ES2532032B2 - Método de análisis de bebidas alcohólicas - Google Patents

Abstract

Método de análisis de bebidas alcohólicas.#Esta invención se refiere de forma general a un método para la determinación del origen geográfico de bebidas alcohólicas, en particular para vinos y más particularmente para vinos con denominación de origen protegida (DOP). El método incluye la gelificación previa de la muestra, el uso de la espectroscopia de ablación laser, la selección de longitudes de onda y el posterior análisis matemático de los resultados para la determinación del origen del producto y/o la detección de fraudes. El procedimiento empleado proporciona un método adecuado de alta sensibilidad, especificidad y rapidez, tanto en el tratamiento de la muestra como en la medida de la misma.

Description

MÉTODO DE ANÁLISIS DE BEBIDAS ALCOHÓLICAS

5

CAMPO TÉCNICO

10

Esta invención se refiere de forma general a un método para el análisis de bebidas alcohólicas para su discriminac ión e identificación por ablación ¡ase e. En particular se refiere a un método de análisis de bebidas alcohólicas para la identificación del origen de dichas bebidas alcohólicas, más particularmente del vino, y más específicamente para la determinación del origen geográfico de vinos, por ejemplo para la detección de fraudes.

OBJETO Y CAMPO DE LA INVENCIÓN

1S 20

Esta invención se enmarca en el campo del control de calidad y la seguridad alimentaria en la industria de bebidas alcohólicas, en particular en la industria vitivinícola pennitiendo la identificación de determinación del origen geográfi co de vinos con denominac ión de origen protegida (DOP). La metodología empleada proporciona un método adecuado, sencillo y económico de alta sensibi lidad y especificidad en la discriminación de las denominaciones de origen y/o detección de fraudes en vinos. El método desarroll ado tiene aplicación en di versos campos relacionados con la industria vitivinícola, el control de calidad, la seguridad alimentaria, entre otros.

ESTADO DE LA TÉCNICA

25

La industria del vino ha crecido de manera significativa en la última década, por lo que las carac terísticas del vino, tales como la variedad, el origen de la tecnología de producción y vinificación deben ser preservados. La certificación de origen geográfico protegido (OGP) y la denominación de origen protegida (DOP) constituyen el sistema utilizado para el reconocimiento de una calidad diferenciada, consecuencia de características propias y diferenciales, debidas al medio geográfico en el que se

producen las materias primas, se elaboran los productos, y a la influencia del ractor humano que participa en las mismas.

Los Alimentos de Calidad Diferenciada son aquellos productos que están protegidos por una nonnativa de la UE que garantiza el cumplimiento de unos requisitos superiores a los exigidos para el resto de productos. Los productos que están protegidos por la Denominación de Origen Protegida -D.O.P.-(El Jieg/amen/o (CE) /151 /2012 de/ Parlamento Europeo y del Consejo, de 2J de noviembre de 2012, sobre los regímenes de calidad de productos agrícolas y alimenticios, establece las definiciones de Denominación de Origen Protegida (DOP) y de Indicación Geográfica Protegida

(lGP)) son aquellos cuya calidad o características se deben al medio geográfico con sus factores naturales y humanos y cuya producción, transformación y elaboración se realiza siempre en esa zona geográfica delimitada de la que toman el nombre. Además es uno de los parámetros más importantes que deben ser controlados desde la introducción de la normativa europea de origen de los productos agrícolas. El número de consumidores que buscan comprar productos con calidad certificada y denominación de marca de origen para garantizar la procedencia y las características especiales de los productos es cada vez mayor.

Por otra parte, el fraude es también uno de los aspectos importantes que debe ser controlado y este puede aparecer como consecuencia de la adición de compuestos químicos o vinos de menor calidad, sustitución de etiquetado, etc.

El vino consta de dos ingredientes primarios, agua y etanol. Otros componentes mayoritarios en el vino son los ácidos orgánicos y azúcares (R.8. Jackson. -Chemical Constiluents 01 Grapes and Wine, in: R.S. Jackson (Ed), Wine Sci. Second Ed., Academic Press. San Diego, 2000: pp 232-280). Sin embargo, debido a su composición, es una matriz compleja (Aceto, M; Abollino, 0.; Bruzzoniti, M C; Mentasti, E.; Sarzanini, c.; Malandrino, M Food Addil. Con/amo 2002, /9, 126-/33. Larsen, F. H; van den Berg, F; Engelsen, S. B. 1. Chemom. 2006, 20, 198-208). Las propiedades organolépticas del vino son debidas a la presencia de diferentes compuestos aromáticos y taninos. La presencia de oligoelementos minerales en el vino está generalmente relacionada con la composición del suelo, variedad de uva, el clima, las levaduras y las diferencias en la elaboración del vino. Las diferencias entre las cantidades de los minerales presentes en los mismos pueden ser utilizadas para lograr una rápida identificación y clasificación de los vinos con DOP. Los análisis sensoriales O detenninaciones analíticas estándar no son adecuados para precisar el origen declarado.

Algunos métodos analíticos basados en la detenninaci6n de '1-1 por resonancia magnética nuclear (NMR), (MA Brescia el al., «Characterizalion 01 ¡he geographical origin of ltafian red wines based on Iradilional and nuclear magnelic resonance spectrometric determinations», Ana/yltea Chimica Acta 458, (2002) J77-186) o la autenticación basada en la proporción de isótopos estables de oxígeno 180/160, ÜUC, 2HJ' H (0/1--1), JJc112e, han sido utilizados para detenninar el origen de etanol o azucares del vino. Sin embargo tienen aplicabilidad limitada o requiere instrumentos caros y el procedimiento es impreciso. Los métodos analíticos basados en técnicas cromatográficas (Daniel Serrano-Lourido el af., «Classificalion and characterisation of Spanish red wines according lo their appellalion oforigin based on chromatographic pro files and chemometric data analysis», Food Chemistry 135,(2012) 1425-1431; Dimitris P. Makris, Stamatina Kallithraka, y Andreas Mamalos, «Differenliation of young red wines based on cultivar and geographical origin with applicalion of chemometrics ofprincipal polyphenolic constituents», ralanta 70,( 2006) 1143-/152. Leonhard Jailz el al., «LC-MSIMS analysis ofphenols for classificalion of red wine according to geographic origin, grape variely and vinlage», Food Chemistry 122,(2010) 366-372) requieren operaciones de separación y extracción para el análisis que introducen errores y una gran variabilidad en los resultados (JJ Jiménez, J Atienza, J.L. Bernal, and L. Taribio., Chromatographia 38 (1994) 395). Finalmente, otros métodos basados en la detenninación de DNA (Lopes Martins, Pereira Goncalves, y Pinho Guedes Pinto De, «Method and Kit for Dna Extraction from Vitis Vinifera L. and for Amplifica/ion and Deleclion of Grapevine Varieties or Cultivars in Musts or Wines»), (2011)) requieren las secuencias genéticas de ADN/aRNA y el uso de costosos consumibles tales como cebadores (primers) para la reacción en cadena polimerasa (peR). Esta técnica además tiene un alto coste tanto temporal como económico.

Existen publicaciones anteriores tales como la publicación internacional W02010146199 que describen el uso de la tecnología LIBS en otros campos, por

S

ejemplo para la búsqueda de patógenos o contaminantes en alimentos. Sin embargo, ninguno de ellos ha resuelto las especificidades que supone el problema anteriormente indicado, es decir, la detenninación del origen geográfico de vinos, para la detección de posibles fraudes y la protección de la DOP, con un nivel de certeza elevado. En particular, la manipulación y medición de muestras líquidas por ablación láser es un problema que no ha sido resuelto en las publicaciones previas. Y por otro lado, hasta la fecha no se había desarrollado un método para la determinación del origen geográfico de vinos que tuviera un índice de certeza superior al 97%.

10

Por lo tanto, aún existe una necesidad de un método sencillo, económico y portátil capaz de determinar el origen geográfico de vinos para detección de fraudes y la protección de la DOP que supere las desventajas indicadas.

BREVE DESCRIPCIÓN DE LA INVENCIÓN

15 20

Método de análisis de bebidas alcohólicas: Esta invención se refiere de forma general a un método para la detenninación del origen geográfico de bebidas alcohólicas, en particular para vinos y más particularmente para vinos con denominación de origcn protegida (DOP). El método incluye la gelificación previa de la muestra, el uso de la espectroscopía de ablación laser, la selección de longitudes de onda específicas y el posterior análisis matemático de los resultados para la determinación del origen del producto y/o la detección de fraudes. El análisis puede realizarse cn W1 tiempo muy corto (menor a 1 minuto). El nivel de certeza del método es superior al 97 %. Esto habilita a este método para la detección de posibles fraudes en la DOP u otras características específicas de cada vino.

25

DESCRIPCIÓN DE LAS FIGURAS

Las figuras que se describen a continuación, sirven para ilustrar la descripción de la invención y nunca deben considerarse con fines limitativos de la misma.

30

Figura 1.muestra una vista esquematizada del dispositivo comprendiendo tanto el equipo láser (1), los espejos (2), lentes (3), muestra (4), controlador de retrasos de pulso (5), fibra óptica (6), espectrómetro-detector (7) y ordenador personal (8).

Figura 2 ,-muestra un mapa de España con el Origen geográfico de vinos españoles utilizados en la calibración del modelo de red neuronal: Rioja, Navarra, Rivera del Duero, La Mancha, Ribera del Guadiana y Valdepeñas.

s

Figura 3 .muestra un espectro LIBS típico obtenido de una muestra de vmo gelificado, la asignación de las lineas de emisión de los elementos más importantes presentes en el vino y los intervalos de longitud de onda seleccionados para el procesamiento de los datos.

10

Figura 4 .-muestra los espectros LlBS de las muestra de vino de las DOP. a) Muestra I LM DOP: La Mancha; b) Muestra IRD DOP: Ribera del Duero; c) Muestra I RJ DOP: Rioja; d) Muestra IV? DO?: Valdepeñas e) Muestra 'IVM DO?: Madrid . Los espectros han sido desplazados para una mejor observación.

15

DESCRIPCIÓN DETALLADA DE LA INVENCIÓN

20

El problema indicado ha sido resuelto por los inventores mediante la combinación de un método de tratamiento de muestras líquidas que ha demostrado dar excelentes resultados para bebidas alcohólicas, más particulannente para vino, junto con un procesamiento matemático con una estructura y arquitectura específicas, construido exprofeso para esta aplicación.

25

Mediante esta invención se ha conseguido desarroll ar un método sencillo, económico y portátil capaz de determinar de fonna simple el origen geográfico de bebidas alcohólicas, en particular vinos con un ni vel de certeza superior al 97%, lo que habilita este método para la detección de posibles fraudes en la DOP u otras características específicas de cada vino.

30

La concentración y la proporción relativa de los componentes del vino dependen de varios factores, en el caso del vino serían por ejemplo el tipo cultivo, tipo de vid, clima, agua disponible, suelo y la manera en que el vino es producido y almacenado. Por lo tanto las concentraciones y las proporciones relativas de los elementos presentes en el

vino dependen del material de partida, de los procesos fisicos, las reacciones químicas y las vías bioquímicas que participan en su elaboración.

Por lo tanto, el origen de los vinos puede ser detenninado a partir de la proporción relativa de los elementos y de su intensidad de emisión generada por interacción de un haz ¡asee sobre la superficie del producto final y su posterior análisis matemático. El método desarrollado subyace sobre la identificación instantánea de una muestra de vino usando una característica del proceso de ablación ¡aser que tiene la habilidad de generar lUla "huella digital" espectral de la muestra. Usando un procedimiento de correlación, el sistema desarrollado puede ser entrenado para reconocer los espectros de diferentes muestras, evaluando la similitud de un espectro de una muestra desconocida respecto a una librería espectral de muestras clasificadas que pennite la determinación de las región geográfica y el origen biológico de las muestras de vino. Por otra parte, la comparación de las intensidades de emisión y sus relaciones pennite la discriminación entre productos originales (vinos) con diferentes orígenes geográficos y DOP de aquellos otros productos que no poseen dicha denominación o se encuentren adulterados.

El objeto de la presente invención es por tanto un método de análisis de vinos para su discriminación e identificación por ablación láser en el que las muestras se seleccionan de entre vinos tintos, rosados, blancos, espumosos, o bien cualquier otra bebida alcohólica como whisky, ron, vodka, ginebra o tequilas.

De acuerdo con la realización de la invención, las intensidades de emisión a las longitudes de onda mostrados en la Tabla 4 y comprendidas en los rangos de: 241 a 246 nm identificadas como correspondientes al C(I); de 272 a 285 nm identificadas como correspondientes al Mg(II); de 374 a 402 nm identificadas como correspondientes a CN; de 492 a 52 1 nm identificadas como correspondientes a C2; de 582 a 596 nm identificadas como Na(I); de 643 a 669 nm identificadas como H" y de 764 a782 11m identificadas como K(I) y 0(11), representa una huella dactilar de la muestra de vino, es específica y por lo tanto depende del origen dcl vino. Esto significa que las intensidades de emisión de estos elementos y su relación relativa contienen información de las condiciones climáticas y la ubicación geográfica de los viñedos, del sistema bioquímico propio de la vid y las particularidades del cultivo, sucio y reacciones enzimáticas

asociadas con efectos específicos cinéticos y termodinámicos en diversos pasos del

metabolismo durante la fenncntación y almacenaje del vino. Oc esla fonna las

intensidades de emisión de los elementos y la relación relativa entre ellas es un reflejo

del entorno geográfico específico y contante con resultados reproducibles.

s

Por otra parte los resultados obtenidos demuestran que aunque no hay una variación

significativa en los espectros LIBS de las muestras de vino a partir de las cuales el

origen o las adulteraciones puedan ser fácilmente discriminadas, hay sin embargo, desde

un punto de vista matemático, variaciones a partir de las cuales cada muestra de vino

10

puede ser discriminada basándose en su huella digital.

El método de análisis se basa en un análisis de un único pulso láser que produce un

proceso de vaporización y posterior formación de un plasma de la superficie de la

muestra, la obtención del espectro de emisión de este plasma en el orden de unos pocos

15

microsegundos y la posterior comparación espectral con una base de datos espectral

dinámica. Para ello se utilizan algoritmos matemáticos entrenados y la comparación de

espectros obtenidos con una base espectral compuesta por 2048xl00 punlos como

mínimo y con un tiempo de análisis total menor a 60 (sesenta) segundos.

20

En esta invención se utiliza un número muy alto de puntos espectrales obtenidos de la

emisión del plasma de las muestras de vinos, combinado con un sistema de algoritmos

adecuados para manejar un gran número de datos en un tiempo muy corto de forma

eficiente y efectiva, asegurando alta sensibilidad y especificidad que permite la

caracterización, identificación y discriminación de la DOP de las muestras de vino y sus

25

posibles adulteraciones.

El dispositivo utilizado para la identificación y caracterización de muestras, mostrado en

la Figura 1, se compone de un láser pulsado (l), en este caso particular se ha utilizado

un láser de Nd:YAG, aunque en la práctica podría utilizarse cualquier otro tipo de láser

30

tanto de estado sólido o gaseosos (láser de nitrógeno, láser de dióxido de carbono láser

de exímeros, láser OPO (Optical Parametric Oscilator), etc.) que permita obtener

condiciones energéticas suficientes para poder producir un plasma. Por este motivo

pueden utilizarse láseres tanto en el ultravioleta, visible o infrarrojo.

El láser de Nd:YAG utilizado trabaja a una frecuencia de 1 a 20 Hertz a una longitud de onda fija de 1064 nm respectivamente. Esta longitud de onda no es limitantc ya que este láser también puede emitir a otras longitudes de onda como 266, 355 Ó 532 nrn (u otras longitudes de onda producidas por cualquier otro tipo de láser que permita obtener condiciones energéticas suficientes para poder producir W1 plasma). Dicho láser puede proporcionar hasta 180 mJ/pulso de energía de salida. La duración del pulso es de 4 nS. Se han utilizado espejos (2) y lentes (3) adecuados a fin de focal izar el haz del láser sobre la muestra (4). A fin de prevenir la radiación de cuerpo negro generada en los primeros momentos del plasma se utilizó como tiempo óptimo un retraso de 4 ¡..ts entre el pulso láser y la obtención del espectro en la evolución del plasma (5). La emisión del plasma es recogida utilizando una fibra óptica de 1 metro (6) acoplada al cspcclrómclro, que a su vez es activado por el pulso láser (7). El detector es un sensor óptico CCD (Charge-Coupled Detector) que proporciona 2048 puntos espectrales en un rango de 200 a 1100 runo La señal obtenida del detector es posteriormente comparada con una base espectral almacenada utilizando un sistema de algoritmos matemáticos. Una interfaz gráfica en el ordenador (8) permite al usuario el control del láser, la observación del espectro de la muestra obtenido y la representación de los resultados para su evaluación. El sistema es entrenado para evaluar la similitud de espectros desconocidos con su banco de datos de muestras clasificadas.

Este método tiene las siguientes ventajas, como son: a) no requiere preparación de la muestra o esta es mínima, b) el análisis se realiza sobre una pequeña proporción o muestra de vino, c) el análisis se realiza en unos pocos segundos, d) el análisis se realiza a presión atmosférica, e) proporciona una gran cantidad de dalos que hacen aplo el análisis matemático y f) puede ser realizado in-situ utilizando un sistema portátil.

Es un objeto de la presente invención un método de análisis de bebidas alcohólicas para su discriminación e identificación por ablación láser que comprende las siguientes etapas:

3.-) añadir colágeno a una muestra de bebida alcohólica y dejar reposar hasta su gelificación, secando posteriormente el gel obtenido hasta evaporar el agua, obteniendo así un gel seco;

b.-) irradiar un muestra del gel seco con láser focalizado sobre la superficie de la muestra, obteniendo un plasma de dicha muestra;

c.-) obtener un espectro del plasma de la muestra utilizando un analizador óptico, y

d.-) comparar la señal del detector con una base espectral dinámica utilizando un modelo matemático basado en redes neuronales (RN) con conexiones hacia delante basadas en un modelo de propagación perceplron que consta de tres capas de neuronas denominadas de entrada, salida y oculta, una función de transferencia entre capas que utiliza una algoritmo tangente hiperbólico sigmoidal, y optimizando su matriz de pesos mediante el algoritmo de entrenamiento de gradiente escalado conjugado SCG para prevenir el sobreajuste y el sobreentrenamiento.

De forma preferida la muestra de bebida alcohólica es vino.

De acuerdo con otro aspecto, el método de análisis de bebidas alcohólicas de la presente invención se caracteriza porque la etapa (a) se lleva a cabo añadiendo 1 gramo de colágeno a 50 mL de vino a temperatura ambiente hasta su disolución, dejando reposar la disolución hasta obtener un gel, y secando posteriormente el gel obtenido en un horno a 35 oC durante 12 h hasta la evaporación del agua.

De acuerdo con otro aspecto, el método de análisis de bebidas alcohólicas de la presente invención se caracteriza porque el láser de la etapa (b) es un láser de estado sólido, líquido o gaseoso, que emite radiación electromagnética ultravioleta, visible o infrarrojo, con energía suficiente como para producir un plasma del material ablacionado. De acuerdo con otro aspecto, el método de análisis de bebidas alcohólicas de la presente invención se caracteriza porque utiliza una selección de longitudes de onda específicas para el entrenamiento de las redes neuronales.

De acuerdo con otro aspecto, el método de análisis de bebidas alcohólicas de la presente invención se caracteriza porque el láser es un láser Nd:YAG que trabaja a un frecuencia de l a 20 Hertz a una longitud de onda fija de 1064 nm. De acuerdo con otro aspeclo, el método de análisis de bebidas alcohólicas de la presente invención se caracteriza porque la detección de la radiación producida por los elementos químicos del plasma para obtención del espectro se realiza a través de un sensor óptico CCD que proporciona

5

2048 puntos espectrales en un intervalo de 200 a 1100 nm. De acuerdo con otro aspecto, el método de análisis de bebidas alcohólicas de la presente invención se caracteriza porque en las redes neuronales, la capa de entrada se utiliza sólo para la entrada de la matriz de datos, y en la capa oculta cada neurona recibe señales de otras neuronas de entrada, sumándose éstas mediante la función de activación según la ecuación 1:

(1)

10

siendo después ecuación 2: el resultado transfonnado por la función de transferencia según la

,, /(X) -[ ' _,.) 1] 1 + cxp ( I

(2)

15

y siendo enviado el resultado finalmente a las neuronas en la capa de salida, donde, en las ecuaciones 1 y 2, Yi e YA-representan la salida de las neuronas ocultas U) y de las neuronas de salida (k) respectivamente, Wjk representa el peso entre el /h de las neuronas ocultas y elléh de las neuronas de salida.

20 2S

De acuerdo con otro aspecto, el método de análisis de bebidas alcohólicas de la presente invención se caracteriza porque se emplea adicionalmente el algoritmo SCG que minimiza el error de predicción empleando una combinación lineal del error cuadrático medio (MSE) según la ecuación 3, lo que determina la combinación correcta para producir una red que generalice nuevos datos de entrada dentro del rango de los datos de aprendizaje:

(J)

30

donde, en la ecuación 3, N corresponde al número de observaciones, Yk, el valor real, n , las estimaciones en el modelo de RN y k capa de salida de RN, respectivamente.

De acuerdo con otro aspecto, el método de análisis de bebidas alcohólicas de la presente invención se caracteriza porque las muestras se seleccionan de entre vinos tintos, rosados, blancos, espumosos, whisky, ron, vodka, ginebra o tequilas.

De acuerdo con otro aspecto, el método de análisis de bebidas alcohólicas de la presente invención se caracteriza porque se utiliza para discriminar inequívocamente denominaciones de origen geográfico. De acuerdo con el método de la invención, es posible analizar muestras de vinos tintos, rosados, blancos, espumosos, o cualquier otra bebida alcohólica como whisky, ron, vodka, ginebra, tequilas entre otros, no estando limitado este listado a productos líquidos con calidad certificada. Con el método de la invención se consigue obtener un Índice de Correlación Espectral (ICE) superior al 97% en la clasificación, discriminación y determinación del origen geográfico de una muestra de vino. Además, de acuerdo con los ensayos realizados, la asignación no produce ningún falso positivo (vinos de mesa clasificados como vinos con denominación de origen), ni falsos negativos (vinos con denominación de origen clasificados como vinos de mesa), siendo todas las asignaciones correctas como verdaderos positivos o verdaderos negativos. Por último, es suficiente el uso de una única muestra (referencia) con denominación de origen para determinar la pertenencia del resto de muestras a dicha denominación.

Acondicionamiento de las muestras para el análisis LIBS.

Para facilitar la aplicación de la tecnología LIBS a las muestras de vino, y dado que es preferible que las muestras estén en estado sólido o semisólido y que su superficie sea lo más homogénea posible, se preparó un gel utilizando una lámina de colágeno comercial. Para obtener la muestra gelificada de un vino, se mezclaron 50 mL de cada muestra de vino con 1 g de gel de colágeno en un vaso de precipitados, a temperatura ambiente para su disolución. Se dejó reposar durante 15 minutos para permitir la formación del nuevo gel incluyendo el vino objeto de estudio. Una vez producida la disolución del colágeno se introducen 10 mL en una capsula y las muestras se introducen en un horno a 35 oC durante 12 h para lograr la evaporación del agua, Finalmente se obtiene un gel seco y sólido. Este sólido permite la medida por LIBS correctamente, eliminando los problemas de la manipulación y medición de muestras líquidas por ablación laser. Para valorar las posibles interferencias debidas al gel de colágeno se realizó un blanco con

agua destilada en las mismas condiciones que las muestras de vino, nO encontrándose interferencias.

5

Todas las muestras de vino se adquirieron en supennercados locales. Todas las botellas conteniendo el vino se abrieron al mismo tiempo para someter todas las muestras a las mismas condiciones medioambientales.

10

Este proceso de gelificación produce mejores resultados que la liofilización de la muestra y es la primera vez que se describe como una alternativa para analizar y mejorar las condiciones de trabajo en un proceso analítico.

Construcción y entrenamiento de la RN.

15 20

El procesamiento matemático utilizado, aunque puede ser enmarcado dentro de lo que se conoce como RN, está construido ex profeso para resolver este caso con un estructura y arquitectura especifica descritas en el documento y que este (y no otro) proporciona resultados de clasificación de vinos reconociendo su origen o adulteración con una certeza por encima del 97%. Dado que la RN utilizada se basa en el algoritmo supervisado, para optimizar la matriz de pesos es necesario emplear datos de entrada y salida que caractericen adecuadamente el proceso que será modelado (longitudes de onda, seleccionadas).

2S 30

Para realizar la mencionada optimización de parámetros de la red neuronal, se han utilizado 5 muestras de vino con diferentes DOP. De cada muestra se obtienen 100 espectros LIBS correspondiendo cada espectro a un único pulso láser. El conjunto de datos (espectros LIBS de las muestras) fue distribuido al azar en el aprendizaje (80%) y en la verificación (20%) de las muestras. La RN consiste en un modelo con conexiones hacia delante, concretamente se trata de un modelo de propagación perceptron (back-propagating perceptron model). Esta RN consta de tres capas denominadas de entrada, de salida y ocultas, fonnadas por neuronas (único elemento operativo). La capa de entrada se utiliza sólo para la entrada de la

matriz de datos en la RN. En las otras capas, se realizan cálculos no lineales. En la capa oculta, cada neurona recibe señales de otras neuronas de entrada, sumándose éstas mediante la función activación (Ecuación 1). Después, el resultado es transformado por la función de transferencia (Ecuación 2). Finalmente, el resultado es enviado a las

5 neuronas de salida (neuronas en la capa de salida).

(1)

Y • • fe,) · [ 2 1]

(2)

1+ exp "¡"k )

10 En las ecuaciones 1 y 2, yJ e Yk representan la salida de las neuronas ocultas G) y de las neuronas de salida (k) respectivamente, Wjk representa el peso entre el J'h de las neuronas ocultas y el ¡¿h de las neuronas de salida, Como [unción de transferencia se ha utilizado el algoritmo tangente hiperbólico sigmoidal (Ecuación 2). Los pesos fueron parámetros ajustables de las RN asociados con cada una de las conexiones enlre 15 neuronas y estas pueden modificar la señal de comunicación entre éstas. El proceso de optimización de la matriz de pesos de la RN se llevó a cabo mediante el algoritmo de entrenamiento de gradiente escalado conjugado SeG. Este algoritmo fue seleccionado con el fin de prevenir el sobreajuste y el sobreentrenamiento (l V. Telka, el all J. Chem. In[ COpUI. Sci. 35, 826 (1995). El problema del sobreentrenamiento se refiere al hecho 20 de que la red sólo memoriza el conjunto de aprendizaje y pierde su habilidad para generalizar. Por otra parte, el algoritmo SCG, fue desarrollado para entrenamientos rápidos de sistemas de aprendizaje de RN (H Demuth el all, Neural Network Too/box lor use whit Mal/ab User's guide version 4.0.6. ninth printing revised; The mafh Works: Nalick, MA. 2005). Una importante característica de este tipo de algoritmos de alto

25 rendimiento, es que pueden converger cientos de veces más rápido que otros tipos de algoritmos, aunque a su vez, consume una gran cantidad de memoria. El SCG minimiza el error de predicción empleando una combinación lineal del error cuadrático medio (MSE) (Ecuación 3). Esto determina la combinación correcta para producir una red que generalice nuevos datos de entrada dentro del rango de los datos de aprendizaje.

(3)

En la ecuación 3, N corresponde al número de observaciones, yk, el valor real, rk, las

estimaciones en el modelo de RN y k capa de salida de RN, respectivamente.

Los algoritmos básicos de retropropagación o propagación hacia atrás ajustan los pesos en una fuerte pendiente de dirección descendente (valores negativos del gradiente), esto es la dirección en la cual la función de rendimiento disminuye más rápidamente. Aunque la función disminuye más rápidamente a lo largo de los valores negativos de la pendiente, ésta no produce necesariamente la convergencia más rápida. En el algoritmo de gradiente conjugado, realiza una búsqueda a lo largo de direccione s conjugadas, lo que produce generalmente una convergencia más rápida (Ver Hagan, MT, H./J Demuth, and MH Reale, Neural Network Design, Boston, MA: PWS Publishing, 1996. para una discusión más amplia de los algoritmos de gradiente conjugado).

Cada uno de los algoritmos de gradiente conjugado requiere de una línea de búsqueda en cada interacción. Esta línea de búsqueda es computacional mente costosa, porque requiere que la red dé respuesta a todas las entradas de entrenamiento varias veces para cada búsqueda. El algoritmo de gradiente conjugado desarrollado por Moller (MF Moller, Neural Networks, 6 525 (1993), fue diseñado para prevenir el consumo de tiempo de la línea de búsqueda.

Todos los algoritmos de gradiente conjugado comienzan con la búsqueda de la dirección descendiente del gradiente (gradiente negativo) en la primera interacción.

Po = -go (4)

Posteriormente, se realiza una línea de búsqueda, para determinar la distancia optima de movimiento a lo largo de esta dirección de búsqueda:

(5)

El procedimiento general para determinar la nueva dirección de búsqueda es la combinación de la nueva pendiente de dirección con la búsqueda anterior:

(6)

Las distintas versiones de los algoritmos de gradiente conjugado se distinguen por la manera en que la constante Pi es calculada, para el algoritmo SeG el procedimiento de actualización es:

(7)

Este algoritmo combina el enfoque de región verdadera (usada en el algoritmo de Levenberg-Marquardt (D. Marquardl, J. Appl. Malh. 11, 431-441, (1963) con la aproximación del gradiente conjugado. (ver Moller, para una explicación detallada de este algoritmo).

Métricas de valoración del proceso La precisión es la principal característica de un procedimiento de reconocimiento como recurso para la toma de decisión, motivo por el cual, las métricas para evaluar procesos de detección tienen una importancia significativa e involucran la frecuencia relativa de los reconocimientos correctos e incorrectos que hace un observador a partir de los resultados obtenidos. Las medidas básicas son el número de positivos (P) y negativos

(N), (verdaderos y falsos, VP, VN, FP, FN), a partir de los cuales se calculan la sensibilidad (S), especificidad (Es) y exactitud (E) de los procesos de detección.

Un verdadero positivo (VP) corresponde a la detección correcta de una sustancia, compuesto o característica en una muestra, cuando está realmente existe. Un verdadero negativo (VN) corresponde a la detección negativa de una sustancia, compuesto o característica en una muestra cuando efectivamente esta no existe. Las detecciones falsas (FP, FN) corresponden a los casos en los que la detección no corresponde con la realidad de la muestra.

s y Es son dos métricas del desempeño de un proceso de detección que se construyen a partir del número de VP, FP, VN Y FN en una muestra de validación. La sensibilidad de

un proceso de detección se refiere a la probabilidad de que una sustancia, compuesto o característica sea detectada cuando realmente existe. La sensibilidad ~ especifica como una fracción entre Oy 1, o un porcentaje entre Oy 100.

5

La suma de VP y FN corresponde al total de positivos en el proceso de detección así S de un sistema de detección se puede calcular como:

s~ VP/(VP+FN)

(8)

10 15

Una S=l indica que todas las sustancias, compuestos o características son detectados. S también se denomina Fracción de Verdaderos Positivos (FVP). La métrica que complementa a la sensibilidad es la especificidad la cual mide la probabilidad de que un proceso de detección reporte correctamente la no existencia de una sustancia, compuesto o característica cuando efectivamente no existe. La suma de VN y FP corresponde al total de falsos en el proceso de detección así E en un sistema de detección se puede calcular como:

Es~ VN/(VN+FP)

(9)

20 2S

Una Es=l indica que nunca se reporta la existencia de un a sustancia, compuesto o característica cuando éste no existe. La Fracción de Falsos Positivos (FFP) está definida como (l-Es) y es la fracción de muestras que se reportan equivocadamente. Para evaluar un proceso de detección es necesario tener los valores de s us dos métricas: (S y Es), ya que una sola métrica no puede evaluar correctamente el proceso. Esto debido a que Se puede forzar a S=1 si nueStro sistema de detección reporta todos Jos casos como positivos (a lo que corresponde a Es=O) y también se puede forzar a Es=! si nuestro sistema reporta todos los casos como negativos (a esto corresponde S=O).

La exactitud (E) es el principal parámetro de reconocimiento en un proceso de toma de decisión, y la razón por la cual las métricas para evaluar el proceso de detección son tan impotentes. Esta incluye la frecuencia relativa de la identificación correcta e incorrecta de los resultados obtenidos y se puede calcular de acuerdo como:

E ~ VP+VN/(VP+VN+FP+FN)

(10)

La exactitud porcentual (E x 100), definida en esta patente y de aquí y t:::n adelante como "INDICE DE CORRELACIÓN ESPECTRAL (ICE)" puede utilizarse, por lo tanto, como una métrica adecuada en la toma de decisión de la clasificación obtenida. Esto es cuanto más próximo a 100 se encuentre el ICE, más parecido será el espectro de la muestra a la base espectral de una determinada DOP, lo que permite asegurar que la muestra corresponde a esa DOP.

Un valor mayor o igual a 90% es utilizado como criterio para indicar la pertenencia o no de una determinada muestra de vino a una DOP. Como se muestra en la Tabla 5, el procedimiento de identificación pennite la clasificación y por lo tanto su identificación de los vinos con un ICE mayor al 97% en todos los casos evaluados. Mientras que la Tabla 6 muestra los resultados de la clasificación de vinos nacionales e internacionales, con y sin DOP no incluidos en el modelo de RN. La nueva metodología permite la identificación de las muestras de vino con una preparación mínima, siendo posible la identificación incluso con un solo disparo láser, en un tiempo menor de 1 segundo

MODO DE REALIZACIÓN DE LA INVENCIÓN

La presente invención se ilustra mediante los siguientes ejemplos que no son en ningún caso limitativo de su alcance, el cual viene definido exclusivamente por las reivindicaciones adjuntas. Demplo 1: Determinaci6n de la DOP de muestras de vino

Como ejemplo, a fin de identificar una muestra de vino, se utilizan 5 vinos diferentes de cada DOP, (mostrados en la Figura 2), La Mancha; Ribera del Duero; Rioja; Valdepeñas y Vinos de Madrid, clasificadas como xLM; xRD; xRJ; xVP; y xVM donde x representa un número (de 1 a 5) que corresponde a las distintas marcas comerciales de los vinos que se muestran en la Tabla l. Los espectros LIBS típicos de estos vinos se muestran en las Figuras 3 y 4. Un total de 100 pulsos láser de cada muestra son almacenados como "huellas digitales" de las muestras. La tabla 3 muestra las líneas de emisión más importantes observadas en los espectros de vino obtenidos.

S

Como puede observarse en la tabla 5, el ICE obtenido en todos los casos es igual o superior a 97%. Dado que los espectros analizados provienen de un pulso láser simple, la desviación observada en solo 3 de 100 espectros es más que aceptable. La evaluación del procedimiento muestra que el 100% de las muestras analizadas han sido clasificadas correctamente. La asignación produce solo resultados considerados verdaderos positivos, dado que ningún vino es clasificado incorrectamente a otra DOP, aproximando la evaluación realizada a un ideal 100 % de sensibilidad y 100 % especificidad.

10

Eiemplo 2: Discriminación de vinos nacionales e denominación de origen no incluidos en el modelo de RN internacionales con y sin

15 20

Como ejemplo a fin de validar el modelo con vinos con DOP, no incluidos en el modelo, o vinos sin DOP o internacionales con o sin DOP, se procede a la obtención de espectros LIBS como se ha comentado en el ejemplo l . Las muestras de vino proceden de 6 vinos nacionales con DOP, 3 internacionales con DOP y 4 vinos nacionales sin DOP (vino de mesa). La Tabla 2 muestra el listado de vinos utilizados. Como se muestra en la Tabla 6 todos los vinos son clasificados correctamente como vinos desconocidos para el modelo de RN y por lo tanto como no perteneciente a ninguna denominación de origen utilizada en el modelo. La asignación no produce ningún falso positivo (vinos de mesa clasificados como vinos con denominación de origen), ni falsos negativos (vinos con denominación de origen clasificados como vinos de mesa), siendo todas las asignaciones correctas como verdaderos positivos o verdaderos negativos.

25

Tabla 1: Muestras de VinO con denominación de origen protegido incluidos en el

modela de RN

S

2LM Vereda Mayor Tempranilla 2.011

La Mancha

JLM Don Lucio Tempranilla 2.011

JLM

Fidencio Temprani llo, Garnacha 2.011

SLM

Monte Don Lucio Cabernet Sauvignon 2.011

I RD

Camino de la Dehesa Cabemct Sauvignon 2.011

Ribera del Duero

2RD JRD 4RD Valpincia Barón de Santuy Mayor de Castilla Tempranil la Tempranilla, Cabernet Tinta del País 2.011 2.011 2.011

SRD

Sangre de Castill a Tempranilla 2.011

IRJ

Viña Espolón Tempranillo, Garnacha 2.011

10

2RJ Antaño Temprani llo, Garnacha 2.011

Rioja

JRJ Solar Viejo Tempranilla, Garnacha 2.011

4RJ

Barón de Urzande Tempranillo, Garnacha 2.011

SRJ

Casti llo de Albai Tempranilla 2.011

I VP

Vega del Cega Tempranilla 2.011

2VP

Calle Real Tempranilla 2.011

Valdepeñas

JVP Viña A lbali Tempranilla, Cabcrnet 2.011

4VP

Señorío de los Llanos Tempranilla 2.011

SVP

Vifia Albali Tempranilla 2.011

lS

IVM Puerta de Alcalá Tempranilla, Syrah 2.011

Vinos de Madrid

2VM JVM 4VM Vega Madroño Alma de Valdeguerra Puerta de Hierro Tempranilla, Garnacha Temprani lla Temprani lla 2.011 2.011 2.011

SVM

Jesús Díaz Tempranilla, Syrah 2.011

2S

Tabla 2: Muestras de vino nacionales e internacionales, con y sin denominación de origen protegido no incluidas en el modelo de RN

Añada

1fé"

5

Ribeiro Pazo Garnacha España 2.011

Somontano

Monte Sierra Tempran illa, Cabcmct Espai'ia 2.011

Toro

Cerrneña Tinta de Toro España 2.011

Navarra

Diácono Tempranilla, Garnacha España 2011

Ribera del G uadiana

5 Viñas Tempranilla, Cabernet España 2011

Vino de mesa 1 Conde Noble Mezcla España 2.011 Vino de mesa 2 Don Simón Mezcla España 2.011 Vino de mesa 3 Eroski Mezcla España 2.011 Vino de mesa 4 Viñas Altas Mezcla España 2.011

Chianti Corte Allc Mura Sangiovese Italia 2.011 Dornfelder Dornfield Dornfelder Alemania 2.011 Valle Central Cimarosa Cabernct Sauvignon Chile 2.011

Tabla 3: Longitud de onda de emisión de las principales líneas atómicas y moleculares elementos identificados en el vino.

Mg(l) Mg(I1)

Ca(l) Ca(ll) Sr(l) Na(l)

0(1)

285.21; 518.36

280.27 422.67; 445.48; 551.30; 560. 13 393.37; 396.85

407.77 588.99; 589.59 777.42; 844.62

868.34

Tabla 4: Selección de intervalos de longitud para el procesamiento de datos

Tabla 6: Índice de correlación espectral ICE de la clasificación de vinos nacionales e internacionales, con y sin denominación de origen protegido no incluidos en el modelo de RN

Ribeiro

O O 78 O O ,/

Somon tano

7 3 O O 5 ,/

Tor o

40 O 2 O 3 ,/

Navarra

2 O O 2 O ,/

R. G uad ia na

4 O 2 O O ,/

10

,/

12 O 32 O O ,/

Vino de mesa 3

70 O O O 10 ,/

Vino de mesa 4

22 O O O 8 ,/

Chianti

O O

Dornfelder

O 8 O 2 O ,/

Valle Central

O O O 7 O ,/

* Vinos desconocidos para el modelo de RN y por lo tanto clasificados correctamente 15 como no perteneciente a ninguna denominación de origen utilizada en el modelo.

Claims (9)

1. REIVINDICACIONES

   1.

   Método de análisis de bebidas alcohólicas para su discriminación e identificación

   por ablación láser caracterizado porque comprende las etapas de;

   (a) añadir colágeno a una muestra de bebida alcohólica y dt:jar reposar hasta su

   5

   gelificación, secando posteriormente el gel obtenido hasta evaporar el agua,

   obteniendo así un gel seco;

   (h) irradiar un muestra del gel seco con láser focaUzado sobre la superficie de la

   muestra, obteniendo un plasma de dicha muestra;

   Ce) obtener un espectro del plasma de la muestra utilizando un analizador óptico,

   10

   y

   (d) comparar la señal del detector con una base espectral di nám ica utilizando un

   modelo matemático basado en redes neuronales con conexiones hacia

   delante basadas en un modelo de propagación percepfron que consta de tres

   capas de neuronas denominadas de entrada, salida y oculta, una función de

   15

   transferencia entre capas que utiliza una algoritmo tangente hiperbólico

   sigmoidal, y optimizando su matriz de pesos mediante el algoritmo de

   entrenamiento de gradiente escalado conj ugado SCG para preveni r el

   sobreajuste y el sobreentrenamiento.

   20

   2. Método de análisis de bebidas alcohólicas para su discriminación e identificación

   según reivindicación 1, caracterizado porque la muestra de bebida alcohólica es

   vino.

2. 3.

   Método de análisis de bebidas alcohólicas según cualquiera de las rei vindicaciones I

   2S

   a 2, caracterizado JXl rque la etapa (a) se lleva a cabo añadiendo 1 gramo de colágeno

   a 50 mL de vino a temperatura ambiente hasta su disolución, dejando reposar la

   disolución hasta obtener un gel, y secando posterionnente el gel obtenido en un

   horno a 35 oC durante 12 h hasta la evaporación del agua.

   30

   4. Método de análisis de bebidas alcohólicas según cualquiera de las reivindicaciones l

   a 2, caracterizado porque el láser dc la etapa (b) es un láser de estado sólido, líquido

   o gaseoso, que emite radiación electromagnética ultravioleta, visible o infrarrojo,

   con energía suficiente como para producir un plasma del material abJ acionado.

   24

3. 5.

   Método de análisis de bebidas alcohólicas según cualquiera de las reivindicaciones 1 a 4 caracterizado porque se utiliza una selección de longitudes de onda específicas para el análisis de las muestras entrenamiento de las redes neuronales.

4. 6.

   Método de análisis de bebidas alcohólicas según la reivindicación 4, caracterizado porque el láser es un láser Nd:YAG que trabaja a un frecuencia de I a 20 Hertz a una longitud de onda fija de 1064 run.

5. 7.

   Método de análisis de bebidas alcohólicas según cualquiera de las reivindicaciones I a 2, caracterizado porque la detección de la radiación producida por los elementos químicos del plasma para obtención del espectro se realiza a través de un sensor óptico CCD que proporciona 2048 puntos espectrales en un intervalo de 200 a 1100 run.

6. 8.

   Método de análisis de bebidas alcohólicas según cualquiera de las reivindicaciones I a 2, caracterizado porque en las redes neuronales, la capa de entrada se utiliza sólo para la entrada de la matriz de datos, y en la capa oculta cada neurona recibe sefiales de otras neuronas de entrada, sumándose éstas mediante la función de activación según la ecuación 1:

   x~ =¿wjt-Yj

   1-,

   (1)

   siendo después el resultado transformado por la función de transferencia según la ecuación 2:

   Y • • ¡ (x) -[ 2 ) 1]

   l "' exp '-I.~

   (2)

   Y siendo enviado el resultado finalmente a las neuronas en la capa de salida, donde, en las ecuaciones 1 y 2, Yi e Yk representan la salida de las neuronas ocultas G) y de las m:uronas de salida (k) respectivamente, Wj! representa el peso entre el /h de las neuronas ocultas y elléh de las neuronas de salida.
7. 9. Método de análisis de bebidas alcohólicas según cualquiera de las reivindicaciones l a 2, caracterizado porque se emplea adicionalmente el algoritmo SCG que minimiza el error de predicción empleando una combinación lineal del error cuadrático medio (MSE) según la ecuación 3, lo que determina la combinación correcta para producir

   una red que generalice nuevos datos de entrada dentro del rango de los datos de

   aprendizaje:

   1 N 2

   MSE ~ N~{r. -Y. )

   (3)

   5 donde, en la ecuación 3, N corresponde al número de observaciones, Y/c, el valor real, r k, las estimaciones en el modelo de RN y k capa de salida de RN, respectivamente.
8. 10. Método de análisis de bebidas alcohólicas según reivindicación 1, en el que las

   10 muestras se seleccionan de entre vinos lintos, rosados, blancos, espumosos, whisky, ron, vodka, ginebra o tequilas.
9. 11 . Método de análisis de bebidas alcohólicas según cualquiera de las reivindicaciones 1

   a 2, caracterizado porque se utiliza para discriminar inequívocamente 15 denominaciones de origen geográfico.