Validation of two discriminant strategies applied to NIRS data spectra for detection of animal meals in feedstuffs

  1. Soldado Cabezuelo, Ana Belén
  2. Quevedo Pérez, José Ramón
  3. Bahamonde Rionda, Antonio
  4. Modroño Lozano, S.
  5. Martínez Fernández, Adela
  6. Vicente Mainar, Fernando
  7. Pérez Marín, Dolores
  8. Garrido Varo, Ana
  9. Guerrero Ginel, José Emilio
  10. Roza Delgado, María Begoña de la
Revista:
Spanish journal of agricultural research

ISSN: 1695-971X,  2171-9292

Año de publicación: 2011

Volumen: 9

Número: 1

Páginas: 41-48

Tipo: Artículo

DOI: 10.5424/SJAR/20110901-138-10 DIALNET GOOGLE SCHOLAR lock_openDialnet editor

Otras publicaciones en: Spanish journal of agricultural research

Resumen

Para el desarrollo de aplicaciones cualitativas o cuantitativas con datos espectroscópicos, como los obtenidos mediante espectroscopia de infrarrojo cercano (NIRS), se han propuesto diferentes metodologías basadas en la estadística matemática y la literatura informática. Entre las alternativas quimiométricas, han surgido las máquinas de vectores soporte (SVM), ampliamente utilizadas para el modelado no linear de sistemas de múltiples variables. Estos métodos quimiométricos de clasificación se evalúan en base al porcentaje de aciertos. El objetivo del presente trabajo ha sido desarrollar y validar una metodología sólida, discriminante, precisa y rápida haciendo uso de la información NIRS para detectar la presencia de harinas animales, prohibidas en piensos compuestos para determinadas especies. Para ello, se evaluaron dos estrategias quimiométricas diferentes, un método lineal modificado basado en mínimos cuadrados parciales y un método de análisis no lineal basado en máquinas de vectores soporte. Los resultados mostraron que el modelo modificado PLS permite obtener coeficientes de determinación para la validación cruzada en torno a 0,97. En lo referente al SVM, con esta estrategia no se detectó ningún falso negativo. Con ambas estrategias el porcentaje más bajo de la clasificación errónea de las muestras en una validación externa se logró con SVM, 0% utilizando muestras patrón certificadas con un contenido en harinas animales entre el 0,05% y el 4%. Los resultados obtenidos han demostrado que la estrategia SVM es el método más robusto de clasificación para la detección de harinas animales en piensos mediante metodología NIRS.

Referencias bibliográficas

  • BARNES R.J., DHANOA M.S., LISTER S.J., 1993. Correction of the description of standard normal variate (SNV) and De-Trend transformation in practical spectroscopy with applications in food and beverage analysis. J Near Infrared Spec 1(3), 185-186.
  • CHIH-CHUNG CH., CHIH-JEN L., 2001. LIBSVM : a library for support vector machines. Software available at http://www.csie.ntu.edu.tw/~cjlin/libsvm
  • COGDILL R.P., DARDENNE P., 2004. Least-squares support vector machines for chemometrics: an introduction and evaluation. J Near Infrared Spec 12, 93-100.
  • DE LA ROZA-DELGADO B., 2005. Near Infrared Spectroscopy for enforcement of European Legislation concerning the use of animal by-products in animal feeds. Termes. Biotechnol Agron Soc Environ 9(1), 3-9.
  • DE LA ROZA-DELGADO B., SOLDADO A., MODROÑO S., MARTÍNEZ A., VICENTE F., PÉREZ-MARÍN D.C., GARRIDO-VARO A., GUERRERO J.E., BAYÓN G.F., QUEVEDO J.R., 2007a. NIRS data and support vector machine (SVM) as tool to minimise the risk of false negatives to detect animal meals in feedstuffs. In: Near in action-making a difference. Proceedings of the 12th International Conference on Near infrared Spectroscopy-2005 (Burling-Claridge G.R., Holroyd S.E. and Summer R.M.W., eds). Auckland, New Zealand. pp. 133-139.
  • DE LA ROZA-DELGADO B., SOLDADO A., MARTÍNEZ-FERNÁNDEZ A., VICENTE, F., GARRIDO-VARO A., PÉREZ–MARÍN D., DE LA HABA M.J., GUERRERO-GINEL J.E., 2007b. Application of near infrared microscopy (NIRM) for the detection of meat and bone meals in animal feeds. A tool for food and feed safety. Food Chem 105, 1164-1170. http://dx.doi.org/10.1016/j.foodchem.2007.02.041
  • Fernández-Ahumada E., Fearn T., Gómez A., Vallesquino P., Guerrero J. E., Pérez-Marín D., Garrido-Varo A., 2008. Reducing NIR prediction errors with nonlinear methods and large population of intact compound feedstuffs. Meas Sci Technol 19, 085601. http://dx.doi.org/10.1088/0957-0233/19/8/085601
  • Fernández-Ibáñez V, Fearn T., Montañés E., Quevedo J.R., Soldado A., De La Roza-Delgado B., 2010. Improving the discriminatory power of a near infrared microscopy spectral library with a support vector machine classifier. Appl Spectrosc 64(1), 46-52. http://dx.doi.org/10.1366/000370210790572124
  • Fernández-Pierna J.A., Baeten V., Michoette R., Cogdill R.P., Dardenne P., 2004. Combination of support vector machines (SVM) and near-infrared (NIR) imaging spectroscopy for the detection of meat and bone meal (MBM) in compound feeds. J Chemometr 18, 341-349. http://dx.doi.org/10.1002/cem.877
  • Garrido-Varo A., Pérez–Marín D., Guerrero J. E., Gómez-Cabrera A., De La Haba M. J., Bautista J., Soldado A., Vicente F., Martínez A., De La Roza-Delgado B., 2005. Near Infrared spectroscopy for enforcement of European Legislation concerning the use of animal by-products in animal feeds. Termes Biotechnol Agron Soc Environ 9 (1), 3-9.
  • Joachims T., 1998. Making large-scale support vector machine learning practical Advances in Kernel Methods: Support Vector Machines (Scholkopf B., Burges C., Smola A., eds.) MIT Press, Cambridge, MA, USA.
  • Murray I., Aucott L.S, Pie I.H., 2001. Use of discriminant analysis on visible and near infrared reflectance spectra to detect adulteration of fishmeal with meat and bone meal. J Near Infrared Spec 9, 297-311. http://dx.doi.org/10.1255/jnirs.315
  • Naes T., Isaksson T., Fearn T., Davies T., 2002. A user-friendly guide to multivariate calibration and classification. NIR Publ, Chichester, West Sussex, UK. pp. 221-259.
  • Perez-Marín D., Garrido A., Guerrero J., Murray I., Puigdomenech A., Dardenne P., Baeten V., Zegers J., 2004. Detection and quantification of mammalian meat and bone meal in compound feedingstuffs using NIR. In: Near infrared spectroscopy: Proc. 11th International Conference (Davies A.M.C., Garrido-Varo A., eds.), Norfolk, UK. pp. 667-671.
  • Pérez-Marín D., Garrido-Varo A., Guerrero J. E., Fearn T., Davies A.M. C., 2008a. Advanced nonlinear approaches for predicting the ingredient composition in compound feedingstuffs by near-infrared reflection spectroscopy. Appl Spectrosc 62 (5), 536-541. http://dx.doi.org/10.1366/000370208784344389
  • Pérez–Marín D., Garrido-Varo A., Guerrero J.E., Gómez A., Soldado A., De La Roza-Delgado B., 2008b. External validation and transferability of NIRS models developed for detecting and quantifying MBM in compound feeding stuffs. J Food Quality 31, 96–107. http://dx.doi.org/10.1111/j.1745-4557.2007.00186.x
  • Prince M.J., Bailey J.A., Barrowman P.R., Bishop K.J., Campbell G.R., Wood J.M., 2003. Bovine spongiform encephalopathy. Rev Sci Tech Off Int Epiz 22(1), 37-60. http://dx.doi.org/10.20506/rst.22.1.1389
  • Sellier P., 2003. Protein nutrition for ruminants in European countries, in the light of animal feedings regulations, linked to bovine spongiform encephalopathy. Rev Sci Tech Off Int Epiz 22(1), 259-269. http://dx.doi.org/10.20506/rst.22.1.1395
  • Shenk J.S., Westerhaus M.O., 1991. New standardization and calibration procedure for NIRS analytical systems. Crop Sci 31, 1548-1555. http://dx.doi.org/10.2135/cropsci1991.0011183X003100060034x
  • Shenk J.S., Westerhaus M.O., 1993. Analysis of agriculture and food products by near infrared reflectance spectroscopy. Monograph, Infrasoft International, Port Matilda, PA, USA. 118 pp.
  • Vanciuc O., 2007. Applications of support vector machines in chemistry Rev Comput Chem 23, 291-400.
  • Van Raamsdonk L.W.D., Von Holst C., Baeten V., Berben G., Boix A., De Jong J., 2007. New developments in the detection and identification of processed animal proteins in feeds. Anim Feed SciTech 133, 63-83. http://dx.doi.org/10.1016/j.anifeedsci.2006.08.004
  • Vapnik V., 1998. Statistical learning theory. Wiley Intersci, NY, USA.
  • Von Holst C., Baeten V., Boix A., Slowikowski B., Fernández Pierna J.A., Tirendi S., Dardenne P., 2008. Transferability study of a near-infrared microscopic method for the detection of banned meat and bone meal in feedingstuffs. Anal Bioanal Chem 392, 313-317. http://dx.doi.org/10.1007/s00216-008-2232-4
  • WESTON J., ELISSEEFF A., BAKIR G., SINZ F., 2006. Library of objects in Matlab. Available in http://www.kyb.tuebingen.mpg.de/bs/people/spider
  • Winisi II, 2000. The complete software solution using a single screen for routine analysis, robust calibrations, and networking manual, version 1.5. Foss-Tecator-Infrasoft International, Port Matilda, PA, USA.
Fuente de los datos: Dialnet