| کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
|---|---|---|---|---|
| 1199722 | 1493546 | 2015 | 7 صفحه PDF | دانلود رایگان |
کلمات کلیدی
1.مقدمه
2. مواد و روش ها
2.1 مواد شیمیایی و معرف
2.2. نمونه ها
2.3 ابزار دقیق
2.4 رویه‌های تحلیلی
2.4.1. تهیه نمونه
2.4.2. آنالیز HPLC-UV
2.5 ساخت اثر انگشت LC
2.6 رویکرد شیمی سنجی
3. نتایج و بحث
3.1 بدست آوردن ماتریس اثر انگشت نماینده (R-FpM)
شکل 1. روش کلی مورد استفاده برای ساخت ماتریس اثر انگشت نماینده (R-FpM) از روغنهای خوراکی کسری استرول ها.
3.2 روشهای کنترل الگوی بدون نظارت اعمال شده بر اثر انگشت کسر استرول ها
3.2.1 تحلیل مولفه اصلی
3.2.2. تحلیل خوشه سلسله مراتبی
شکل 2. نمودار پراکندگی برای PC1 و PC2 بدست آمده هنگامی که PCA به ماتریس اثر انگشت نماینده (R-FpM) اعمال می شود.
شکل 3. (الف) کروماتوگرام‌های از قبل پردازش شده روغنهای خوراکی آنالیز شده. (ب) بارگذاری طرح PC1.
شکل 4. دندروگرام روغنهای آنالیز شده با توجه به ماتریس اثر انگشت آن (R-FpM) خوشه بندی شده است.
جدول 1. ارقام شایسته مدل تبعیض PLSDA.
3.3 روشهای نظارت بر الگوی اعمال شده بر اثر انگشت کسری استرول ها
جدول 2. 2 × 2 جدول احتمالی برای مدل PLSDA بر اساس اثر انگشت نماینده روغنهای خوراکی LC.
4. نتیجه گیری
• An easy method to discriminate virgin olive from other edible oils is proposed.
• A representative fingerprint matrix from HPLC chromatograms is obtained.
• The discrimination model proposed presents an adequate prediction capability.
A method to discriminate virgin olive oil from other edible vegetable oils such as, sunflower, pomace olive, rapeseed, canola, corn and soybean, applying chemometric techniques to the liquid chromatographic representative fingerprint of sterols fraction, is proposed. After a pre-treatment of the LC chromatogram data – including baseline correction, smoothing signal and mean centering – different unsupervised and supervised pattern recognition procedures, such as principal component analysis (PCA), hierarchical cluster analysis (HCA), and partial least squares-discriminant analysis (PLSDA), have been applied. From the information obtained from PCA and HCA, two groups can be clearly distinguished (virgin olive and the rest of vegetable oils tested) which have been used to discriminate between two defined classes by means of a PLSDA model. Five latent variables (LVs) explained 76.88% of X-block variance and 95.47% of the defined classes block (γ-block) variance. A root mean square error for calibration and cross validation of 0.10 and 0.22 respectively, confirmed these results and a root mean square error for prediction of 0.15 evidences that the classification model proposed presents an adequate prediction capability. The contingency table also shows the good performance of the model, proving the capability of the LC-R-FpM, to discriminate virgin olive from other vegetable edible oils.
Journal: Journal of Chromatography A - Volume 1380, 6 February 2015, Pages 64–70