Академический Документы
Профессиональный Документы
Культура Документы
Introduccin
Whisky es una bebida alcohlica con gran aceptacin mundial
Y alto valor comercial. Debido a estos factores, esta bebida
Ha sido un objetivo comn de varios tipos de falsificaciones,
Tales como: la presencia de otro tipo de bebida de color, la dilucin
Con agua y alcohol, y mezclando o reemplazando con otro
Whisky de menor calidad utilizando la botella comercial original. Por lo tanto,
Mtodos que permiten la autenticacin de bebidas son de interes
para los productores, las agencias reguladoras, la
y las instituciones de investigacin criminal (Mackenzie y Aylott, 2004).
Segn Hoffman (2008)el whisky se puede definir como una bebida destilada de
cereales, levadura y agua, que ha sido madurado en barriles de madera durante un cierto
perodo de tiempo. La verificacin de que una bebida cumple los requisitos para ser
clasificada como whisky se puede realizar por referencia anlisis clsico de la
AOAC Official Methods of Analysis Handbook (AOAC, 2000) y
El Manual Operativo de Bebidas y Vinagres del Ministerio de Brasil
de Agricultura, Ganadera y Abastecimiento (Ministerio de Agricultura,
Ganadera y Abastecimiento, 2010)
. Aparte de estos mtodos clsicos, Algunas falsificaciones tambin pueden ser
detectadas por el anlisis visual de la
Botella y caractersticas de contenido, residuos de evaporacin obtenidos,
La medicin del contenido alcohlico y la conductividad elctrica
(Talhavini y da Veiga, 2012).
Sin embargo, estos anlisis no
Son capaces de identificar falsificaciones como el llenado de una botella de alto valor
con un whisky de menor valor. En estos casos, los principales
Mtodos utilizados para confirmar la autenticidad se basan en la
De congneres presentes en whisky por cromatografa de gases.
Junto con la deteccin de espectrometra de masas con inyeccin directa
o por el uso de espacio de cabeza microextraccin en fase slida (Cmara
Et al., 2007; Demyttenaere, Snchez Martnez, Verh, Sandra,
De Kimpe, 2003; Lee, Paterson, Birkmyre, y Piggott, 2001; Wang,
Wang, y Choong, 2004).
Actualmente, las tcnicas de espectroscopia y los mtodos quimiomtricos
Han sido empleados en el anlisis de bebidas y alimentos para
Para mejorar el control de calidad, la deteccin de falsificaciones o adulteraciones,
y la identificacin de origen, entre otros (Alczar, Jurado, Palacios-
Morillo, de Pablos, & Martn, 2012; Bertone, Venturello, Giraudo,
Pellegrino, & Geobaldo, 2016; Botelho, Reis, Oliveira y Sena,
2015; Boyaci, Genis, Guven, Tamer, & Alper, 2012; Ferreira,
Galo, Pallone, & Poppi, 2014; Herranz, de la Serna, Barro, Martin,
& Cabezudo, 1989; Kaya-Celiker, Mallikarjunan, & Kaaya, 2015;
Lachenmeier, 2007; Picque et al., 2006). Entre estos
obra de Mignani et al. (2012) se pueden destacar. Ellos aplicaron
UV-Vis, Near Infrared (NIR) y espectroscopia de fluorescencia para distinguir
Whiskies de malta nica de una mezcla comercial y
para identificar el origen geogrfico de la produccin de la malta nica
En este trabajo se utilizaron 18 muestras / marcas:
2. Materiales y mtodos
2.1. Descripcin de las muestras
2.1.1. Muestras autnticas
Las muestras autnticas consistieron en 164 botellas de dieciocho
Marcas obtenidas a travs de donaciones del Laboratorio Nacional
De Agricultura de Minas Gerais (LANAGRO - MG), DIAGEO
PLC, la Polica Federal de Brasil y adquiri en whisky certificado
distribuidores en tiendas de importacin de certificados de Brasilia, Brasil.
Todas las muestras autnticas adquiridas en Brasilia presentaron importacin
Certificados, documentos presupuestarios. Adems, fueron sellados y
Con los sellos comerciales autnticos. Adems, todas las muestras
de Braslia se analizaron mediante los mtodos de referencia de whisky de rutina
De la Polica Federal Brasilea para asegurar su autenticidad. Esta rutina
Se basa en el anlisis visual de la botella y las caractersticas del contenido,
Residuo de evaporacin, contenido de alcohol y
mediciones de conductividad (Ministerio de Agricultura, Ganadera y
Suministro de 2010. La Tabla 1 muestra la distribucin de estas muestras
Segn su edad y nmero de unidades en cada marca. En adicin,
Se seleccionaron estas marcas para representar algunas de las marcas ms Commer
whisky especia- en Brasil, para permitir la evaluacin de la
Discriminacin entre marcas similares (es decir, Red Label y Black
Etiqueta). El objetivo era evaluar si el mtodo propuesto podra resolver
Casos forenses como una botella de whisky de whisky de mayor calidad
Con un whisky de precio / calidad inferior (por ejemplo, una botella Black Label
Conteniendo la etiqueta roja o Natu Nobilis). Las otras marcas fueron utilizadas
para validar el mtodo con muestras autnticas pertenecientes a marcas
no incluidas en el conjunto de entrenamiento.
X
XA
un 1
t a p T una
d e D1
y
XA
un 1
t un q T una
f2
donde t a es el vector de puntuacin, p A y Q a son las cargas para el latente
la variable A y E y F son las matrices de error de X e Y, respectivamente.
La estimacin del valor de la clase para una muestra desconocida que
un espectro de x i se obtiene por:
^ Y I x i W PW _ 1 q x i B D 3
donde W es la matriz de peso de X, P est cargando matriz de X y q
ganduleaje vector de y, todo obtenido en la etapa de formacin para una variables
latentes
Por el algoritmo PLS-DA. De acuerdo con la ecuacin (3), la formacin
parmetros W, P y Q tambin puede combinarse en un nico vector
b, que puede ser multiplicado por el espectro de la muestra desconocida
y da como resultado el valor estimado de clase (y).
Despus de la optimizacin del modelo, se calcula un umbral de discriminacin
basado en la dispersin de los valores de clase estimados (^ y) para
Las muestras de entrenamiento minimizando la aparicin de falsos positivos
Y errores negativos segn un enfoque bayesiano. Detalles sobre
Los antecedentes matemticos de PLS-DA y la estimacin de umbral
Pueden obtenerse en textos especficos de la quimiometra
donde K (A, A) es una matriz diagonal que contiene los valores propios
asociado con la A variables latentes del modelo PLS-DA.
Para las decisiones objetivas en la deteccin de valores atpicos,
residuos Q y T 2 estadstica pueden estimarse en una cierta probabilidad
nivel. Detalles de la determinacin de estos umbrales
para T 2 y Q residuales pueden obtenerse en la obra de Borin
y Poppi (2004).
_ Los errores en los valores de la clase estimados (y): muestras de la formacin
conjunto que presenta altos errores en los valores de clase fueron identificados por
prueba t de Student para los residuos descritos en la ASTM E1655-
05 [28], teniendo en cuenta la correccin de sesgo sugerido por da
Silva, Talhavini, Zacca, Maldaner, et al. (2014), como sigue:
t de Student; I e i _ sesgo
sesgo RMSEC
Ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
1_hi
pD7
donde e i, y h i son el error en el valor de clase estimado (^ y i _ y i)
para la muestra i, RMSEC sesgo es el error cuadrtico medio estimado
Utilizando las muestras de calibracin / entrenamiento despus de la correccin de
sesgo,
sesgo es el sesgo observado para la clase 1 (class1 sesgo) o 0
(Clase sesgo 0), dependiendo de la muestra considerada, y h i es el
Muestra de apalancamiento estimado como:
hI
XA
un 1
t2i
; un
tT
un t una
D8
Basndose en estos tres criterios, los valores atpicos en las muestras de entrenamiento
se identificaron en dos etapas:
1) Si el espectro de la muestra present del Hotelling T2 y Q
valor residual por encima de los lmites del 99,9%, el espectro
Identificado como un valor atpico y retirado de la formacin
Conjunto de datos;
2) O si un espectro muestral presentaba un alto error para la estimacin
valor de la clase, de acuerdo con la prueba de Residuos
correccin de sesgo definida por la ecuacin (7) por encima del valor crtico de
la distribucin t -Estudiante con 99,9% de confianza y n c -A-
2 grados de libertad, sino que tambin fue identificado como un valor atpico.
el primer criterio se aplic de la misma manera para la validacin
muestras. Por otro lado, la prueba t de Student de residuos
Fue adaptada para establecer el lmite superior para las estimaciones de la
Clase 1 y el lmite inferior para las estimaciones de la clase 0 segn
Las ecuaciones (9) y (10):
2.3.3. Validacin
La validacin del mtodo se realiz con dos mtodos independientes
conjuntos de datos que no se utilizaron en la etapa de entrenamiento,
el primero estaba compuesto de muestras autnticas y el segundo
Una de las muestras falsificadas. Inicialmente, el residuo Q, T 2 y el valor
el valor de la clase estimado (^ y) de una muestra i se comparan con
los respectivos valores umbral de cada parmetro, con un 99,9% de
confianza. Si el valor estimado para Q residual, T2 estaban por encima
los valores de umbral o el valor de la clase (^ y i) estaba fuera de los lmites
definido por las ecuaciones (9) y (10), la muestra i fue o bien no llama
compatible con las muestras / marcas incluidas en la etapa de entrenamiento
o no pertenecientes a las marcas incluidas en la discriminacin
modelo (clases modeladas o clases predefinidas). En un verdadero
Anlisis forense, se podra concluir que esta muestra debera
ser analizada de nuevo para confirmar su estado o analizados por la referencia
con el fin de presentar los resultados de dos estudios independientes
de anlisis y un slido resultado a presentar ante el tribunal. De lo contrario, si los
valores de Q, T 2 estaban por debajo de los umbrales y ^ y i estaba dentro del
lmites para los valores de clase, el resultado del modelo de discriminacin
indic que la muestra perteneca a una de las muestras.
Y el resultado se registra y se incluye en el clculo
de las cifras de mrito para demostrar la eficacia de la propuesta
mtodo, basado en la obra de Trullols, Ruisnchez, y Rius
(2004) y Botelho et al. (2015). Higo. 1S en el
material de muestra el esquema de anlisis adoptados para el anlisis de
Las muestras de validacin.
Las cifras de mrito utilizadas para la validacin de mtodos Fueron estimados
segn las siguientes ecuaciones (Botelho et al., 2015)
Donde FP y FN son el nmero de muestras clasificadas respectivamente
Como falsos positivos y negativos; TP y TN son el nmero de muestras
Clasificados respectivamente como verdaderos positivos y negativos verdaderos; FPR
es el
Tasa de falsos negativos, FPR es la tasa de falsos positivos, STR es la sensibilidad
Tasa, SPR es la tasa de especificidad y EFR la tasa de eficiencia.
3. Resultados
Higo. La figura 1 muestra que hay diferencias en la intensidad entre el
Los espectros de absorbancia de las marcas de whisky, donde Black Label
En Negro) muestra la mayor intensidad y la Natu Nobilis
(Identificado en cian) muestra la menor intensidad. La absorbancia en
La regin UV puede explicarse por la presencia de congneres
Resultado del proceso de maduracin en barricas de roble, la
De compuestos fenlicos voltiles de la quema de turba en el secado
Paso de cebada malteada, as como presencia de caramelo para ajustar
el color de la bebida (Cantarelli et al, 2015;. Mackenzie y Aylott,
2004). Por lo tanto, a partir de la Fig. 1 se concluye que estos factores conducen
A una relacin entre el tiempo de envejecimiento y el contenido de congneres.
Boscolo, Andrade-Sobrinho, Lima-Neto, Franco y Ferreira
De absorcin (2002) UV-vis asociado en la regin cerca de 210 nm
Y 282 nm con la presencia de furfural e hidroximetilfurfural
En bebidas maduras en barricas de roble. Segn ellos, el furfural
Se extrae del barril de roble y hidroximetilfurfural
Es el componente principal del caramelo, siendo este ltimo responsable
Para aproximadamente el 60% de la absorbancia a 282 nm.
Sobre la base de la Fig. 3 C se puede observar que la mayora de las muestras presente
Valores de clase mucho mayores que 1 o menores que 0, han estado fuera de los lmites
De las ecuaciones (9) y (10), indicando que estas muestras provienen de una
Diferente de las utilizadas en la etapa de entrenamiento. Desde el
219 espectros de las muestras falsificadas 127 estn fuera de los lmites
Establecido por las ecuaciones (9) y (10). Este comportamiento fue tambin
observado en todos los dems modelos (Fig. S4). Combinando los resultados de
T 2, los residuos Q y los valores de la clase se puede concluir que la
El modelo de etiqueta roja mostr una buena discriminacin entre Y muestras
autnticas, ya que desde un conjunto que contiene 73 falsificaciones
Slo haba un falso positivo. Las cifras calculadas
de mrito se presentan en la Tabla 3. Se puede ver que la
Mtodo fue capaz de realizar una buena discriminacin entre
Muestras de whisky autnticas y falsificadas, con una clasificacin correcta
Tasa que vara de 93.1 a 100%. Es importante sealar que la
resultados presentados en la Tabla 3 consideran el anlisis de la 73 falsificado
Muestras en cada uno de los modelos de discriminacin desarrollados
Para las siete marcas objetivo. Por lo tanto, considerando todos estos
modelos, 511 predicciones (73 muestras falsificados _ 6 modelos)
Se realizaron con slo 8 errores falsos positivos, dado un promedio
Tasa de discriminacin correcta del 98,4%.
4. Conclusin
La tcnica de espectroscopa UV-Vis combinada con PLS-DA
Demostrado ser un mtodo eficaz para la discriminacin entre los
Siete marcas de whisky. Se adquirieron espectros que slo requeran
Pequeo volumen y sin preparacin de la muestra. La discriminacin propuesta
Modelos fueron prometedores, mostrando un pequeo nmero de valores atpicos
En las marcas predefinidas / modeladas y no ocurrencia de overfitting.
Aunque las publicaciones anteriores en la literatura
Abord la aplicacin de espectroscopia y mtodos quimiomtricos
Para el anlisis de whisky, el mtodo presentado en este trabajo
Ha sido debidamente validado. Se ha utilizado un conjunto de datos representativo.
Se compuso de muestras autnticas y falsificadas de la
siete marcas predefinidas y tambin de muestras autnticas de once
diferentes marcas, lo que resulta en una alta eficiencia global (_ 93,1%).
Por lo tanto, los resultados sugieren que el mtodo
utilizado para certificar el contenido de las botellas de whisky de los siete objetivos
de marcas. Es importante sealar que el rango de aplicacin de
El mtodo puede ampliarse mediante la inclusin de nuevas marcas
(aparte de los siete originales) en la etapa de formacin.