Classification of Peruvian Flours via NIR Spectroscopy Combined with Chemometrics

Abstract

En la actualidad, los alimentos nutritivos tienen un gran impacto en las dietas saludables. En particular, la maca, la avena, las habas, la soja y el algarrobo se utilizan ampliamente de diferentes formas en la dieta diaria de muchas personas debido a sus componentes nutricionales. Sin embargo, muchos de estos alimentos comparten ciertas similitudes físicas con otros de menor calidad, lo que dificulta su identificación con certeza. Se han realizado pocos estudios para encontrar diferencias utilizando técnicas prácticas con una preparación mínima y en duraciones cortas. En este trabajo, se utilizó el análisis de componentes principales (PCA) y la espectroscopia de infrarrojo cercano (NIR) para clasificar y distinguir las muestras en función de sus propiedades químicas. Los datos espectrales se trataron previamente para resaltar aún más las diferencias entre las muestras determinadas mediante PCA. Los resultados indican que los datos espectrales brutos de todas las muestras tenían patrones similares y sus respectivos resultados del análisis de PCA no se pudieron utilizar para diferenciarlos. Sin embargo, los datos pretratados diferenciaron los alimentos en grupos separados según los gráficos de puntuación. La principal diferencia fue una banda de CO que correspondía a un modo de vibración a 4644 cm −1 asociado con el contenido de proteínas. El PCA combinado con el análisis espectral se puede utilizar para diferenciar y clasificar alimentos utilizando muestras pequeñas a través de las propiedades químicas de sus superficies. Este estudio aporta nuevos conocimientos para la identificación más precisa de los alimentos, incluso si están combinados.

Nowadays, nutritional foods have a great impact on healthy diets. In particular, maca, oatmeal, broad bean, soybean, and algarrobo are widely used in different ways in the daily diets of many people due to their nutritional components. However, many of these foods share certain physical similarities with others of lower quality, making it difficult to identify them with certainty. Few studies have been conducted to find any differences using practical techniques with minimal preparation and in short durations. In this work, Principal Component Analysis (PCA) and Near Infrared Spectroscopy (NIR) were used to classify and distinguish samples based on their chemical properties. The spectral data were pretreated to further highlight the differences among the samples determined via PCA. The results indicate that the raw spectral data of all the samples had similar patterns, and their respective PCA analysis results could not be used to differentiate them. However, pretreated data differentiated the foods in separate clusters according to score plots. The main difference was a C-O band that corresponded to a vibration mode at 4644 cm−1 associated with protein content. PCA combined with spectral analysis can be used to differentiate and classify foods using small samples through the chemical properties on their surfaces. This study contributes new knowledge toward the more precise identification of foods, even if they are combined.