma, o objetivo deste trabalho foi aplicar redes do tipo Kohonen para avaliar a segmentação de amostras de leite propositalmente adulteradas e não adulteradas, aqui chamadas de genuínas.
Material e métodos
Dados O banco de dados foi fornecido pelos autores a partir trabalhos prévios já publicados em LELIS, et al. 2022. No trabalho citado, os autores utilizaram a PCA (Análise de Componentes principais) para redução da dimensionalidade do conjunto de dados constituído por 381 espectros de fluorescência de rio X em 141 amostras de Leite Genuínas e 240 amostras de Leite Adulteradas. Foram empregadas amostras com diferentes características, no que tange a qualidade do leite (origem e composição), bem como diferentes níveis de adulteração, informações e mais detalhes podem ser acessadas no trabalho supracitado. No presente trabalho, os dados das primeiras 20 componentes principais capturaram 99,9% da variabilidade dos dados para as amostras, entre Genuínas e Adulteradas. A matriz de escores para as 20 primeiras PCs serviram como dados de entrada para a rede neural do tipo Kohonen para posterior avaliação de formação de clusters. Rede neural artificial do tipo SOM O algoritmo de Kohonen (SOM) foi utilizado conforme descrito em CREMASCO et al. 2016. A topologia da rede utilizada foi hexagonal de 35 × 35 neurônios e foram utilizadas 6000 épocas de treinamento. A relação de vizinhança inicial foi de 1,0, com uma taxa de aprendizagem inicial de 0,2, decaindo exponencialmente com as épocas de treinamento para 1,82373e-04. Processamento dos dados Foi utilizada uma rotina SOM desenvolvida no software MATLAB R2023a conforme o algoritmo descrito em HAYKIN, 2001. Todas as etapas de avaliação dos dados foram realizadas no aplicativo GAMMA-GUI (https://github.com/appGAMMA/GAMMA- GUI_aplicativo).
Resultado e discussão
De acordo com o mapa topológico obtido através da rede, mostrado na Figura 1a,
houve uma separação entre as amostras genuínas e as amostras adulteradas, uma
vez que estão localizadas em regiões bem definidas e distintas no mapa. As
amostras genuínas se concentram sobre a região que conecta os neurônios
posicionados na parte superior esquerda do mapa com a região inferior direita
(Figura 1b). Ainda que a região ocupada pelas amostras genuínas se estenda de
uma ponta a outra do mapa, a proximidade das amostras, ou a inexistencia de
vazios, garante que há semelhanças suficientes entre as amostras para serem
consideradas um único grupo.
Com relação as amostras adulteradas, foram classificadas em duas regiões
distintas. A grande maioria está em neurônios posicionados a direita do mapa,
enquanto um grupo menor foi atribuida a neurônios que ocupam o canto inferior
esquerdo do mesmo (Figura 1c). Estas duas regiões de amostras adulteradas não
estão conectadas o que sugere que existe uma diferença importante entre estas
amostras e, por isso, podem ser entendidas como dois grupos diferentes. Também é
possível notar que na parte superior esquerda do mapa, é onde existem algumas
sobreposições entre amostras adulteradas e genuínas.
A avaliação dos mapas de pesos, Figura 2, mostrou que nenhuma das componentes
utilizadas explica, isoladamente, a formação do mapa topológico. Esse efeito já
era esperado, pois os dados de entrada do SOM são propriamente a matriz de
escores da PCA. Este fato somado a presença de sobreposição de amostras, a
formação de grupos distintos para amostras adulteradas e a região alongada
ocupada por amostras genuínas, são indicativos que o tipo de leite e o nível de
adulteração interferem na
Figura 1 – a) Distribuição amostras, b) Genuínas e \r\nc) Adulteradas
Figura 2 – Distribuição amostras em função do mapa \r\nde peso para a) Componente 1, b) Componente 2 e c) \r\nComponente 3.
Conclusões
A rede Kohonen alimentada pelas 20 componentes principais se mostrou eficiente para capturar efeitos de não linearidade do conjunto de dados para diferenciar as amostras Genuínas e adulterações. A combinação entre PCA-SOM mostrou-se uma ótima alternativa, na qual a PCA permitiu reduzir a dimensionalidade do conjunto de dados, e consequentemente reduzir o tempo de computação do SOM. Foi possível ainda verificar indícios de que o tipo de leite utilizado e o nível de adulteração aplicado podem justificar algumas sobreposições ou formação de grupos distintos de amostras adulteradas.
Agradecimentos
Referências
GALÃO, OLÍVIO FERNANDES ; BONA, EVANDRO ; VALLE, MARCOS EDUARDO . Application of self-organising maps towards segmentation of soybean samples by determination of inorganic compounds content. Journal Of The Science Of Food And Agriculture, v. 96, 306-310, 2016.
HAYKIN, S. Redes Neurais: Princípio e Práticas. 2 ed. Porto Alegre: Bookman, 2001, 900p.
LELIS, C. A.; GALVAN, D.; TESSARO, L.; ANDRADE, J. C; MUTZ, Y. S; CONTE-JUNIOR, C. A. Fluorescence spectroscopy in tandem with chemometric tools applied to milk quality control. Journal of Food Composition and Analysis, n°109, 2022.
MENDES, T., DE, O., MANZOLLI RODRIGUES, B.V., SIMAS PORTO, B.L., ALVES DA ROCHA, R., DE OLIVEIRA, M.A.L., DE CASTRO, F.K., DOS ANJOS, V. DE C., BELL, M.J.V. Raman Spectroscopy as a fast tool for whey quantification in raw milk. Vibrational Spectroscopy, n° 111., 2020.
TIBOLA, C.S., DA SILVA, S.A., DOSSA, A.A., PATRÍCIO, D.I. Economically motivated food fraud and adulteration in Brazil: incidents and alternatives to minimize occurrence. Journal of Food Science, n°83, 2028–2038, 2018.
VISIOLI, F. AND A. STRATA. Milk dairy products, and their functional effects in humans: A narrative review of recent evidence. Advances in Nutrition, n° 5: p. 131-143, 2014.
