Aplicação de técnicas multivariadas em painéis sensoriais de café

• Ano de defesa: 2018
• Autor(a) principal: Nonenmacher Junior, Luiz Antonio
• Orientador(a): Anzanello, Michel José
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Painel sensorial; Café; Seleção de variáveis
• Palavras-chave em Inglês: Sensory panels; Index Alfa of Ledauphin; Variable Selection; Multivariate Techniques; Coffee
• Link de acesso: http://hdl.handle.net/10183/188010

No setor alimentício é frequente o uso de painéis sensoriais. Esses painéis são formados por um grupo de degustadores treinados que avaliam amostras de produtos em diversos atributos sensoriais e podem ser utilizados para garantir a autenticidade de produtos, assegurar sua qualidade e obter suas características sensoriais. Esta dissertação visa a aplicar técnicas multivariadas em painéis sensoriais de café, com o objetivo de calibrar e selecionar degustadores, prever notas conferidas pelos mesmos e classificar produtos em categorias de qualidade. Para atingir esses objetivos, inicialmente utiliza-se o Índice Alfa de Ledauphin e um índice de aprendizado para simular o efeito do treinamento de degustadores e comparar o desempenho de três diferentes métodos de treinamento. Na sequência, aplica-se uma regressão por mínimos quadrados parciais (PLSR) para prever as notas conferidas pelos degustadores com base em variáveis físico-químicas, selecionando as variáveis mais relevantes para predição através de um índice de importância de variáveis. Por fim, compara-se o desempenho combinado de dois índices de seleção de variáveis baseados em distância de Bhattacharyya e análise de componentes principais (PCA), e três técnicas de classificação - algoritmo do vizinho mais próximo (k-NN), análise linear discriminante (LDA) e rede neural probabilística (PNN) – na classificação de amostras em categorias de qualidade com base em dados espectrais. Com a aplicação dessas técnicas foi possível aprimorar a capacidade preditiva e reduzir a quantidade de variáveis e avaliadores necessários, reduzindo o custo de futuros experimentos.