Development and application of a new low cost electronic nose for the ripeness monitoring of banana using computational techniques (PCA, LDA, SIMCA, and SVM)

Abstract

Se ha estudiado la posible aplicación de una nariz electrónica basada en semiconductores de óxido metálico (e-nariz) como un instrumento que no sea destructivo para el seguimiento del cambio en la producción de volátiles de plátano durante el proceso de maduración. La propuesta de e-nariz no necesita ningún equipo de laboratorio avanzado o caro y resultó ser fiable en la grabación de las diferencias significativas entre las etapas de maduración. El Análisis de Componentes Principales (PCA), Análisis Discriminante Lineal (LDA), Modelado Suave Independiente de las Analogías de Clases (SIMCA) y Máquinas Soporte de Vectores (SVM) son técnicas utilizadas para este propósito. Los resultados mostraron que la dirección de la e-nariz distingue entre las diferentes etapas de maduración. La nariz electrónica fue capaz de detectar una clara diferencia en la huella digital de aroma de plátano cuando se utiliza el análisis de SVM en comparación con PCA o LDA y SIMCA. Utilizando el análisis de SVM, era posible diferenciar y clasificar las diferentes etapas de maduración de plátanos, y este método fue capaz de clasificar el 98,66% del total de muestras en su grupo respectivo. Las capacidades matrices de sensores en la clasificación de etapas de maduración usan el análisis de la carga y la SVM y SIMCA También se ha visto que conduce a desarrollar un sistema de e-nariz específico mediante la aplicación de los sensores más eficaces y a ignorar los sensores redundantes

Potential application of a metal oxide semiconductor based electronic nose (e-nose) as a non-destructive instrument for monitoring the change in volatile production of banana during the ripening process was studied. The proposed e-nose does not need any advanced or expensive laboratory equipment and proved to be reliable in recording meaning¬ful differences between ripening stages. Principal Component Analysis (PCA), Linear Discriminant Analysis (LDA), Soft Independent Modelling of Class Analogy (SIMCA) and Support Vector Machines (SVM) techniques were used for this purpose. Results showed that the proposed e-nose can distinguish between different ripening stages. The e-nose was able to detect a clear difference in the aroma fingerprint of banana when using SVM analysis compared with PCA and LDA, SIMCA analysis. Using SVM analysis, it was possible to differentiate and to classify the different banana ripening stages, and this method was able to classify 98.66% of the total samples in each respective group. Sensor array capabilities in the classification of ripening stages using loading analysis and SVM and SIMCA were also investigated, which leads to develop the application of a specific e-nose system by applying the most effective sensors or ignoring the redundant sensors.