Tecniche strumentali innovative per la caratterizzazione delle percezioni sensoriali – Milano 17 febbraio 2009 Dott. Susanna Buratti 1 Naso Elettronico

1

“Tecniche strumentali innovative per la caratterizzazione delle percezioni sensoriali” – Milano 17 febbraio 2009

Dott. Susanna Buratti

Naso Elettronico e

Lingua Elettronica

Esempi di applicazione in campo alimentare

2



Non è quindi sorprendente che numerosi sforzi siano stati prodotti in questi ultimi anni per introdurre sul mercato strumenti che operano con principi simili a quelli olfattivi e gustativi umani: il "NASO ELETTRONICO" e la “LINGUA ELETTRONICA”.

La percezione degli ODORI e dei SAPORI da parte dell’uomo è di fondamentale importanza nella valutazione della qualità dei prodotti alimentari.

3



• La lingua elettronica analizza matrici liquide ed i sensori sono direttamente immersi nel campione liquido.

• Il naso elettronico è specifico per i composti volatili ed i sensori analizzano lo spazio di testa del campione.

Naso elettronico vs lingua elettronica:

4



Mappa dei segnali derivanti dai sensori

Naso elettronico

Lingua elettronica

L’insieme delle risposte dei sensori del naso e della lingua elettronica creano una “mappa” di segnali aspecifici che costituiscono il PROFILO DEL PRODOTTO detto anche FOOD FINGERPRINT

5



Birra e bevande alcoliche- Controllo materie prime- Caratterizzazione e

determinazione dell’origine geografica

- Monitoraggio (on line) delle fasi di produzione

Carne e derivati- Rancidità- Studi di composizione- Odori estranei

Applicazioni del naso e della lingua elettronica in campo alimentare

Prodotti della pesca- Freschezza

Latte e derivati- Odori estranei nel latte- Caratterizzazione e

determinazione dell’origine geografica

-Valutazione dell’intensità odorosa

Prodotti vegetali- Freschezza- grado di maturazione

6



Controllo di qualità:

•Studi di shelf-life

•Valutazione della presenza di contaminati

Caratterizzazione e determinazione della tipicità dei prodotti

Confronti e correlazioni con i risultati dell’analisi sensoriale.

Applicazioni del naso e della lingua elettronica in campo alimentare

7



L’aroma quale attributo della shelf life

Durante la conservazione di un prodotto alimentare il profilo aromatico cambia per effetto di alcune reazioni degradative (ossidazione, crescita microbica, attività lipolitiche o proteolitiche)

Il tipo di composti volatili e la loro concentrazione può essere analiticamente determinata con tecniche SPME-GC-MS (very time consuming!)

L’impronta aromatica può essere qualitivamente caratterizzata mediante l’impiego del naso elettronico. Quest’ultima tecnica è particolarmente semplice e rapida.

8



8°C

15°C

0 3 4 5 6 7 10

0 3 7 9 13 15 17 20 22 31

Tempo cons (giorni)

T°cons (°C)

Analisi

Composizione (t=0):Acqua, proteine, grassi,

ceneri, cloruri

Durante CONS:pH, Acidità,colore (L a b)

Durante CONS:Naso elettronico,

Applicazioni del naso elettronico:Case study 1: la shelf life della crescenza

S. Benedetti, N. Sinelli, S. Buratti, M. Riva. Shelf life of Crescenza Cheese as Measured by Electronic Nose. J. Dairy Sci. 88 3044-3051 (2005).

9



Naso elettronico

In studi di shelf life, la risposta dei sensori aumenta o dimimuisce in relazione al tempo di conservazione del prodotto

Alcuni sensori sono più efficaci nel classificare/discriminare i campioni

MO

SFE

T

MO

S

Mappa della risposta dei sensori

10



PCA Score Plot

Lo score plot (per 6 sensori selezionati) evidenzia una direzione di discriminazione dei campioni (da sinistra a destra) in funzione del tempo di conservazione della crescenza alle due temperature stabilite

11



Una tecnica di raggruppamento applicato al set completo dei dati (risposta dei sensori x campioni) consente l’individuazione di possibili classi E come si evidenzia dal dendrogramma la possibilità si suddividere I campioni in freschi vecchi e molto vecchi.

Cluster Analysis

freschi

vecchi

Molto vecchi

Dendrogramma

12



Discriminant Functions

Function 1 (77.7% of variance)

6420-2-4-6

Fu

nct

ion

2 (

22

.3%

of

vari

ace

)

4

2

0

-2

-4

-6

-8

-10

Centroids

Unknow n Samples

Very Old

Old

Fresh

Classificazione (LDA)

Dopo aver individuato le possibili classi, il data set può essere impiegato per creare un modello di classificazione da utilizzare per scopi predittivi, cioè in grado di prevedere lo stato di conservazione di campioni sconosciuti

3 freschi e 4 molto vecchi Proiezione delle tre classi nello spazio definito dalle due funzioni discriminanti della LDA

13



Springcrest:

Silver Rome

Earlymaycrest

Maycrest

Golden delicious

Fuji

Stark delicious

Applicazioni del naso elettronico: Case study 2: valutazione del grado di maturazione della frutta

0 3 7 9 14 17 19 22

T°cons (°C) Tempi di cons.

20°C

20°C

0 1 2 5 6 7 8 11

T°cons (°C) Tempi di cons.

Analisi

Alla raccolta (t=0):Colore, peso

Durante CONS:Naso elettronico,

dosaggio dell’etilene

0 3 7 9 14 17 19 22

S. Benedetti, S. Buratti, A. Spinardi, S. Mannino, I. Magnani. Electronic nose as a non-destructive tool to characterise peach cultivars and to monitor their ripening stage during shelf life. Postharvest Biology and Technology 47, 181-188 (2008).

14



Risultati analoghi

per le altre

cultivar di mele!!!

“Stark” “Springcrest”

PCA Score Plot

Risultati analoghi

per le altre

cultivar di pesche!!!

15



Sensore con capacità discriminate

Sensore con capacità discriminate

PCA Loading Plot dei campioni di pesche durante la maturazione

PCA Loading Plot dei campioni di mele durante la maturazione

16



UNRIPE RIPE OVERRIPE

UNRIPE RIPE OVERRIPE

Parametrizzazione e definizione delle classi di maturazione

Unripeness limit

Ripeness limit

Unripeness limit

Ripeness limit

17



Naso e lingua elettronica nella caratterizzazione e determinazione della tipicità dei prodottiLa necessità di salvaguardare e valorizzare alimenti a denominazione d’origine, alimenti tipici della produzione nazionale, ha portato negli ultimi anni ad una più puntuale caratterizzazione e ricerca di elementi tipici nelle diverse matrici alimentari.

18



Applicazioni del naso e della lingua elettronica: Case study 3: caratterizzazione di vini barbera a

denominazione d’origine.

Cinquantatre campioni di vini barbera DOC lombardi e piemontesi:

23 barbera Oltrepò Pavese (Pavia)

12 barbera Piemonte (Asti, Alessandria,Cuneo)

11 barbera Asti (Asti, Alessandria)

5 barbera Alba (Cuneo)

Analisi

Composizione fenolica:Polifenoli totali;

assorbanza alle lunghezze d’onda di 280, 320, 370,

520 nm.

Analisi Chimiche tradizionali:

Acidità totale volatile,pH, conducibilità, alcool, estratto totale, rH

Analisi sensoriale strumentale:

Naso elettronico, lingua elettronica, colore

S. Buratti, S. Benedetti, M. Scampicchio, E.C. Pangerod. Characterization and classification of Italian Barbera wines by using an electronic nose and an amperometric electronic tongue. Analytica Chimica Acta, 525 133-139 (2004).

19



Nell’area definita dalle prime due componenti principali vi è una chiara separazione dei campioni in base alla loro regione d’origine.

=Barbera Oltrepò Pavese; =Barbera Piemonte; =Barbera Asti; = Barbera Alba

Barbera Piemonte

Barbera Asti e Alba

I migliori risultati sono stati ottenuti considerando solo i dati del naso e della lingua elettronica

Lombardia

Piemonte

20



Proiezione delle quattro classi di vini barbera nello spazio definito dalle due funzioni discriminanti della LDA

Cross validation error rate: 1.89%

Classificazione (LDA)

Oltrepò Pavese

Piemonte

Asti

Alba

21



Studio delle relazioni tra le risposte del naso e della lingua e le proprietà sensoriali degli

alimenti

Quando la sicurezza e l’apporto di nutrienti sono garantiti, i parametri sensoriali diventano il fattore discriminante nella definizione della qualità di un prodotto alimentare.

I parametri sensoriali possono essere valutati con metodologie complesse e “time-consuming”, quali l’impiego di panel test, praticamente inapplicabili in molti settori del controllo di qualità.

Il naso elettronico e la lingua elettronica sono metodologie analitiche obiettive che permettono di valutare le caratteristiche olfattive e gustative di un alimento in modo rapido.

22



Applicazioni della lingua elettronica: Case study 4: caratterizzazione di Tè e

determinazione dell’astringenza

Campioni sottoposti all’analisi:

1 tè verde in foglie

2 tè verde in bustina

2 tè oolong in foglie

1 tè nero in foglie

1 tè nero in bustina

1 tè nero deteinato in bustina

23



samples AAE CT0 CA0 C00 AE1 cpa(AAE) cpa(CT0) cpa(CA0) cpa(C00) cpa(AE1)tea verde 1 -101.61 -32.99 -95.96 -72.8 -104.76 -17.19 -10.75 -5.37 -9.84 -48.67tea verde 2 (foglia) -93.38 -20.75 -93.47 -80.32 -94.45 -13.18 -7.87 -3.96 -14.81 -43.93tea verde 3 -101.64 -30.74 -95.64 -73.66 -102.28 -17.16 -10.49 -5.2 -9.75 -48.38oolong 1 -82.77 -3.34 -85.65 -87.13 -64.73 -9 -5.09 -2.14 -18.74 -32.18oolong 2 -78.5 1.99 -82.83 -87.27 -59.38 -9.63 -4.8 -2.66 -19.9 -31.17nero 1( deca) -72.34 10.72 -76.22 -74.96 -14.94 -6.16 -2.77 -0.6 -17.49 -15.78nero2 ( foglia) -78.44 -1.85 -77.39 -87.79 -29.99 -6.94 -3.65 -0.7 -27.13 -20.2nero 3 -75.19 -1.77 -74.27 -61.34 -32.41 -8.56 -4.16 -1.18 -11.68 -23.23

Taste sensor output

Parametri di conversione (Weber-Fechner’s Law)

samples Sourness Bitterness Astringency aftertaste B aftertaste A Umami Richness Saltinesstea verde 1 -31.82 7.42 11.305 2.065 12.265 16.005 7.22 8.315tea verde 2 (foglia) -30.995 9.5 11.61 3.11 11.07 14.71 5.535 5.225tea verde 3 -31.71 7.73 11.27 2.05 12.19 16.01 7.21 7.75oolong 1 -28.4 11.915 9.67 3.935 8.11 13.035 3.78 0.84oolong 2 -27.465 12.385 9.665 4.18 7.855 12.365 4.04 -0.5nero 1( deca) -25.275 11.395 4.04 3.675 3.975 11.39 2.585 -2.7nero2 ( foglia) -25.665 12.135 4.43 5.7 5.09 12.35 2.915 0.465nero 3 -24.625 8.44 4.825 2.455 5.855 11.845 3.595 0.445

Taste information

24



PCA BiPlot

AstringenAstringenzaza

valutazionvalutazione e sensorialesensoriale

non fermentato

parzialmente fermentato

fermentato

Sovrapposizione dello Score plot relativo agli 8 campioni di tè del Loading plot dei descrittori del gusto maggiormente significativi

25



Correlazione risultante tra

l’analisi sensoriale e la lingua

elettronica

y = 2.0357x

r=0.977

0

2

4

6

8

10

12

14

0 1 2 3 4 5 6 7

astringenza (sensoriale)

as

trin

ge

nza

(lin

gu

a e

lett

ron

ica

)

26



1. Alto Adige Pinot Nero2. Brusco dei Barbi3. Morellino di Scansano4. Primitivo del Salento5. Valcalepio Rosso 6. Irpinia Aglianico7. Valtellina Superiore

Inferno8. Vallagarina Negrara9. Sangiovese Novello10. Lacrima di Morro d’Alba11. Dolcetto di Dogliani12. Oltrepò Pavese Bonarda13. La Segreta Rosso 14. Colline Novaresi15. Suvereto Rosso Val di

Cornia

Applicazioni del naso e della lingua elettronica: Case study 5: predizione di descrittori sensoriali

e della qualità globale di vini rossi secchi

Analisi

Composizione fenolica:Polifenoli totali;

Antocianine totali; Flavonoidi totali;

Flavonoidi non antocianici;

Analisi sensoriale:panel di 8 giudici esperti

ONAV

Analisi sensoriale strumentale:

Naso elettronico, lingua elettronica, colore

S. Buratti, D. Ballabio, S. Benedetti, M.S. Cosio. Prediction of Italian red wine sensorial descriptors from electronic nose, electronic tongue and spectophotometric measurements by means of Genetic Algorithms regression models. Food Chemistry 100 211-218 (2007)

27



Risultati analisi sensoriale

1 2 3 4 5 6 7 8 9

Aroma fruttato

Aroma speziato

Aroma legno

Acido

Amaro

Flavour fruttato

Flavour speziato

Flavour legno

Alcohol

Astringenza

Corpo

Qualità totale

Boxplot dei punteggi assegnati dagli assaggiatori come media, deviazione std. valore max e min dei descrittori sensoriali

Pu

nte

gg

i b

en

dis

trib

uit

i su

lla s

cala

di g

iud

izio

28



Analisi multivariata dei dati

Costruzione dei modelli predittivi dei descrittori sensoriali

La procedura di validazione (Metodo Bootstrap)

DATASETDATASET

Tutte le variabiliTutte le variabili

Modelli matematici Modelli matematici

predittivi e informativipredittivi e informativi

Variabili selezionateVariabili selezionate

Algoritmi Algoritmi

GeneticiGenetici

Una popolazione di modelli di regressione viene generata e modificata mediante un processo evolutivo

29



Modelli di regressione dei descrittori sensoriali

variabili coinvolte nei modelli risultati migliori in predizione

Coefficienti di regressione in fitting (R2) e predizione (Q2bootstrap e Q2leave-one-out) dei modelli di regressione dei descrittori sensoriali

Buona accuratezza in predizioneBuona performance in fitting

30



Conclusioni

Lingua e naso artificiali presentano indubbi vantaggi, quali: Facilità di utilizzo; Velocità di risposta; Versatilità di

impiego; Assenza di pretrattamenti del campione; Oggettività delle analisi.

Possono essere di utile supporto alle analisi chimico-fisiche ed all’analisi sensoriale.

Il costo di tali strumenti può essere ammortizzato quando sono necessari controlli ripetuti e continui

Il Naso Elettronico e la Lingua Elettronica sono tecniche promettenti per il controllo di qualità, per la valutazione dell’autenticità dei prodotti di qualità e per predire le caratteristiche sensoriali dei prodotti

alimentari.

31



Grazie per l’attenzione!

32



Documents

Tecniche strumentali innovative per la caratterizzazione delle percezioni sensoriali – Milano 17 febbraio 2009 Dott. Susanna Buratti 1 Naso Elettronico