Tiểu luận môn Đánh giá cảm quan thực phẩm: Tìm hiểu về ứng dụng của PCA trong phân tích mô tả định lượng

Nội dung bài Tiểu luận môn Đánh giá cảm quan thực phẩm: Tìm hiểu về ứng dụng của PCA trong phân tích mô tả định lượng giới thiệu phương pháp rinciple Component Analysis (PCA), ứng dụng của PCA. Để nắm vững nội dung chi tiết mời các bạn cùng tham khảo tài liệu.

TÌM HIỂU VỀ ỨNG DỤNG CỦA PCA

TRONG PHÂN TÍCH MÔ TẢ ỊN LƢỢNG

DANH SÁCH NHÓM

MỤ LỤ

Chương 1 iới thiệu phương pháp Principle Component Analysis (PCA) 4

1 Khái niệm 4

2 ách tiến hành phương pháp PCA 4

3 Ưu điểm của A: 5

4 Mục đích chính 5

Chương 2 Ứng dụng của A 7

1 Quá trình lên men 7

2 ánh giá cảm quan 8

3 PCA của thuộc tính cảm quan của sản phẩm lên men 8

4 Ứng dụng trong đánh giá cảm quan của sản phẩm sữa 10

4.1 Giới thiệu 10

4.2 Phân tích mô tả định lượng 12

4.3 ịnh nghĩa hương vị cho sản phẩm sữa 13

5 Sử dụng PCA trong chế biến nước ép rau bằng cách lên men lactic 14

5.1 Giới thiệu 14

5.2 Nguyên liệu 15

5.3 Xácđịnh pH : 15

5.4 Xác định Acide: 15

5.5 ánh giá cảm quan của các loại nước ép bắp cải, cà rốt 16

5.6 PHƯƠNG PHÁP THỐNG KÊ 16

5.7 KẾT QUẢ 16

6 Ứng dụng PCA trong sản phẩm sữa tiệt trùng 17

6.1 Tóm tắt 17

6.2 Giới thiệu 17

6.3 PCA 18

TÀI LI U THAM KHẢO 22

hương 1 iới thiệu phương pháp rinciple Component Analysis (PCA)

1 Khái niệm

 Phương ph p Principle Component Analysis (PCA) đây là một thành tựu

của tóan học mà ngày nay được ứng dụng trong rất nhiều lĩnh vực: công nghệ thông tin sinh học tài chính … và công nghệ thực phẩm

 Với dữ liệu cần phân tích ban đầu phụ thuộc nhiều biến vấn đề là c c biến này thường có tương quan với nhau sẽ bất lợi cho việc p dụng c c biến này để xây dựng

c c mô hình tính to n ví dụ: hồi quy… và với số biến giải thích lớn chúng ta sẽ rất khó

để có c i nhìn trực quan về dữ liệu

2 ách tiến hành phương pháp A

gian có cơ sở trực giao tức nếu ta xem mỗi cơ sở trong không gian mới là một biến thì

hình ảnh của dữ liệu gốc trong không gian mới này sẽ được biểu diễn thông qua c c biến độc lập (tuyến tính) Vấn đề là nếu chuyển dữ liệu ban đầu sang không gian mới thì những thông tin đ ng quan tâm của dữ liệu ban đầu liệu có bị mất? ể giải quyết vấn đề này phương ph p PCA sẽ tìm không gian mới với tiêu chí cố gắng phản nh được càng nhiều thông tin gốc càng tốt và thước đo cho kh i niệm "thông tin" ở đây

là phương sai Một điểm hay nữa là c c biến trong không gian mới độc lâp nên ta có thể tính to n được tỷ lệ giải thích phương sai của từng biến mới đối với dữ liệu điều này cho phép ta cân nhắc việc chỉ dùng số ít c c biến để giải thích dữ liệu

 Nói một c ch ngắn gọn mục tiêu của PCA là tìm một không gian mới (với số chiều nhỏ hơn không gian cũ) C c trục tọa độ trong không gian mới được xây dựng sao cho trên mỗi trục độ biến thiên của dữ liệu trên đó là lớn nhất có thể Tiếng Việt

thì dài dòng nhưng tiếng Anh thì mục tiêu này gọi là maximize the variability Ba chữ

này gói gọn ý tưởng chính của PCA

 Minh họa PCA: phép chiếu lên c c trục tọa độ kh c nhau có thể cho c ch nhìn

rất kh c nhau về cùng một dữ liệu

 Một ví dụ kinh điển là hình ảnh về con lạc đà Cùng là một con lạc đà nhưng nếu nhìn từ bên hông thì ta có được đầy đủ thông tin nhất trong khi nhìn từ phía trước thì thật khó để nói nó là lạc đà

3 Ƣu điểm của A:

 Giúp giảm số chiều của dữ liệu

 Thay vì giữ lại c c trục tọa độ của không gian cũ PCA xây dựng một không gian mới ít chiều hơn nhưng lại có khả năng biểu diễn dữ liệu tốt tương đương không

gian cũ nghĩa là đảm bảo độ biến thiên (variability) của dữ liệu trên mỗi chiều mới

 C c trục tọa độ trong không gian mới là tổ hợp tuyến tính của không gian cũ

do đó về mặt ngữ nghĩa PCA xây dựng feature mới dựa trên c c feature đã quan s t được iểm hay là những feature này vẫn biểu diễn tốt dữ liệu ban đầu

 Trong không gian mới c c liên kết tiềm ẩn của dữ liệu có thể được kh m ph

mà nếu đặt trong không gian cũ thì khó ph t hiện hơn hoặc những liên kết như thế không thể hiện rõ

4 Mục đích chính

Phân tích thành phần chính (PCA) được sử dụng cho hai mục tiêu:

 Giảm số lượng các biến bao gồm một bộ dữ liệu trong khi giữ lại các biến đổi trong dữ liệu

 X c định các mô hình ẩn trong dữ liệu, và phân loại chúng theo nhiều cách thông tin lưu trữ trong các dữ liệu

 Khi khai thác một bộ dữ liệu bao gồm nhiều biến (sử dụng thay thế cho nhau với kích thước hạn sau đây) có khả năng là c c tập con của các biến liên quan chặt chẽ với nhau Cho một tương quan cao giữa hai hay nhiều biến số có thể kết luận rằng các biến này là kh dư thừa do đó chia sẻ các nguyên tắc về việc x c định kết ể minh chứng cho lập luận này chúng ta hãy xem xét một ví dụ cơ bản Giả sử chúng ta đã đo được 2 tham số (tức là tính đại diện bởi số lượng bằng số) của một hình phẳng đó là

chiều dài và chiều rộng của hình dạng mà x c định một kết quả nào đó quan tâm Từ việc kiểm tra quan sát của chúng tôi chúng tôi đã nhận thấy rằng hai thuộc tính này dường như có mối tương quan tích cực Do đó chúng ta có thể thay thế chúng bằng một biến mới nhất là khu vực của hình dạng, mà vẫn nắm bắt hầu hết các thông tin về hình dạng được cung cấp bởi chiều dài và chiều rộng của nó

 Trong bộ dữ liệu đa biến, giảm kích thước của PCA cho phép chúng ta phân tích dữ liệu của chúng tôi trong một không gian có thể nhìn thấy 2 chiều (2D) hoặc 3D, với chỉ một lỗ đơn thuần của thông tin

 C c iều kiện tiên quyết cơ bản - Sự tương quan

Kể từ khi PCA là chủ yếu quan tâm đến việc x c định mối tương quan trong dữ liệu đầu tiên chúng ta hãy tập trung chú ý đến ý nghĩa của sự tương quan Sự tương quan đo lường đồng thời thay đổi trong các giá trị của hai hay nhiều biến Có rất nhiều

mô hình để mô tả hành vi bản chất của một sự thay đổi đồng thời trong các giá trị, chẳng hạn như tuyến tính, hàm số mũ định kỳ và nhiều hơn nữa Các mối tương quan tuyến tính được sử dụng trong PCA

 Các cách tiếp cận trực quan để x c định mối tương quan

Một khía cạnh hình ảnh của tương quan có thể thu được bằng c ch đại diện cho mỗi một trong một cặp của các biến như một trục trong một hệ tọa độ Descartes nơi các giá trị của các biến là điểm được vẽ trên mặt phẳng (hình 1) Tương quan trong quan điểm này, các biện ph p như thế nào mô hình chúng tôi tin rằng mô tả các xu hướng của c c điểm trong đồ thị, phù hợp với xu hướng thực sự trong đồ thị

Hình 1: đồ thị phân tán của các cặp biến

Nó là vô cùng quan trọng để hiểu những khía cạnh hình ảnh của mối tương quan

để sử dụng đúng c ch nó Sự hiểu biết đó có thể cung cấp cái nhìn sâu sắc rất quan trọng về cơ cấu trong các dữ liệu được phân tích và ngăn chặn sai số tiềm tàng có thể xảy ra bằng cách trực tiếp giải thích kết quả thu được từ số chạy thủ tục tính toán

hương 2 Ứng dụng của A

1 Quá trình lên men

 Ứng dụng phân tích thành phần chính (PCA) là một công cụ đ nh gi cảm quan cho các sản phẩm thực phẩm lên men

 Phân tích thành phần chính (PCA) đã x c định s u thành phần chính quan trọng chiếm hơn 90% phương sai trong c c dữ liệu thuộc tính cảm quan Chất lượng sản phẩm tổng thể được mô hình hóa như là một chức năng của c c thành phần chủ yếu được sử dụng nhiều nhất là hình vuông hồi quy (R2=0 8) Kết quả từ PCA đã được phân tích thống kê bằng phân tích phương sai (ANOVA) Những ph t hiện này chứng minh tính hữu ích của phân tích mô tả định lượng để x c định và đo lường c c thuộc tính sản phẩm thực phẩm lên men rất quan trọng cho sự chấp nhận của người tiêu dùng

 Lên men là qu trình trao đổi chất qua đó chất hữu cơ bị biến đổi dưới t c dụng của c c men (enzyme) vi sinh vật C c vi sinh vật thường được sử dụng để lên men là vi khuẩn nấm men nấm mốc Thực phẩm lên men là những thực phẩm dưới

t c dụng của c c vi sinh vật có lợi thủy phân c c polysaccharides protein và lipid tạo

ra những sản phẩm với hương vị kết cấu vừa ý và hấp dẫn người tiêu dùng Trong số

c c sản phẩm thực phẩm lên men thực phẩm lên men từ sữa được sử dụng rộng rãi như là thực phẩm lành mạnh và được coi như là một phần quan trọng trong chế độ ăn uống Sự kết hợp của vi khuẩn probiotic trong chế độ ăn uống đã được tăng lên trong

c c sản phẩmlên men ở Châu Âu Hoa Kỳ và châu Á

 Sử dụng một phương ph p thống kê đa biến tức là phân tích thành phần chính (PCA) cùng với phân tích mô tả định lượng (QDA) để phân tích c c biến thể của vật chất và tính chất cảm quan của thực phẩm lên men sau khi lên men Hoạt động PCA làm cho nó có thể phân biệt c c mẫu thực phẩm và cũng để x c định c c biến quan trọng nhất trong một ma trận dữ liệu đa biến

 Phân tích thành phần chính (PCA) là một kỹ thuật thống kê phân tích đa biến được sử dụng rộng rãi có thể được p dụng cho dữ liệu QDA để giảm tập hợp c c biến phụ thuộc (ví dụ thuộc tính) đến một bộ nhỏ hơn của c c biến tiềm ẩn (được gọi là c c yếu tố) dựa trên mô hình của tương quan giữa c c biến ban đầu PCA của c c mẫu thực phẩm lên men được thực hiện theo phương ph p sau đây Dữ liệu được thu thập

từ hội đồng thử sau khi ghi qua thang đ nh gi hưởng thụ C c dữ liệu thuộc tính kh c nhau đã nêu ở trên đã được sắp xếp tăng dần hoặc theo thứ tự giảm dần và đưa vào phần mềm SPSS 16 trong chế độ xem dữ liệu Sau đó dữ liệu đã được giảm bằng c ch phân tích dữ liệu và c c biến độc lập và phụ thuộc đã được lựa chọn một không gian hai chiều của c c mẫu phân tích đã thu được

2 ánh giá cảm quan

Sự xếp hạng về cảm gi c của từng sản phẩm như hình dạng kết cấu sản phẩm hương vị cảm nhận về mùi độ chua và sự chấp nhận tổng thể được xem xét trong trường hợp này C c chỉ tiêu được mô tả bởi độ chua hương vị có liên quan với sự

ph t triển của vi khuẩn kh c nhau cũng như bổ sung trong một số trường hợp Ví dụ sản phẩm thực phẩm lên men probiotic có tính axit hơn so với c c sản phẩm thực phẩm trước khi lên men ối với tất cả c c sản phẩm thực phẩm với ngoại lệ của c c mẫu thực phẩm kiểm so t chủ yếu trong sữa chua mà có một hệ gel yếu sau khi hình thành hầu hết c c người thử tuyên bố "thích rất nhiều” Hội đồng thử ghi nhận sự kh c

biệt đ ng kể ( p < 0 05) trong miệng cảm thấy trong những sản phẩm và những người

kiểm so t được lựa chọn và kết luận rằng c c loại thực phẩm lên men được chế biến

từ probiotic thì tốt hơn Trong thí nghiệm này QDA của sản phẩm sữa lên men được thực hiện bằng c ch ghi thông qua thang đ nh gi hưởng thụ và sữa chua đông thường

có hương vị hơi chua bề mặt sản phẩm rất trơn tru mịn và có màu trắng có tính thống nhất tuyệt vời đã được coi là “rất rất thích” và đã được ghi là 9 tức là số điểm cao nhất trong c c mẫu sữa đem đi thử được thu thập bởi những người thử và bằng

c ch này c c điểm dần dần được thực hiện 8 đến 1 theo c ch sau đây: bề mặt mịn hương vị vừa có tính axit tính nhất qu n tốt và sữa đông màu trắng được coi là “rất thích” và đã được ghi là 8; bề mặt hơi thô mẫu nhất qu n sữa đông được coi là

“thích” và đã được ghi là 7; bề mặt thô có chứa có c c hạt vật chất thô có chua hơn màu sữa đông hơi vàng được coi là “hơi thích” và đã được ghi là 6; có tính chua hơn màu vàng hơn lỏng lẻo không nhất qu n được coi “không thích cũng không ghét” và

đã được ghi là 5; có hương vị độ chua cao không được coi là “không thích lắm” và đã được ghi là 4; cấu trúc lỏng lẻo mùi không hấp dẫn màu vàng đậm được coi là

“Không thích” và đã được ghi là 3; lớp dầu ở trên không thể chấp nhận trong hương vị được coi là “ghét” và đã được ghi là 2 và c c mẫu sữa đông với màu xanh thẩm có hương vị vô cùng kém được coi là “rất ghét” và đã được ghi là 1 tức là điểm thấp nhất được thu thập bởi hội đồng thử

3 A của thuộc tính cảm quan của sản phẩm lên men

Một phần mềm SPSS phiên bản 16 0 đã được sử dụng để phân tích c c thuộc tính cảm quan của sản phẩm thực phẩm lên men bằng c ch sử dụng phân tích thành phần chính (PCA) và phương sai tối đa đã được tìm thấy để thu được 98% và số điểm của PCA này có thể kết luận rằng loại này c c sản phẩm thực phẩm lên men đều được chấp nhận tiêu thụ Một phân tích hai chiều của c c thành phần chính đã cố gắng sử dụng c c ma trận dữ liệu thành phần thể hiện trong Bảng:

Bảng 3 :Bảng ma trận thành phần của sữa bò lên men và sữa đậu nành lên men với sáu chỉ tiêu hình dạng, kết cấu, hương vị, cảm nhận về mùi hương, độ chua, sự

chấp nhận chung

Hai thành phần chính là PC 1 và PC 2 được trích xuất chiếm 57 6% của phương sai và 11.6% phương sai tương ứng trong s u hệ thống biến trong trường hợp lên men sữa bò và 57 2% của phương sai và 12 5% phương sai tương ứng trong s u hệ thống biến trong trường hợp lên men sữa đậu nành Weightage tối đa đã được tìm thấy trong trường hợp của PC 1 trong cả hai trường hợp của sữa bò và sữa đậu nành lên men tức

là 57 6% và 57 2% tương ứng của biến Một c ch kiểm tra ANOVA được thực hiện

để x c định xem có sự kh c biệt đ ng kể xảy ra trong c c mẫu thực phẩm trong qu trình lên men và bảo quản hay không phải từ sự kh c biệt về gi trị trung bình xảy ra trong cùng một hàng

Bảng 2: Bảng xác định mô tả thuật ngữ, định nghĩa và nguyên vật liệu được sử dụng để phân tích mô tả định lượng của các sản phẩm thực phẩm lên men

Sữa bò và sữa đậu nành được lên men bởi S.thermophilus

4 Ứng dụng trong đánh giá cảm quan của sản phẩm sữa

Lưu ý: Nghiên cứu đ nh gi cảm quan của sản phẩm sữa được tiến hành trên

toàn thế giới

Các kỹ thuật phân tích cảm gi c đã ph t triển thành công cụ mạnh mẽ để tìm hiểu

sự xuất hiện hương vị và kết cấu các thuộc tính của các sản phẩm sữa lái xe sở thích của người tiêu dùng Các kỹ thuật hiện đại, cảm giác có thể giúp xử lý sữa phát triển sản phẩm mới đang rất hấp dẫn cho người tiêu dùng Họ cũng cho phép bộ vi xử lý để tối ưu hóa của một sản phẩm hương vị, kết cấu và màu sắc để thu hút mục tiêu cụ thể khán giả cũng như gi m s t chính x c chất lượng sản phẩm

4.1 Giới thiệu

 Các ngành công nghiệp sữa đã đi một chặng đường dài kể từ đầu những năm

1900, khi nó bắt đầu phát triển các kỹ thuật để đ nh gi c c sản phẩm sữa để kích thích

sự quan tâm và giáo dục trong khoa học sữa Trong c c phương ph p truyền thống mà nổi lên đ nh giá và phân loại các sản phẩm sữa thông thường liên quan đến một hoặc hai huấn luyện "chuyên gia" cho điểm chất lượng về sự xuất hiện hương vị và kết cấu của sản phẩm dựa trên sự có mặt hay vắng mặt của các khuyết tật được x c định trước Những công cụ này có thể giúp x c định các biến thể trong c c phương ph p đ nh gi cảm quan sữa truyền thống có một số thuộc tính liên quan với các biến chế, thiếu sót

về địa lý: họ không thể dự đo n được sự chấp nhận của người tiêu dùng; khu vực sản xuất, mùa sản xuất, vv và giúp đ nh gi chất lượng của họ chủ quan; giải quyết nhiều vấn đề quan trọng kh c cho điểm định lượng sữa là khó khăn; và họ không kết hợp bộ

vi xử lý và tiếp thị Báo cáo này nhấn mạnh tầm quan trọng của phân tích mô tả như là một công cụ cảm giác cho các sản phẩm sữa và trình bày một vài ví dụ về phân tích như thế nào cảm gi c đã được áp dụng thành công để giải quyết cụ thể thách thức

trong ngành công nghiệp sữa Phân tích định hướng xếp hạng thuộc tính với điểm chất lượng theo định hướng tình cảm (Claassen và Lawless, 1992)

Hình 1 cho thấy hồ sơ mô tả cảm giác của hai Cheddare

 Pho m t đó đã nhận được cùng loại của phân loại truyền thống kỹ thuật Với bảy trong số 11 thuộc tính hương vị đo như là kh c nhau đ ng kể giữa hai loại pho mát, nhận thức hương vị của hai mẫu thực sự là khá khác nhau Sử dụng c c phương pháp truyền thống của c c đ nh gi tuy nhiên c c sản phẩm này với c c đặc tính cảm quan rất kh c nhau nhưng không có khiếm khuyết sẽ có được điểm chất lượng tương

tự

 Một điểm chung cho tất cả c c phương ph p đ nh gi cảm quan là họ sử dụng con người như là dụng cụ đo Có rất nhiều loại kiểm tra cảm giác, sự khác biệt là kiểm