Multivariate analysis of mineral profile in paprika with protected designation of origin

Abstract

In an increasingly globalized world, food fraud has brought a growing concern in food producers, distributors and also consumers. In this context, food control laboratories play a key role in fraud detection. One possible type of fraud is related to incorrect labelling of products with a Protected Designation of Origin speci cation. From the analytical point of view, one of the main modern techniques for origin detection is the untargeted multivariate analysis, like mineral pro le, followed by an appropriate statistical treatment of the produced data, which its aim is drawing conclusions regarding the origin of the product. In this work machine learning models have been applied to paprika's mineral pro le data with a protected designation of origin for the obtention of classi catory results in terms of the origin of the products. The applied techniques have been Principal Components Analysis, Cluster Analysis, Discriminant Linear Analysis and, for the fi rst time in this type of product, Random Forest method, which has been able to correctly classify all the analyzed samples according to the geographical origin. A global method has been developed including the acquisition of the mineral pro file by means of Mass Spectrometry, and the data processing algorithm, in R language, which can be applied to other paprika designations and presumably to other types of products with Protected Designation of Origin.

En un món cada vegada més globalitzat, el frau alimentari ha generat una preocupació creixent en els productors, distribuïdors i també consumidors d'aliments. En aquest context, els laboratoris de control dels aliments tenen un paper clau en la detecció de fraus. Un possible tipus de frau està relacionat amb l'etiquetatge incorrecte dels productes amb una especificació de la denominació d'origen protegida. Des del punt de vista analític, una de les principals tècniques modernes per a la detecció d'orígens és l'anàlisi multivariant no dirigida, com el perfil mineral, seguit d'un tractament estadístic adequat de les dades produïdes, que té com a objectiu treure conclusions sobre l'origen del producte. En aquest treball, s'han aplicat models d'aprenentatge automàtic a les dades del perfil de pebre vermell amb una denominació d'origen protegida per obtenir resultats classificats en termes d'origen dels productes. Les tècniques aplicades han estat l'anàlisi de components principals, l'anàlisi de clústers, l'anàlisi lineal discriminant i, per primera vegada en aquest tipus de productes, el mètode Random Forest, que ha estat capaç de classificar correctament totes les mostres analitzades segons l'origen geogràfic. S'ha desenvolupat un mètode global que inclou l'adquisició del fitxer mineral pro mitjançant espectrometria de masses i l'algorisme de processament de dades, en llenguatge R, que es pot aplicar a altres designacions de pebre vermell i presumiblement a altres tipus de productes amb denominació d'origen protegida.

En un mundo cada vez más globalizado, el fraude alimentario ha suscitado una creciente preocupación en los productores, distribuidores y consumidores de alimentos. En este contexto, los laboratorios de control de alimentos juegan un papel clave en la detección del fraude. Un posible tipo de fraude está relacionado con el etiquetado incorrecto de productos con una especificación de Denominación de Origen Protegida. Desde el punto de vista analítico, una de las principales técnicas modernas de detección de origen es el análisis multivariado no focalizado, como el perfil mineral, seguido de un adecuado tratamiento estadístico de los datos producidos, cuyo objetivo es sacar conclusiones sobre el origen del producto. En este trabajo se han aplicado modelos de aprendizaje automático a los datos del perfil mineral del pimentón con denominación de origen protegida para la obtención de resultados clasificatorios en cuanto al origen de los productos. Las técnicas aplicadas han sido Análisis de Componentes Principales, Análisis Cluster, Análisis Lineal Discriminante y, por primera vez en este tipo de producto, método Random Forest, que ha podido clasificar correctamente todas las muestras analizadas según el origen geográfico. Se ha desarrollado un método global que incluye la adquisición del perfil mineral mediante Espectrometría de Masas, y el algoritmo de procesamiento de datos, en lenguaje R, que se puede aplicar a otras denominaciones de pimentón y presumiblemente a otro tipo de productos con Denominación de Origen Protegida.