La elección de una estrategia de extracción de características depende en gran medida de la cantidad de información química que se desee recuperar del análisis, así como del esfuerzo computacional requerido para generar los modelos de datos.
La cromatografía de gases acoplada a la espectrometría de movilidad iónica (GC-IMS) permite un análisis rápido, fiable y económico de la composición química de mezclas volátiles. Esta tecnología de sensores se ha empleado con éxito en la ciencia de los alimentos para determinar su origen y frescura y prevenir el fraude alimentario. Sin embargo, los datos de GC-IMS son muy dimensionales, complejos y experimentan importantes faltas de linealidad, problemas de referencia, desalineaciones, superposiciones de picos, colas de picos largas, etc., todo lo cual debe corregirse para extraer correctamente las características relevantes de las muestras.
En este estudio, se presenta un flujo de trabajo para el preprocesamiento de señales, seguido de cuatro enfoques diferentes para la extracción de características en datos GC-IMS. Más concretamente, estos enfoques consisten en extraer características de datos de: (1) el área total del cromatograma de iones reactivos (RIC); (2) la respuesta completa del RIC; (3) la matriz de muestra desplegada; y (4) los volúmenes máximos de iones. Los flujos de trabajo resultantes para el procesamiento de datos se aplicaron a un conjunto de datos que constaba de dos muestras de jamón ibérico de diferentes clases de calidad, en función de su régimen de alimentación. Se evaluó la capacidad de deducir la información química de las muestras comparando los resultados de clasificación obtenidos del análisis discriminante de mínimos cuadrados parciales (PLS-DA) y las puntuaciones de importancia de la variable para la proyección (VIP) de las muestras.
La elección de una estrategia de extracción de características depende en gran medida de la cantidad de información química que se desee recuperar del análisis, así como del esfuerzo computacional requerido para generar los modelos de datos.
Fuente: 3tres3
