Validation of two discriminant strategies applied to NIRS data spectra for detection of animal meals in feedstuffs | Validación de dos estrategias discriminantes para la detección de harinas animales en piensos aplicadas a datos espectroscópicos NIRS

Español; castellano. Para el desarrollo de aplicaciones cualitativas o cuantitativas con datos espectroscópicos, como los obtenidos mediante espectroscopia de infrarrojo cercano (NIRS), se han propuesto diferentes metodologías basadas en la estadística matemática y la literatura informática. Entre las alternativas quimiométricas, han surgido las máquinas de vectores soporte (SVM), ampliamente utilizadas para el modelado no linear de sistemas de múltiples variables. Estos métodos quimiométricos de clasificación se evalúan en base al porcentaje de aciertos. El objetivo del presente trabajo ha sido desarrollar y validar una metodología sólida, discriminante, precisa y rápida haciendo uso de la información NIRS para detectar la presencia de harinas animales, prohibidas en piensos compuestos para determinadas especies. Para ello, se evaluaron dos estrategias quimiométricas diferentes, un método lineal modificado basado en mínimos cuadrados parciales y un método de análisis no lineal basado en máquinas de vectores soporte. Los resultados mostraron que el modelo modificado PLS permite obtener coeficientes de determinación para la validación cruzada en torno a 0,97. En lo referente al SVM, con esta estrategia no se detectó ningún falso negativo. Con ambas estrategias el porcentaje más bajo de la clasificación errónea de las muestras en una validación externa se logró con SVM, 0% utilizando muestras patrón certificadas con un contenido en harinas animales entre el 0,05% y el 4%. Los resultados obtenidos han demostrado que la estrategia SVM es el método más robusto de clasificación para la detección de harinas animales en piensos mediante metodología NIRS.

Inglés. For developing qualitative or quantitative applications with spectroscopic data, such as near infrared spectroscopy (NIRS), different methodologies have been proposed in the mathematical statistical and computer science literature. Useful chemometrical alternatives have emerged, such as support vector machines (SVM), widely used for modeling multivariate and non-linear systems. These methods are usually compared using the classification performance and the success of results. The aim of the present work was to develop and validate a robust, accurate and fast discriminant methodology based on NIRS data to detect presence of animal meals in feedstuffs. A linear method, modified partial least square (PLS) analysis and one non-linear method (SVM) were studied. Results showed that modified PLS model allows obtaining coefficients of determination for cross validation around 0.97. Applying SVM strategy no false negatives were detected during training step. With both strategies the lowest percentage of misclassified samples on external validation was achieved with SVM, 0% with certified standard samples containing from 0.05% to 4% of animal meals. These results show SVM strategy as a robust method of classification for detecting animal meals in feedstuffs using NIRS methodology.