Determinación y visualización no destructiva de contenidos de fibra dietética insolubles y solubles

en galerías recién cortadas durante períodos de almacenamiento mediante la técnica de imágenes

hiperespectrales

RESUMEN

Se investigó la posibilidad de utilizar la técnica de imágenes hiperespectrales para determinar de

forma no destructiva el contenido de fibra dietética insoluble (IDF) y fibra dietética soluble (SDF) en
las salas de recién cortada y visualizar su distribución espacial durante los períodos de
almacenamiento de 28 días. El algoritmo de sinergia genética de intervalo de mínimos cuadrados
parciales (GA-Si-PLS) se desarrolló para establecer un modelo de calibración que, superior a los
modelos desarrollados PLS y Si-PLS, logró el rendimiento de predicción con R p de 0.9638 y 0.9756,
y RMSEP de 1.180 y 0.336, respectivamente. Los modelos GA-Si-PLS desarrollados se aplicaron luego
en píxeles para visualizar la distribución espacial de los contenidos de IDF y SDF durante el
almacenamiento, lo que mostró claramente que el contenido de IDF aumentaba con el tiempo de
almacenamiento, mientras el contenido de SDF seguía disminuyendo. El estudio proporciona la base
para una mayor comprensión de la variación espaciotemporal de los contenidos de IDF y SDF
durante el almacenamiento, demostrando que HSI podría ser útil en el monitoreo de contenido de
IDF y SDF en tiempo real en investigación e industria de vegetales.

Palabras clave: Contenido de fibra dietética insoluble y soluble, Imágenes hiperespectrales, Sinergia
genética intervalo parcial menos cuadrado (GA-Si-PLS), Visualización.

Abstract

The feasibility of using hyperspectral imaging technique to non-destructively determine insoluble

dietary fibre (IDF) and soluble dietary fibre (SDF) contents in fresh-cut celeries and visualise their
spatial distribution during 28-day storage periods was investigated. Genetic synergy interval partial
least square (GA-Si-PLS) algorithm was developed to establish calibration model, which, superior to
the PLS and Si-PLS developed models, achieved the prediction performance with Rp of 0.9638 and
0.9756, and RMSEP of 1.180 and 0.336, respectively. The developed GA-Si-PLS models were then
applied pixel-wise to visualise the spatial distribution of IDF and SDF contents during storage, which
clearly showed that the IDF content increased with storage time, while the SDF content kept
decreasing. The study provides the basis for further understanding of the spatial-temporal variation
of IDF and SDF contents during storage, demonstrating that HSI could be useful in real-time IDF and
SDF contents monitoring in vegetable research and industry.

Keywords: Insoluble and soluble dietary fibre, contents Hyperspectral, imaging Genetic synergy
interval partial least square (GA-Si-PLS) and Visualisation.

I. INTRODUCCION Commented [B1]:

La fibra dietética (FD) es un componente indispensable para una dieta saludable, y es Commented [B2R1]:
generalmente el componente dietético beneficioso contra enfermedades no contagiosas
(Anderson et al., 2009; et al., 2016). De acuerdo con su solubilidad en agua, la fibra dietética
se puede clasificar en dos categorías: fibra dietética soluble (FDS) y fibra dietética insoluble
(FDI) (Rumulu y Rao, 2003). La FDI tiene un efecto sobre el aumento de la masa fecal en
humanos, reduciendo el riesgo de estreñimiento (Brennan, Tudorica y Kuri, 2002;
Fernández- García y McGregor, 1997). Ademas, la FDS podría disminuir el contenido de
colesterol serico y bajar el nivel de glucosa en sangre (Koh, Jiang, Kasapis y Foo, 2011; Ou,
Kwok, Li y Fu, 2001). Es muy significativo si los niveles de FDI y FDS se pueden personalizar
para diferentes consumidores. El apio, una rica fuente de fibra dietética (FD), es uno de los
vegetales más consumidos en el mundo, y está disponible en el mercado en forma fresca
(Raffo et al., 2006).
Hasta la fecha, ha habido algunos métodos empíricos para la detección de la fibra dietética
insoluble y los contenidos de fibras dietéticas solubles desarrolladas y validadas a través de
estudios de laboratorio internacionales con la capacidad de determinar con precisión los
niveles de FAD e IDF en las muestras. Por ejemplo, AOAC 985.29 (2005.03) basado en
métodos enzimáticos gravimétricos. AOAC 2009.01 basado en la determinación de residuos
gravimétricos para análisis de cromatografía liquida de alto rendimiento, de alto peso
molecular y tamaño de exclusión del filtrado de etanol para componentes de bajo peso
molecular (AOAC, 2005; McCleary et al., 2011). Sin embargo, estos métodos analíticos no
solo son desventajas, requieren mucho tiempo, no son amigables con el medio ambiente,
sino también destructivos. Para superar estos inconvenientes, es urgente desarrollar un
método de determinación rápida, simple, libre de reactivos químicos y no destructivo,
preferiblemente basado en propiedades ópticas. En la actualidad, hay componentes de Df
en el salvado de trigo y la soja brasileña que se han medido por espectroscopia de infrarrojo
cercano (NIR) y espectroscopia de reflectancia difusa en el infrarrojo medio (Archibald &
Kays, 2000; Hell et al., 2016). Pero la espectroscopia NIR carece de una función de
visualización de imágenes que limita en gran medida el control de la distribución irregular
de FDS y FDI de las muestras.
La imagen espectral (imágenes hiperespectrales / imágenes multiespectrales) es una
técnica emergente que integra la imagen computarizada convencional y el análisis espectral
para obtener información espacial y espectral de un objeto (Gowen, O’Donnell,
Cullen,Downey, & Frias, 2007). HSI/MSI, como una herramienta poderosa, se ha aplicado
recientemente para evaluar la calidad de los alimentos en una forma no destructiva (Liu,
Liu, Chen, Yang, & Zheng, 2015; Liu, Liu,Hu, Yang, & Zheng, 2016; Liu et al., 2014; Ma et al.,
2016; Xiong,Liu, et al., 2015; Xiong, Sun, et al., 2015). Algunos estudios previos han
demostrado la viabilidad de emplear la técnica HSI /MSI para predecir la humedad de las
rodajas de mango (Pu & Sun, 2015) y zanahoria (Liu et al., 2016), así como el cambio de
color y el contenido de sólidos solubles en arándanos (Leiva-Valenzuela, Lu, & Aguilera,
2013). Sin embargo, hasta donde sabemos, la imagen hiperespectral nunca se usó para la
determinación y visualización de los contenidos de FDI y FDS en los vegetales.
El objetivo del estudio era hacer una combinación de información espectral y espacial para
mejorar la precisión de predicción de los contenidos de FDI y FDS de los apios recién
cortados. Los objetivos específicos del estudio son:
1. Para evaluar los cambios de contenidos de FDI y FDS de los apios recién cortados
durante los periodos de almacenamiento.
2. Predecir el contenido de FDI y FDS durante los periodos de almacenamiento usando
el sistema de imagen hiperespectral por los modelos GA-Si-PLS.
 3. Visualizar la distribución del contenido de FDI y FDS después de diferentes periodos
de almacenamiento.
II. MATERIALES Y METODOS

El esquema detallado de todo el experimento se muestra en el diagrama de flujo como en

la Fig. 1a, que incluyó el tratamiento del apio recién cortado

(a) Tratamiento de muestras

Mapa de
distribución de la
Apio fresco recién cortado en
fibra dietética
bandejas poliestireno sellados
soluble e insoluble
con película de PVC/PE

Condición de almacenamiento:
4º C con una humedad relativa de
85 %

Corrección de imagen (blanco y

negro)

Adquisición de imagen (370-1008 nm) Imagen de longitud

de onda optima
banda 616

Medición de
Identificación de ROI
referencia insoluble /
concentrados de fibra
GA-SI-PLS modelo para la
dietética soluble predicción de fibra
Extracción de dato espectral dietética soluble e insoluble

Selección de longitud de onda

utilizando intervalo de
Pre procesamiento espectral sinergia genética parcial
mínimo cuadrado (GA-SI-PLS)
 Reflectancia

Longitud de onda (nm)

Figura 1 (a) Diagrama de flujo del paso experimental. (b) espectro de reflexión promedio
de los apios recién cortados, probado durante los periodos de almacenamiento.
Fibra dietética Insoluble

Fibra dietética soluble

g/100g

(g/100g)

Tiempo (días) Tiempo (días)

Figura 2 Grafico lineal que muestra la medición de referencia química de los apios recién cortados con la tabla de
estadísticas
 Intervalos seleccionados (2 7 11 13) Selección de frecuencia después de 100 runs
Espectro de reflectancia

Frecuencia
Longitud de onda (nm)
Intervalos seleccionados (3 4 6 11) Selección de frecuencia después de 100 runs

Figura 3 Región espectral optima seleccionado por modelos GA-Si-PLS para FDS y FDI. (a) y (c) Representación de
intervalos espectrales seleccionados. (b) y (d) Representación de la frecuencia de selección de variables.
Predicción de contenido de FDI

Predicción de FDS (g/100g)

(g/100g)

Contenido medido de FDI (g/100g) Contenido medido de FDS (g/100g)

Figura 4 Contenido medido y predicho de FDS y FDI en apios recién cortados para calibración y predicción establecida por
GA-Si-PLS.
1 Resultado de los diferentes modelos de PLS para predicción de contenido de FDS y FDI en apios frescos.

Métodos Factores Conjunto de calibración Conjunto de predicción

PLS Rc RMSECV Rp RMSEP
PLS 8 0.8508 2.320 0.8586 2.270
FDI Si-PLS 5 0.9127 1.760 0.9263 1.940
GA-Si-PLS 5 0.9779 0.898 0.9638 1.180
PLS 9 0.7041 0.576 0.6194 4.085
FDS Si-PLS 6 0.9215 0.585 0.8705 0.757
GA-Si-PLS 6 0.9760 0.329 0.9756 0.336

Figura 5 Ejemplo de visualización del mapa de distribución de FDS (a) y mapa de distribución de FDS (b) en apios frescos
cortados durante el periodo de almacenamiento de 0, 7, 14, 21, y 28 días respectivamente.