Цель.
Разработка измерительной электрохимической системы, обеспечивающей одновременную регистрацию откликов массива сенсоров, и создание на ее основе метода оценки качества мясного сырья с формированием цифрового образа исследуемой среды на основе многомерного статистического анализа данных.
Материалы и методы.
Исследование выполнено с использованием разработанной измерительной системы, представляющей собой многоканальный потенциометр, объединяющий массив ионоселективных электродов (Ca2+, K+, Na+, Mg2+, Cl-, F-), pH-электрод и электрод сравнения. Образцы мясного сырья подготавливались в виде водных суспензий, после чего регистрировались отклики сенсорного массива, формирующие многомерные векторы данных, рассматриваемые как цифровые образы образцов. Полученные данные визуализировались с использованием радиальных диаграмм и подвергались математической обработке. Для выявления закономерностей и снижения размерности применялся метод главных компонент, а для разделения и классификации образцов использовался метод опорных векторов.
Результаты.
Разработанная измерительная система обеспечила одновременную регистрацию потенциометрических сигналов всех сенсоров массива. Использование независимых измерительных каналов позволило каждому электроду регистрировать собственный потенциал без взаимного влияния, а реализованные усиление, фильтрация и аналого-цифровое преобразование обеспечили формирование цифровых данных для последующей компьютерной обработки. Формируемые многомерные отклики позволяют получать цифровые образы образцов, чувствительные к изменениям их химического состава. На основе зарегистрированных потенциометрических сигналов формировались численные массивы данных и их визуальные профили, отражающие совокупный отклик сенсорного массива. Показана возможность различения мясного сырья по степени свежести и рецептурным характеристикам. Анализ в пространстве главных компонент выявил различия между исследуемыми группами образцов, а классификация методом опорных векторов обеспечила их разделение и распознавание новых образцов.
Заключение.
Разработанная измерительная система и реализованный на ее основе подход показали потенциал для экспресс-оценки качества мясного сырья. Обеспечивается получение повторяемого многомерного отклика, отражающего совокупность физико-химических характеристик продукта, и выявление отклонений от эталонного состояния. Предложенное решение является перспективным для практического применения в системах оперативного контроля качества в пищевой промышленности.
Abstract
Purpose.
This study presents the development of a compact electrochemical system enabling the simultaneous acquisition of responses from a sensor array, as well as a method for assessing the quality of meat raw materials based on the formation of a digital profile of the analyzed medium using multivariate statistical analysis.
Materials and Methods.
The study was carried out using a developed measurement system, which is a multichannel potentiometer integrating an array of ion-selective electrodes (Ca2+, K+, Na+, Mg2+, Cl-, F-), a pH electrode, and a reference electrode. Meat samples were prepared as aqueous suspensions, after which responses of the sensor array were recorded, forming multidimensional data vectors interpreted as digital representations of the samples. The obtained data were visualized using radar plots and processed using statistical methods. Principal component analysis was applied for pattern recognition and dimensionality reduction, while support vector machines were used for classification and separation of samples.
Results.
The developed measurement system enabled the simultaneous acquisition of potentiometric signals from all sensors in the array. The use of independent measurement channels allowed each electrode to record its own potential without mutual interference, while the implemented signal amplification, filtering, and analog-to-digital conversion ensured the generation of digital data for subsequent computer processing. The obtained multidimensional responses enable the formation of digital representations of samples that are sensitive to changes in their chemical composition. Based on the recorded potentiometric signals, numerical datasets and corresponding visual profiles reflecting the overall response of the sensor array were constructed. The results demonstrate the ability to distinguish meat raw materials according to freshness level and formulation characteristics. Analysis in the principal component space revealed differences between the studied groups of samples, while classification using the support vector machine method ensured their separation and identification of new samples.
Conclusion.
The developed measurement system and the proposed approach demonstrated strong potential for rapid assessment of meat raw material quality. The system ensures the acquisition of reproducible multivariate responses reflecting the overall set of physicochemical characteristics of the product, as well as reliable detection of deviations from the reference state. The proposed solution is promising for practical application in real-time quality control systems in the food industry.
Об авторах
А. Э. Митенков
1.Санкт-Петербургский политехнический университет Петра Великого 195251, Россия Федерация, г. Санкт-Петербург, ул. Политехническая, д. 29, лит. Б
2.Институт аналитического приборостроения РАН 198095, Россия, г. Санкт-Петербург, ул. Ивана Черных, д. 31-33, лит. А
Митенков Андрей Эдуардович, 1студент, Институт электроники и телекоммуникаций, и 2инженер лаборатории, лаборатория медико-аналитических методов и приборов E-mail: mitenkovandrej@yandex.ru; тел.: 8(921) 886-30-38
М. С. Мазинг
Институт аналитического приборостроения РАН 198095, Россия, г. Санкт-Петербург, ул. Ивана Черных, д. 31-33, лит. А E-mail: mazmari@mail.ru
Мазинг Мария Сергеевна, младший научный сотрудник, лаборатория медико-аналитических методов и приборов
А. Ю. Зайцева
1.Институт аналитического приборостроения РАН 198095, Россия, г. Санкт-Петербург, ул. Ивана Черных, д. 31-33, лит. А
2.Санкт-Петербургский национальный исследовательский Академический университет имени Ж.И. Алферова РАН 194021, г. Санкт-Петербург, ул. Хлопина, д. 8, корп. 3, лит. А E-mail: anna@da-24.ru
Зайцева Анна Юрьевна, кандидат физико-математических наук, 1старший научный сотрудник, заведующая лабораторией, лаборатория медико-аналитических методов и приборов; 2и.о. заведующего кафедрой, кафедра биоинформатики и математической биологии
About the Authors
A. E. Mitenkov
1.Peter the Great St. Petersburg Polytechnic University Lit. B, 29, Polytechnicheskaya St., St. Petersburg, 195251, Russian Federation
2.Institute for Analytical Instrumentation of RAS Lit. A, 31-33, Ivana Chernyh St., St. Petersburg, 198095, Russian Federation
Andrew E. Mitenkov, 1Student, Institute of Electronics and Telecommunications; 2Engineer of the Laboratory, Laboratory of Medical Analytical Methods and Instruments E-mail: mitenkovandrej@yandex.ru; tel.: +7(921) 886-30-38
M. S. Mazing
Institute for Analytical Instrumentation of RAS Lit. A, 31-33, Ivana Chernyh St., St. Petersburg, 198095, Russian Federation E-mail: mazmari@mail.ru
Mariia S. Mazing, Junior Researcher, Laboratory of Medical Analytical Methods and Instruments
A. Yu. Zaitceva
1.Institute for Analytical Instrumentation of RAS Lit. A, 31-33, Ivana Chernyh St., St. Petersburg, 198095, Russian Federation
2.Alferov Federal State Budgetary Institution of Higher Education and Science Saint Petersburg National Research Academic University of RAS Lit. A, building 3, 8, Khlopina St., St. Petersburg, 194021, Russian Federation E-mail: anna@da-24.ru
Anna Yu. Zaitceva, PhD (Phys.–Math.), 1Senior Researcher, Head of the Laboratory, Laboratory of Medical Analytical Methods and Instruments; 2Acting Head of the Department, Department of Bioinformatics and Mathematical Biology
Список источников
1. Li Y.C., Liu S.Y., Meng F.B., Liu D.Y., Zhang Y., Wang W., Zhang J.M. Comparative review and the recent progress in detection technologies of meat product adulteration // Comprehensive Reviews in Food Science and Food Safety. 2020. Vol. 19(4). P. 2256-2296. https://doi.org/10.1111/1541-4337.12579.
2. Haider A., Iqbal S.Z., Bhatti I.A., Alim M.B., Waseem M., Iqbal M., Mousavi Khaneghah A. Food authentication, current issues, analytical techniques, and future challenges: A comprehensive review // Comprehensive Reviews in Food Science and Food Safety. 2024. Vol. 23(3). Article number: e13360. https://doi.org/10.1111/1541-4337.13360.
3. Wang X., Hu F., Jin J., Huang Y., Zhu X., Dong Y., Wang C., Wu D. A non-destructive detection method for evaluating beef taste quality based on electrochemical PVC membrane sensor // LWT. 2022. Vol 154(15). Article number: 112666. https://doi.org/10.1016/j.lwt.2021.112666.
4. Nanda P.K., Bhattacharya D., Das J.K., Bandyopadhyay S., Ekhlas D., Lorenzo J.M., Dandapat P., Alessandroni L., Das A.K., Gagaoua M. Emerging role of biosensors and chemical indicators to monitor the quality and safety of meat and meat products // Chemosensors. 2022. Vol. 10(8). Article number: 322. https://doi.org/10.3390/chemosensors10080322.
5. Titova T., Nachev V. "Electronic tongue" in the food industry // Food Science and Applied Biotechnology. 2020. Vol. 3(1). P. 71-76. https://doi.org/10.30721/fsab2020.v3.i1.74.
6. Munekata P.E., Finardi S., de Souza C.K., Meinert C., Pateiro M., Hoffmann T.G., Domínguez R., Bertoli S.L., Kumar M., Lorenzo J.M. Applications of electronic nose, electronic eye and electronic tongue in quality, safety and shelf life of meat and meat products: A review // Sensors. 2023. Vol. 23(2). Article number: 672. https://doi.org/10.3390/s23020672.
7. Wu X., Liang X., Wang Y., Wu B., Sun J. Non-destructive techniques for the analysis and evaluation of meat quality and safety: A review // Foods. 2022. Vol. 22(11). Article number: 3713. https://doi.org/10.3390/foods11223713.
8. Pereira P.F., de Sousa Picciani P.H., Calado V., Tonon R.V. Electrical gas sensors for meat freshness assessment and quality monitoring: A review // Trends in Food Science & Technology. 2021. Vol. 118. P. 36-44. https://doi.org/10.1016/j.tifs.2021.08.036.
9. Rebezov M., Khayrullin M., Assenova B., Farida S., Baydan D., Garipova L., Savkina R., Rodionova S. Improving meat quality and safety: innovative strategies // Slovak Journal of Food Sciences. 2024. Vol. 18. P. 523-546. https://doi.org/10.5219/1972.
10. Vicente F., Pereira P.C. Pork meat composition and health: a review of the evidence // Foods. 2024. Vol. 13(12). Article number: 1905. https://doi.org/10.3390/foods13121905.
11. Falowo A.B. A comprehensive review of nutritional benefits of minerals in meat and meat products // Sci. Lett. 2021. Vol. 9(2). P. 55-64. https://doi.org/10.47262/SL/9.2.132021010.
12. Patel N., Bergamaschi M., Magro L., Petrini A., Bittante G. Relationships of a detailed mineral profile of meat with animal performance and beef quality // Animals. 2019. Vol. 12(9). Article number: 1073. https://doi.org/10.3390/ani9121073.
13. Zanardi E., Ghidini S., Conter M., Ianieri A. Mineral composition of Italian salami and effect of NaCl partial replacement on compositional, physico-chemical and sensory parameters // Meat Science. 2010. Vol. 86(3). P. 742-747. https://doi.org/10.1016/j.meatsci.2010.06.015.
14. Wilson D. Chemical sensors for farm-to-table monitoring of fruit quality // Sensors. 2021. Vol. 21(5). Article number: 1634. https://doi.org/10.3390/s21051634.
15. Yuan Y., Chen X. Vegetable and fruit freshness detection based on deep features and principal component analysis // Current Research in Food Science. 2024. № 8. Article number: 100656. https://doi.org/10.1016/j.crfs.2023.100656.
16. Zeng J., Guo Y., Han Y., Li Z., Yang Z., Chai Q., Wang W., Zhang Y., Fu C. A review of the discriminant analysis methods for food quality based on near-infrared spectroscopy and pattern recognition // Molecules. 2021. Vol. 26(3). Article number: 749. https://doi.org/10.3390/molecules26030749.
17. Arsalane A., El Barbri N., Tabyaoui A., Klilou A., Rhofir K., Halimi A. An embedded system based on DSP platform and PCA-SVM algorithms for rapid beef meat freshness prediction and identification // Computers and Electronics in Agriculture. 2018. Vol. 152. P. 385-392. https://doi.org/10.1016/j.compag.2018.07.031.
References
1. Li YC, Liu SY, Meng FB, Liu DY, Zhang Y, Wang W, Zhang JM. Comparative review and the recent progress in detection technologies of meat product adulteration. Comprehensive Reviews in Food science and Food safety. 2020;19(4):2256-2296. https://doi.org/10.1111/1541-4337.12579.
2. Haider A, Iqbal SZ, Bhatti IA, Alim MB, Waseem M, Iqbal M, Mousavi Khaneghah A. Food authentication, current issues, analytical techniques, and future challenges: A comprehensive review. Comprehensive Reviews in Food Science and Food Safety. 2024;23(3):e13360. https://doi.org/10.1111/1541-4337.13360.
3. Wang X, Hu F, Jin J, Huang Y, Zhu X, Dong Y, Wang C, Wu D. A non-destructive detection method for evaluating beef taste quality based on electrochemical PVC membrane sensor. LWT. 2022;(154):112666. https://doi.org/10.1016/j.lwt.2021.112666.
4. Nanda PK, Bhattacharya D, Das JK, Bandyopadhyay S, Ekhlas D, Lorenzo JM, Dandapat P, Alessandroni L, Das AK, Gagaoua M. Emerging role of biosensors and chemical indicators to monitor the quality and safety of meat and meat products. Chemosensors. 2022;10(8):322. https://doi.org/10.3390/chemosensors10080322.
5. Titova T, Nachev V. "Electronic tongue" in the food industry. Food Science and Applied Biotechnology. 2020;3(1):71-76. https://doi.org/10.30721/fsab2020.v3.i1.74.
6. Munekata PE, Finardi S, de Souza CK, Meinert C, Pateiro M, Hoffmann TG, Domínguez R, Bertoli SL, Kumar M, Lorenzo JM. Applications of electronic nose, electronic eye and electronic tongue in quality, safety and shelf life of meat and meat products: A review. Sensors. 2023;23(2):672. https://doi.org/10.3390/s23020672.
7. Wu X, Liang X, Wang Y, Wu B, Sun J. Non-destructive techniques for the analysis and evaluation of meat quality and safety: A review. Foods. 2022;22(11):3713. https://doi.org/10.3390/foods11223713.
8. Pereira PF, de Sousa Picciani PH, Calado V, Tonon RV. Electrical gas sensors for meat freshness assessment and quality monitoring: A review. Trends in Food Science & Technology. 2021;(118):36-44. https://doi.org/10.1016/j.tifs.2021.08.036.
9. Rebezov M, Khayrullin M, Assenova B, Farida S, Baydan D, Garipova L, Savkina R, Rodionova S. Improving meat quality and safety: innovative strategies. Slovak Journal of Food Sciences. 2024;(18):523-546. https://doi.org/10.5219/1972.
10. Vicente F, Pereira PC. Pork meat composition and health: a review of the evidence. Foods. 2024;13(12):1905. https://doi.org/10.3390/foods13121905.
11. Falowo AB. A comprehensive review of nutritional benefits of minerals in meat and meat products. Sci. Lett. 2021;9(2):55-64. https://doi.org/10.47262/SL/9.2.132021010.
12. Patel N, Bergamaschi M, Magro L, Petrini A, Bittante G. Relationships of a detailed mineral profile of meat with animal performance and beef quality. Animals. 2019;12(9):1073. https://doi.org/10.3390/ani9121073.
13. Zanardi E, Ghidini S, Conter M, Ianieri A. Mineral composition of Italian salami and effect of NaCl partial replacement on compositional, physico-chemical and sensory parameters. Meat Science. 2010;86(3):742-747. https://doi.org/10.1016/j.meatsci.2010.06.015.
14. Wilson D. Chemical sensors for farm-to-table monitoring of fruit quality. Sensors. 2021;21(5):1634. https://doi.org/10.3390/s21051634.
15. Yuan Y, Chen X. Vegetable and fruit freshness detection based on deep features and principal component analysis. Current Research in Food Science. 2024;(8):100656. https://doi.org/10.1016/j.crfs.2023.100656.
16. Zeng J, Guo Y, Han Y, Li Z, Yang Z, Chai Q, Wang W, Zhang Y, Fu C. A review of the discriminant analysis methods for food quality based on near-infrared spectroscopy and pattern recognition. Molecules. 2021;26(3):749. https://doi.org/10.3390/molecules26030749.
17. Arsalane A, El Barbri N, Tabyaoui A, Klilou A, Rhofir K, Halimi A. An embedded system based on DSP platform and PCA-SVM algorithms for rapid beef meat freshness prediction and identification. Computers and Electronics in Agriculture. 2018;(152):385-392. https://doi.org/10.1016/j.compag.2018.07.031.
