МАС-ЧУТЛИВИЙ СЕНСОРНИЙ МАСИВ ТА МЕТОД РЕГРЕСІЇ НА ЛАТЕНТНІ СТРУКТУРИ ДЛЯ ЕКСПРЕС-ВИЗНАЧЕННЯ ЗАГАЛЬНОЇ КІЛЬКОСТІ МІКРООРГАНІЗМІВ КОВБАС
DOI:
https://doi.org/10.24144/2414-0260.2019.1.68-75Ключові слова:
mass-sensitive sensors, quantity of microorganisms (QMAFAnM), sausage spoilage, prediction, partial least squares regressionАнотація
Стаття присвячена розробленню нової експрес-методики визначення загальної кількості мікроорганізмів ковбасних виробів з використанням масиву п’єзокварцових сенсорів в поєднанні з методом проекції на латентні структури. Масив п’єзокварцових сенсорів використовували для аналізу динаміки зміни складу метаболітів, продукуємих мікроорганізмами протягом псування варених ковбас. Визначали кількість мезофільних аеробних та факультативно-анаеробних мікроорганізмів арбітражним методом паралельно з аналізом складу рівноважної газової фази ковбас з використанням електронного носа. Досліджено інформативність похідних параметрів, вилучених з вихідних статичних відгуків мультисенсорної системи, а саме площ кривих одиничних сенсорів та максимальних змін частот коливання сенсорів, для моделювання регресійних моделей. Порівняно точність регресійних моделей: калібрування та прогнозування показника КМАФАнМ ковбасних виробів. Поєднання методу проекції на латентні структури з параметрами площ кривих п’єзокварцових сенсорів дозволило побудувати надійну прогностичну модель з відносною похибкою вимірювання менше 12%. Коефіцієнти кореляції між прогнозованими та вимірюваними значеннями калібрувальних та тестових наборів даних становили 0.95 та 0.99, відповідно. Впровадження нової методики прогнозування загального мікробного числа ковбас з використанням електронного носа в поєднанні з методом регресії на латентні структури дозволить суттєво зменшити тривалість та знизити собівартість аналізу, уникнути суб’єктивності оцінки результатів. Отримані рекомендації з аналізу багатовимірних даних хімічних сенсорних систем дозволять вирішити аналітичні задачі ефективного контролю якості та безпечності харчових продуктів.Посилання
Izdeliya kolbasnye i produkty iz myasa. Metody bakteriologicheskogo analiza: GOST 9958-81. Vveden 01.01.1981 (in Russ.).
Blekbern K. de V. Mikrobiologicheskaya porcha pishchevykh produktov, SPb.: Professiya, 2011, S. 784 (in Russ.).
Di Rosa A.R., Leone F., Cheli F., et al. Fusion of electronic nose, electronic tongue and computer vision for animal source food authentication and quality assessment – a review. J. Food Eng. 2017, 210, 62–75.
Peris M., Escuder-Gilabert L. Electronic noses and tongues to assess food authenticity and adulteration. Trends Food Sci. Technol. 2016, 58, 40–54.
Qiu S., Wang J. The prediction of food additives in the fruit juice based on electronic nose with chemometrics. Food Chem. 2017, 230, 208–214.
Papadopoulou O.S., Panagou E.Z., Mohareb F.R., et al. Sensory and microbiological quality assessment of beef fillets using a portable electronic nose in tandem with support vector machine analysis. Food Res. Int. 2013, 50(1), 241–249.
Falasconi M., Comini E., Concina I., et al. Electronic nose and its application to microbiological food spoilage screening. In Sensing Technology: Current Status and Future Trends II; Springer International Publishing Switzerland, 2014, 119–140.
Esbensen K.H., Guyot D., Houmøller L.P. Multivariate data analysis – in practice, 5 edition.; Camo Process AS: Oslo, 2004, P. 160.
Rodionova O.E. Khemometrichesky podkhod k issledovaniyu bolshikh massivov khimicheskikh dannykh. Ros. khim. zh. (Zh. Ros, khim. ob-va im. D.I. Mendeleyeva). 2006, L(2), 128–144 (in Russ.).
Shuba A.A. Otsenka sostoyaniya bioprob po rezultatam detektirovaniya massivom pyezosensorov legkoletuchikh aminov razlichnogo stroyeniya i alifaticheskikh kislot: Dis. kand. khim. nauk: 02.00.02, Voronezhsky gosudarstvenny universitet inzhenernykh tekhnology, 2013 (in Russ.).
Hoskuldsson A. Pls regression methods. J. Chemom. 1988, 2, 211–228.
Kovbasy` vareni, sosy`sky`, sardel`ky`, xliby` m'yasni: DSTU 4436:2005.Chy`nny`j vid 01.07.2006 (in Ukr.).
