DETECCIÓN Y CUANTIFICACIÓN AUTOMATIZADA DE ADULTERACIONES EN ZUMOS DE FRUTAS MEDIANTE ESPECTROSCOPIA NIR EN COMBINACIÓN CON ALGORITMOS DE MACHINE LEARNING

Resumen

La adulteración de alimentos es una práctica ilegal, que implica un fraude económico y puede afectar gravemente a la salud de los consumidores. En este sentido, los zumos son uno de los alimentos más adulterados, generalmente por la adición de agua, azúcares o zumos de frutas menos costosos [1]. Este último es muy popular debido a la mayor complejidad para ser detectado, pero supone un riesgo extra, pues adicionar otros zumos de frutas y no informar al consumidor podría producirle reacciones alérgicas. Por todo ello, se hace necesario disponer de técnicas analíticas adecuadas para caracterizar las muestras y garantizar su autenticidad [2]. En base a lo anterior, el objetivo del presente estudio fue desarrollar una metodología basada en la espectroscopia de infrarrojo cercano (NIR) en combinación con algoritmos de machine learning (ML) para detectar de forma fiable la adulteración de zumos de frutas. Para ello, se evaluaron tres tipos de zumos de fruta 100% exprimidos (piña, naranja y manzana) y se adulteraron con zumo de uva en diferentes proporciones (5%, 10%, 15%, 20%, 30%, 40% y 50%). Los modelos ML utilizados para la detección del adulterante (zumo de uva) fueron: el análisis discriminante lineal (LDA) y las máquinas de vectores soporte (SVM). Ambos obtuvieron un excelente rendimiento, con una accuracy del 97.67% para el LDA y 88.37% para el SVM, en el conjunto de validación. Además, fue necesario aplicar el algoritmo Boruta, el cual selecciono 89 variables como significativas para la cuantificación del adulterante. Con estas variables se crearon los siguientes modelos de regresión de ML: regresión de mínimos cuadrados parciales (PLS) y máquinas de regresión de soporte (SVR). En este caso, el mejor rendimiento se obtuvo para el modelo SVR con un coeficiente de determinación (R2) de 0.989 y una raíz del error cuadrático medio (RMSE) de 1.683 para el conjunto de validación. Estos resultados demuestran el potencial de la espectroscopía NIR en combinación con algoritmos ML para la detección y cuantificación de adulteraciones. Además, esta metodología puede ser utilizada como un método rápido para el control de calidad de los zumos. Por este motivo y, para facilitar la caracterización de los zumos de frutas a otros usuarios, se ha desarrollado un prototipo de aplicación web (https://joseluispecalle.shinyapps.io/Adulteration_Juices_App/) que permite compartirlos algoritmos creados.