Discriminating extra virgin olive oils from common edible oils: Comparable performance of PLS‐DA models trained on low‐field and high‐field <sup>1</sup> H NMR data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
INTRODUCTION: Olive 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 fraudulently mislabel oils as olive to increase profitability. Adulterated products can cause allergic reactions in sensitive individuals and can lack compounds which contribute to the perceived health benefits of olive oil, and its corresponding premium price. OBJECTIVE: There is a need for robust methods to rapidly authenticate olive oils. By utilising machine learning models trained on the nuclear magnetic resonance (NMR) spectra of known olive oil and edible oils, samples can be classified as olive and authenticated. While high-field NMRs are commonly used for 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. METHODS: H NMR spectra. The data were acquired from a sample set consisting of 49 extra virgin olive oils (EVOOs) and 45 other edible oils. RESULTS: We demonstrate that PLS-DA models trained on low-field NMR spectra are highly predictive when classifying EVOOs from other oils and perform comparably to those trained on high-field spectra. We demonstrated that variance was primarily driven by regions of the spectra arising from olefinic protons and ester protons from unsaturated fatty acids in models derived from data at both field strengths.
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.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 découle