Aplicação de técnicas multivariadas em painéis sensoriais de café

Abstract

No setor alimentício é frequente o uso de painéis sensoriais. Esses painéis são formados por um grupo de degustadores treinados que avaliam amostras de produtos em diversos atributos sensoriais e podem ser utilizados para garantir a autenticidade de produtos, assegurar sua qualidade e obter suas características sensoriais. Esta dissertação visa a aplicar técnicas multivariadas em painéis sensoriais de café, com o objetivo de calibrar e selecionar degustadores, prever notas conferidas pelos mesmos e classificar produtos em categorias de qualidade. Para atingir esses objetivos, inicialmente utiliza-se o Índice Alfa de Ledauphin e um índice de aprendizado para simular o efeito do treinamento de degustadores e comparar o desempenho de três diferentes métodos de treinamento. Na sequência, aplica-se uma regressão por mínimos quadrados parciais (PLSR) para prever as notas conferidas pelos degustadores com base em variáveis físico-químicas, selecionando as variáveis mais relevantes para predição através de um índice de importância de variáveis. Por fim, compara-se o desempenho combinado de dois índices de seleção de variáveis baseados em distância de Bhattacharyya e análise de componentes principais (PCA), e três técnicas de classificação - algoritmo do vizinho mais próximo (k-NN), análise linear discriminante (LDA) e rede neural probabilística (PNN) – na classificação de amostras em categorias de qualidade com base em dados espectrais. Com a aplicação dessas técnicas foi possível aprimorar a capacidade preditiva e reduzir a quantidade de variáveis e avaliadores necessários, reduzindo o custo de futuros experimentos.

In the food industry, the utilization of sensory panels is common. Those panels are composed of a group of trained graders that evaluate some samples in a group of sensory attributes, and can be utilized to guarantee the product’s authenticity, assure its quality and obtain its sensory characteristics. This dissertation aims to apply multivariate techniques in sensory panels of coffee products, to train and select graders, forecast the grades given by them and classify products in quality categories. For those purposes, initially the Alfa Index of Ledauphin and a learning index are utilized to simulate the effect of training and compare the performance of three methods of evaluators training. After, a partial least squares regression (PLSR) is applied to forecast the grades given by graders based on physical and chemical variables of the samples, selecting the variables with the best performance using a variable importance index. Last, the combined performance of two variable importance indexes, based on the Bhattacharyya distance and the principal component analysis (PCA), and three classification techniques – the k-nearest neighbor algorithm (k-NN), the linear discriminant analysis (LDA) and the probabilistic neural network (PNN) – are compared when classifying samples based on spectral data. With the use of those techniques, it was possible to increase the predictive capacity and reduce the amount of variables and evaluators utilized, reducing the cost of future experiments.