Discriminating Extra Virgin Olive Oils from Common Edible Oils: Comparable Performance of PLS-DA Models Trained on Low-Field and High-Field 1H NMR Data
Notice bibliographique
Résumé
Olive oil, the oil derived from the olive tree (Olea europaea L.), is used in cooking, cosmetics, and soap production. Due to its high value, some producers adulterate olive oil with cheaper edible oils or mislabel cheaper oils to increase profitability. These other edible oils can have chemical profiles similar to extra virgin olive oil but can cause allergies in sensitive individuals. Given these consequences, there is a need for methods to rapidly authenticate olive oils. Nuclear magnetic resonance (NMR) has been used for this purpose, as it requires minimal sample preparation and is non-destructive. By utilizing NMR spectra of the samples and machine learning models trained on known olive oil and edible oils, oil samples can be classified and authenticated. While high-field NMRs are commonly used due to their superior resolution and sensitivity, they are generally prohibitively expensive to purchase and operate, for routine screening purposes. Low-field benchtop NMR presents an affordable alternative. Here, we compared the predictive performance of partial least squares discrimination analysis (PLS-DA) models trained on low-field 60 MHz benchtop 1H NMR and high-field 400 MHz 1H NMR spectra. We demonstrated that PLS-DA models trained on low-field spectra perform comparably to those trained on high-field spectra.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».