manuscrito aceptado

Evaluación textura de los alimentos mediante el modelo de regresión logística y el sensor magnético de la textura del alimento

Hiroyuki Nakamoto, Daisuke Nishikubo, Futoshi Kobayashi

PII: S0260-8774 (17) 30475-2

DOI: 10.1016 / j.jfoodeng.2017.11.008

Referencia: JFOE 9068

Aparecer en: Journal of Food Engineering

Fecha de recepción: 28 May 2017 Fecha de

revisión: 8 de Octubre 2017 Fecha de aceptación:

November 9 2017

Por favor citar este artículo como: Nakamoto, H., Nishikubo, D., Kobayashi, F., Alimentación Evaluación de la textura utilizando el modelo de regresión
logística y el sensor magnético textura de los alimentos, Journal of Food Engineering ( 2017), doi:
10.1016 / j.jfoodeng.2017.11.008.

Este es un archivo PDF de un manuscrito inédito que ha sido aceptado para su publicación. Como un servicio a nuestros clientes estamos
proporcionando esta primera versión del manuscrito. El manuscrito será sometido a la corrección de estilo, composición y revisión de la prueba
resultante antes de que se publique en su forma final. Tenga en cuenta que durante los errores en el proceso de producción se pueden descubrir lo que
podría afectar el contenido, y todos los avisos legales que se aplican a la revista pertenecen.
 MANUSCRITO ACEPTADO

1 Evaluación textura de los alimentos mediante regresión logística m Odel y el sensor magnético de la textura del alimento

Hiroyuki Nakamoto *, Daisuke Nishikubo, Futoshi KOBAYASHI 3

4 Escuela Superior de Informática de Sistema, Kobe Univers dad, Kobe 657-8501, Japón

5 * Autor correspondiente. Dirección: Facultad de Sistema de Informática de la Universidad de Kobe, Kobe

657-8501, Japón. Tel: +81 78 803 6669. 6

7 Dirección de correo electrónico: nakamoto@panda.kobe-u.ac.jp (H. Naka moto)

O
Resumen 9

IT
10 Un método de evaluación de la textura del alimento utilizando un f magnético ood sensor textura se propone para la

11 visualización de la textura del alimento. La textura de los alimentos sen sor mide dos ondas de series de tiempo, uno de la fuerza

CR
12 y una de las vibraciones, durante la fractura de un alimento sam PLE. Veinte perfiles se extrajeron de los dos

13 olas. El método de evaluación seleccionado los perfiles para utilizar en el modelo logístico y determinado la

14

15
coeficientes del modelo sobre la base de los resultados de s

que el modelo logístico evaluó las texturas de alimentos USpruebas ensory. Los experimentos de laboratorio confirmaron

como gráficos de radar. Además, el modelo puede

AN
16 potencialmente evaluar las texturas de alimentos de f desconocido inundaciones.

17

18
M
O
T AD
EP
AC
 MANUSCRITO ACEPTADO

Introducción 19

20 Los seres humanos perciben principalmente gusto, sabor, y textu alimentos volver a la masticación. Estas percepciones son

21 esencial para nuestra salud, y comidas agradables y una re un factor importante en la producción de alimentos.

22 En cuanto a la medición de gusto y sabor, el l iteratura incluye varios estudios avanzados (EtOH

23 et al. 2008; Roca et al. 2008; Uchida et al. 2001). instrumentos lengua electrónica y medición

24 ya están disponibles comercialmente (Tahara y Toko 2013). Se utilizan de manera efectiva para el objetivo

25 Evaluación de sabor y olor. Además, algunos fo instrumentos textura od también se utilizan para la textura

26 medición (Chen y Opara 2013). estos instrumentos s comprender principalmente una célula de carga, un motorizado

O
27 deslizador, y software de análisis. La célula de carga es att dolía a un émbolo que toca y presiona un alimento

IT
28 elemento y mide la fuerza de reacción durante fractur mi. El instrumento recoge reacción de series de tiempo

29 datos sobre la fuerza y ​extrae las características de estos dat un análisis a través de la textura de perfil (TPA) (Friedman,

CR
30 Whitney, y Szczesniak 1963). TPA es un estándar de mí DTO para evaluar texturas de alimentos; que permite a la

31 medición de perfiles de textura de prop mecánico propie- tales como la dureza, la cohesión, y

32

33
elasticidad, entre otros. Sin embargo, el TPA no es e

percibir. Una nueva combinación de un sensor y un una US EFECTIVA para la cuantificación de texturas finas que los seres humanos

método ÁLISIS capaz de evaluar los detalles

AN
34 de texturas de alimentos es requerido por la Fabrica de alimentos avanzada acturers.

35 Algunos investigadores han utilizado métodos de medición invo lving señales acústicas para evaluar la

36 detalles de texturas de alimentos (Saeleaw y Schleining 20 11; Taniwaki y Kohyama 2012; Varela et al.
M

37 2006). Verela et al. acústico y mecánico combinado AL mediciones para evaluar la frescura de

38 almendras tostadas (Varela et al., 2006), y Taniwaki et al. analizado la textura crujiente de las patatas fritas usando

39 la fuerza y ​la presión de sonido (Taniwaki y Kohyama 2012 ) . Por lo tanto, las señales acústicas son útiles para

40 la evaluación de frescura. Además, la literatura c ontains informes que detallan el uso de diferentes
O

41 sensores. Taniwaki et al. utilizado un senso piezoeléctrico R para detectar la vibración durante la fractura de la muestra s
AD

42 (Taniwaki, Hanada, y Sakurai 2006). Iwatani et al . propuesto un método de evaluación de alimentos textura

43 que implica un acelerómetro (Iwatani, Akimoto, y S akurai 2013). Estos estudios demuestran que
T

44 diferentes señales en fracturas proporcionan detalles abou t la textura de los alimentos. En realidad, los seres humanos tienen
EP

45 mecanorreceptores en la membrana periodontal bajo sus dientes. Estos receptores tienen diferentes

46 las características de adaptación que juegan un rol importante e en la detección de la textura del alimento (Dong et al. 1993).
AC

47 Por lo tanto, los diferentes elementos de detección combinan con un método de análisis adecuado puede potencialmente

48 se utilizará para determinar los detalles de la textura de los alimentos .

49 En este estudio, se propone una evaluación de la textura del alimento método basado en una textura de los alimentos magnética

50 sensor. El sensor de la textura de los alimentos tiene dos s diferentes elementos que adquieren fuerza de series de tiempo y ENSING

51 datos de vibración durante la fractura. cantidades de características se derivan posteriormente de las ondas medidos.

52 Las cantidades de función se utilizan para evaluar comida te xtures a través de modelos de regresión logística. la logística

53 Los modelos de regresión evalúan cinco texturas de alimentos throu experimentos de laboratorio GH. Los resultados presentados

54 en el presente documento confirmar que el método de evaluación propuesto es eficaz para la visualización de texturas de alimentos utilizando
 MANUSCRITO ACEPTADO

gráficos de radar. 55
56

Materiales y métodos 57

58 La estructura de la textura de los alimentos i sensor magnético S mostrado en la Fig. 1. La estructura está diseñada

59 para imitar un diente humano. La parte superior de la comida sensor textura comprende un contactor, un elástico

60 membrana, y una base, que corresponden a un diente, una membrana periodontal, y un hueso alveolar,

61 respectivamente. Se montan y se fijan en los s tablero de Ensor. El contactor contiene una permanente

62 imán. Cuando una muestra de alimento toca el contactor, t él contactor deforma la membrana elástica y

O
63 mueve más cerca de la base. El campo magnético entr n el imán y la placa del sensor se cambia por

IT
64 el movimiento del contactor. Dos elementos sensores en la placa del sensor detectar el cambio de la

campo
sesenta y cinco magnético. Uno de los sensores es una re magnética elemento del sistance, que responde a la fuerza

CR
66 del campo magnético. La fuerza de los alimentos a t que el contactor se determina sobre la base de la

67 salidas de ocho elementos de resistencia magnética. los otro sensor es un inductor, que genera una

68

69
la tensión inducida en respuesta al cambio de la ma

inducción. La tensión inducida cambia especialmente w US Gnetic campo, de acuerdo con la ley de Faraday

uando el cambio del campo magnético es rápida.

AN
70 Por lo tanto, el inductor detecta la vibración en el fr actura. El sensor de la textura del alimento está unido a una

71 platina motorizada que presiona el sensor contra af muestra ood como se muestra en la Fig. 2. Las salidas de las

72 elementos de resistencia magnéticas y el inductor son una mplified por un circuito amplificador y se registran
M

por un ordenador personal a través de una tabla de conversión A-D. 73

74 El sensor magnético de alimentos de textura adquiere dos tiempo- conjuntos de datos serie de la fuerza y ​la vibración

75 durante la fractura de las muestras de alimentos. Veinte función q uantities se extraen posteriormente del dos

76 conjuntos de datos de series de tiempo. Las cantidades de características de fo RCE son desviación máxima, media, estándar,
O

77 varianza, asimetría, y curtosis. Las características de v ibration son máximo, mínimo, promedio de
AD

78 pulsos positivos, desviación estándar de pul positivo ses, la varianza de impulsos positivos, asimetría de

79 impulsos positivos, curtosis de impulsos positivos, efec tivo valor, número de altos impulsos positivos, el número de
T

80 de impulsos positivos medias, número de bajo p positivo ulses, diferencia media entre pulsos positivos,
EP

81 máximo de separación de impulsos positivos, y el número de negat pulsos IVE. Los umbrales entre la baja

82 y los pulsos positivos medias y entre el medio de una nd altos pulsos son 0,2 y 1,0 V, respectivamente. En
AC

83 experimentos, el sensor de la textura del alimento se utilizó para mí asure 10 muestras de alimentos: galleta (opción,

84 fabricado por Morinaga Co. Ltd., Tokio, Japón), co okie (MOON LIGHT, fabricado por

85 Morinaga Co. Ltd., Tokio, Japón), patata merienda A (J Agarico, fabricado por Calbee Co. Ltd.,

86 Tokio, Japón), patata merienda B (Jagabee, fabricación d hacia el Calbee Co. Ltd., Tokio, Japón), maíz

87 merienda (Karl, fabricado por Meiji Co. Ltd., Tokio, Japón), obleas (wafers de vainilla, fabricados por

88 Miura Seika Co. Ltd., Aichi, Japón), papas fritas Una (Chipstar, fabricado por Yamazaki Galletas Co

89 Ltd., Tokio, Japón), patata frita B (Pringles, Fabrica actured por Kellogg Co., Michigan, EE.UU.), de espesor

90 galleta de arroz (Curry Sen, fabricado por Kameda Sei ka Co. Ltd., Niigata, Japón), y el arroz delgada
 MANUSCRITO ACEPTADO

91 galleta (Usuyaki, fabricado por Kameda Seika Co. Ltd., Niigata, Japón). Los parámetros de textura

92 y la humedad de las muestras se muestran en la Tabla 1. T que parámetros se midieron mediante un instrumento

93 (JSV-H1000, Japón Instrumentación System Co., Ltd) y eran los valores medios de 10 veces de datos.

94 Estas muestras se formaron a 7,5 mm de altura. Se apilaron alimentos delgados tales como patata frita

95 hasta 7,5 mm. Dado que la zona de contactor del sensor textura de los alimentos es de 12 mm de diámetro,

el tamaño de las muestras se cortó en 20 × 20 × 7,5 mm. El sensor de la textura del alimento pulsa estos 96

97 muestras de 6,0 mm a una velocidad de 1,0 mm / s. cada samp Le fue presionado una vez.

98 La textura de los alimentos se cuantificó a partir de las características v ia un modelo de regresión logística, que

O
99 permite que cualquier entrada de bienes y toma valores entre cero y uno como una salida (Walker y Duncan

IT
100 1967). Uso de la introducción , Definimos la función de regresión logística como

CR
=1 .
1 +?

101 Supongamos que es una función lineal de múltiples varia explicativo bles = , , ⋯, .

se expresa como 102

=? +? + US + + ⋯? .
AN
103 Las variables explicativas múltiples son la característica cantidades determinadas a partir de los datos de series de tiempo.

104 Por lo tanto, la textura de los alimentos es interpretable como una condi probabilidad cional bajo la condición . En

105 este estudio, las variables de respuesta que indican la fo texturas de DO como variables binarias se obtienen por
M

106 evaluación sensorial. Los parámetros = , , ⋯,? están determinados por el de máxima verosimilitud

107 Estimacion. Si incluye demasiadas cantidades de características, las Generali la capacidad de chispa puede ser

108 perdió. No es adecuado para depender de un conjunto de datos específicos de series de tiempo. Por lo tanto, t que paso a paso

109 regresión selecciona cantidades de características apropiadas b obre la base del criterio de información de Akaike (Hocking
O

110 1976). En este estudio, después de se determina, el modelo logístico expresa por la ecuación es
AD

utilizado para evaluar la textura de los alimentos como una probabilidad. 111 112
T

113 Resultados
EP

114 Ejemplos de fuerza y ​la vibración durante el prensado son se muestra en la Fig. 3. En cada figura, el

115 línea en negrita muestra una fuerza de series de tiempo y la discontinua línea muestra una vibración de series de tiempo. la sensorial
AC

116 resultados de la evaluación se muestran la Tabla 2. Los números de una re el total de los sujetos que perciben la

117 textura de los alimentos. Los números en paréntesis indican w Hether los resultados se reunieron con el nivel de significación de

118 5%, donde un “1” indica que el alimento tiene la foo la textura d. Se utilizaron los números entre paréntesis

para el análisis de regresión logística. 119

120 Para determinar el coeficiente para cada textura de los alimentos, la regresión logística ana usos de lisis

121 los resultados experimentales y sensoriales para la biscui t, patata aperitivo A, aperitivos de maíz, patata chip de A, de espesor

122 galleta de arroz, y la fina galleta de arroz. tablas 3-6 mostrar los resultados analíticos para las características seleccionadas,

123 coeficientes, los odds ratios, y valores de p. Ademas n, Fig. 4 muestra los resultados de la regresión logística ion
 MANUSCRITO ACEPTADO

utilizando las características seleccionadas y los coeficientes. 124

125 El modelo de regresión logística determinado por la una ÁLISIS demostró la evaluación de

126 textura de los alimentos. La Fig. 5 muestra los resultados para cada foo re. La línea continua y la línea de trazos muestran la

127 resultados de la evaluación sensorial y el EVALUACIÓ n por el modelo logístico, respectivamente. cada radar

128 carta tiene cinco ejes que muestran el grado de la comida textura. Los grados de la evaluación sensorial son

129 las relaciones de los sujetos que perciben la comida t exture. Los grados por el modelo logístico son la

130 promedios de la p (Z) calculado según la ecuación (1). Los diez mea Se promediaron los datos surement.

131

O
discusión 132

IT
133 La galleta y la cookie exhibido ingenio alta fuerza Hout vibraciones. La fuerza de la cookie

134 fue mayor que el de la galleta en el momento o fractura f. aperitivos de patata A y B exhibió

CR
135 altas vibraciones frecuentes durante la fractura, donde olla ato bocado B tenía fuerza superior. El bocadillo de maíz y

136 la oblea exhibido baja fuerza y ​baja VIBR frecuentes ación. Patatas fritas A y B también exhibió baja

137 fuerza; los impulsos de vibración eran escasos y de inte

galletas exhiben una alta fuerza y ​los pulsos intensos. 138 US amplitud rmediate. El arroz grueso y delgado
AN
139 El sensor de textura de los alimentos mostró las diferencias en f ood textura entre las muestras de alimentos

140 a través de las dos formas de onda. La fuerza y ​la vibración reflejadas cambios lentos y rápidos durante la fractura,

141 respectivamente. Las frecuencias centrales de la fuerza de una nd la vibración difieren; Por lo tanto, la textura de los alimentos
M

142 sensor mide más detalles de la compar fractura ed con los instrumentos que utilizan una célula de carga.

143 Como se muestra en la Tabla 2, cada textura de los alimentos tenía un alto p oint para un determinado alimento. Estos resultados

144 muestran que los diferentes alimentos eran fuertemente Correla Ted con una textura específica de alimentos. Sin embargo, la patata

145 aperitivos A y B no mostraron un uno-a-uno Relatio n con una textura específica. Tienen una fuerza externa
O

146 piel y una estructura interior con una alta relación de vacíos . Por lo tanto, los sujetos humanos seleccionados comida múltiple
AD

147 texturas para estos alimentos. La prueba a una significanc nivel e de 5% clasifica la evaluación sensorial

148 los resultados como positivos (1), negativo (0), o undetermi Ned (-). El modelo logístico permite que sólo un binario
T

149 el valor de las variables de respuesta. En el presente estudio, para evaluar la mayoría de detección de la textura del alimento ,
EP

150 las combinaciones de textura de los alimentos y la alimentación de la muestra termined como (-) no se utiliza para la

151 determinación de . En realidad, los resultados indeterminados posiblemente puede b e utiliza para evaluar una minoría
AC

de las texturas de los alimentos. 152

153 Como se muestra en la Tabla 3, el máximo de vibración era s ignificant para la textura de los alimentos

154 “Sakusaku.” La textura “sakusaku” se evaluó la señal del sensor sin alta vibración. En

155 Tabla 4, la variación de la fuerza, la asimetría de positiv e impulsos, y el valor eficaz de la vibración eran

156 significativo para el “paripari.” textura de los alimentos. En pa rticular, el valor eficaz de la vibración tenía una hi gh

157 odds ratio. Como se muestra en la Tabla 4, el “paripari” tex ture se evaluó principalmente por el continuo

158 vibración. El “baribari” textura de los alimentos dependía el máximo de la fuerza, como se muestra en la Tabla 5. duro

159 Los alimentos tienen una tendencia a ser evaluado como teniendo “BA Ribari”textura. La asimetría de la fuerza era
 MANUSCRITO ACEPTADO

160 significativo para “Karikari”, como se muestra en la Tabla 6. A fuerza grande con una frecuencia baja se evaluó como

161 “Karikari”. Tabla 7 muestra que, aunque el efecto ive valor de la vibración fue significativa para “garigar yo,"

162 las otras dos variables también tenían valores de P bajos. actu aliado “garigari” fue evaluada por tres características

163 cantidades. Como se muestra en la Fig. 4, los modelos logísticos evaluado con éxito el positivo (1) y

164 negativo (0) de cada textura de los alimentos. El FEA seleccionado tura cantidades fueron eficaces para la evaluación de cinco

165 texturas de alimentos. Sin embargo, el “sakusaku” textura tenía una selección sesgada. Los autores especulan que una mayor

166 variación de las muestras de alimentos se requiere para decrea SE La sesgo.

167 Como se muestra en la Fig. 5, en el caso de la galleta, olla bocado ato A, aperitivos de maíz, galleta, y el

O
168 oblea, las evaluaciones de los corres modelo logístico estanque para la evaluación sensorial. En particular, incluso

IT
169 aunque la cookie y la oblea no se utilizaron para el d a determinación del modelo logístico, que se ajustan bien

170 con los resultados de la evaluación sensorial. Estos resultados confirmar que el método propuesto es eficaz para

CR
171 la evaluación de las texturas de la comida antes mencionado muestras. Sin embargo, se observan diferencias claras

172 entre lo sensorial y evalua del modelo logístico ciones en el caso de los otros cinco alimentos. los

173

174
causa principal es menor variación entre la muestra de alimento

y “garigari” sólo tenía una comida positivo. Por lo tanto, “ US s. Como se muestra en la Tabla 2, “baribari”, “Karikari,”

garigari”tenía diferencias para la patata chip de A, la

AN
175 galleta de arroz delgada, y la patata chip de B. Especulamos que la generalización del modelo logístico haría

requerirá una mayor variación de las muestras de alimentos. 176 177

M

conclusión 178

179 El sensor magnético de la textura del alimento se utilizó para measur e dos ondas de series de tiempo durante

180 de fractura, y las características se extrajeron de la ola s. Con respecto a los cinco texturas de alimentos, la efectiva

181 características para el modelo de regresión logística son sele cted tener un acuerdo con los resultados de la
O

182 prueba sensorial. Incluso si las muestras eran desconocidos alimentos s, el modelo logístico evaluó las texturas de alimentos
AD

como correspondiente a las pruebas sensoriales. 183

184 En este trabajo, sólo los seis alimentos se utilizaron para la selección de las características y la
T

185 determinación de los coeficientes beta. Varios foo ds se deben utilizar para disminuir la diferencia
EP

186 entre los resultados obtenidos con el modo de logística l y los obtenidos de ensayos sensoriales. Esta

187 trabajo contribuye modelos logísticos adicionales para OTH er texturas de alimentos y se expande la variación de la
AC

texturas de alimentos para la evaluación. 188

189

Reconocimiento 190

191 Este trabajo fue apoyado por la JSPS KAKENHI subvención Numbe r JP16K00813.

192

referencias 193

194 Chen, Lan, y Umezuruike Linus Opara. 2013. “textu re Métodos de medición en fresco y

195 Los alimentos procesados ​- Una revisión “. Food Research International 51 (2): 823-35.
 MANUSCRITO ACEPTADO

196 http://dx.doi.org/10.1016/j.foodres.2013.01.046.

197 Dong, WK, T Shiwaku, Y Kawakami, y EH Chudler. 1993. “Las respuestas estáticas y dinámicas de

198 Ligamento periodontal y Mecanorreceptores Intradent al Mecanorreceptores “. Diario de

199 neurofisiología 69 (5): 1567-1582. http://www.ncbi.nlm.nih.gov/pubmed / 8389830.

200 EtOH, Shinichi, Lingyan Feng, Kenichi Nakashi, y Kenshi Hayashi. 2008. “Taste chip sensor de

201 Sabor portátil Sensor System “20 (4):. 151-60.

202 Friedman, Herman H., James E. Whitney, y Alina Su rmacka Szczesniak. 1963. “The texturómetro-A

203 Nuevo Instrumento de Medición de la textura Objetivo “. Journal of Food Science 28 (4): 390-96.

O
204 Hocking, R R. 1976. “Un invitado Biometría de papel. Th E Análisis y Selección de Variables en Lineal

IT
205 Regresión." biometría 32 (1): 1-49. http://www.jstor.org/stable/2529336.

206 Iwatani, Shin Ichiro, Hidemi Akimoto, y Naoki Sak Urai. 2013. “método de vibración acústica para la Alimentación

CR
207 La evaluación de la textura utilizando un sensor acelerómetro “. Journal of Food Engineering 115 (1): 26-32.

208 http://dx.doi.org/10.1016/j.jfoodeng.2012.09.015.

209

210
Rock, F et al. 2008. “nariz electrónica: Stat actual

705-25. US
nosotros y Future Trends “. Chemical Reviews 108 (2):
AN
211 http://pubs3.acs.org/acs/journals/doilookup?in_doi= 10.1021 / cr068121q% 5Cnpapers: // 316bc3e6-3d

212 1b-427b-a4e3-80bd1b4d480e / Papel / p1578.

213 Saeleaw, Mayyawadee, y Gerhard Schleining. 2011. “Una Revisión: Curruscancia en alimentos secos y Calidad
M

214 Basado en las mediciones acústicas-mecánica Destructi Técnicas ve “. Journal of Food

215 Ingenieria 105 (3): 387-99. http://dx.doi.org/10.1016/j.jfoode ng.2011.03.012.

216 Tahara, Yusuke, y Kiyoshi Toko. 2013. “Electrónico Lenguas-Una revisión “. IEEE Sensors Diario 13 (8):

217 3001-11.
O

218 Taniwaki, Mitsuru, Takanori Hanada, y Naoki Sakur ai. 2006. “Dispositivo para las mediciones acústicas de
AD

219 Textura de los alimentos El uso de un sensor piezoeléctrico “. Food Research International 39 (10): 1099-1105.

220 Taniwaki, Mitsuru, y Kaoru Kohyama. 2012. “Mechan iCal y acústica Evaluación de la patata frita
T

221 Curruscancia El uso de un analizador de textura Versátil “. Journal of Food Engineering 112 (4): 268-73.
EP

222 http://dx.doi.org/10.1016/j.jfoodeng.2012.05.015.

223 Uchida, T et al. 2001. “Un nuevo método para la evaluación de La amargura de Medicamentos por parte semi-continuo
AC

224 La medición de adsorción utilizando un sensor de Sabor “. Química y Pharmaceutical Bulletin 49 (10):

225 1336-1339.

226 Varela, P., J. Chen, S. Fiszman, y MJW Povey . 2006. “Evaluación nitidez de almendras asadas

227 mediante un enfoque integrado sobre textura Descripción: T exture, Acústica, sensorial y estructura “.

228 Journal of Quimiometría 20 (6-7): 311-20. http://doi.wiley.com/10.1002/cem. 1029 (9 de mayo 2017).

229 Walker, Strother H, y David B Duncan. 1967. “Biom etrika Fiduciario estimación de la probabilidad de una

230 Evento como una función de varias variables Independiente s “. Fuente: Biométrika Biométrika Confianza

231 54 (12): 167-79. http://www.jstor.org/stable/2333860 .

 MANUSCRITO ACEPTADO

232

O
IT
CR
US
AN
M
O
T AD
EP
AC
 MANUSCRITO ACEPTADO

Tabla 1 Texto u parámetros ral una nd de humedad de s alimentos plos.

Dureza (N / Viscosidad cohesión Elasticidad

Humedad (%)
m2) (J / m3) (%) (%)

Galleta 49.07 0.00 2.8 87.9 0.7

Galleta 60.01 0.00 1.4 63.4 0.5

Potato bocado A 67.02 0.06 14.3 19.5 4.5

Potato bocado B 36.06 0.00 5.1 65.6 4.1

bocado del maíz 44.24 0.00 22.4 43.5 3.1

Oblea 47.70 0.00 19.6 35.8 7.1

O
La patata frita de A 24.17 0.00 32.9 38.8 1.0

chip de patata B 57.49 0.00 31.8 41.5 1.4

IT
galleta de arroz de espesor 89.33 0.07 10.6 24.9 2.0

CR
galleta de arroz delgada 40.61 0.00 13.7 17.3 2.2

Tabla 2 Resultados de la evaluación sensorial. Los números

US
entre paréntesis indican si la prueba en una señal de nivel ificance
AN
de 5% t clasificado os resultados una positivo ( 1), negat ive (0), o undeter metro ined (-).

Sakusaku Paripari Baribari Karikari Garigari

M

Galleta 9 (1) 0 (0) 1 (0) 1 (0) 1 (0)

Galleta 10 (1) 0 (0) 1 (0) 0 (0) 0 (0)

Potato bocado A 1 (0) 1 (0) 1 (0) 9 (1) 10 (1)

Potato bocado B 6 (-) 1 (0) 1 (0) 4 (-) 5 (-)

10 (1) 0 (0) 0 (0) 1 (0) 0 (0)

O

bocado del maíz

Oblea 9 (1) 3 (-) 0 (0) 0 (0) 0 (0)

AD

La patata frita de A 5 (-) 10 (1) 3 (-) 2 (-) 0 (0)

chip de patata B 4 (-) 10 (1) 4 (-) 3 (-) 0 (0)

T

galleta de arroz de espesor 1 (0) 5 (-) 9 (1) 2 (-) 1 (0)

EP

galleta de arroz delgada 0 (0) 9 (1) 6 (-) 3 (-) 1 (0)

AC

Tabla 3 Variables una nd re analítica s ULTS para textu re “Sakusaku”

Variable odds ratio P-valor

Interceptar 25.47

Máximo de la vibración -5.28 0.000009 0,0323

Tabla 4 variables y los resultados analíticos para la textura “Paripari”

 MANUSCRITO ACEPTADO

Variable odds ratio P-valor

Interceptar -5225

Varianza de la fuerza -0.03 0.01 0,0436

La asimetría de la fuerza -2.531 0.1127 0,1076

Número de pequeños impulsos positivos -0.017 0,0027 0,051 7

La asimetría de impulsos positivos 0,112 28.19 0,0418

valor eficaz de la vibración 1758 176 . 9 0,0188

“Baribari”

O
Tabla 5 Variables una nd analítica r mi sultados para textu re

Variable odds ratio P-valor

IT
Interceptar -19.03

CR
Mínimo de vibraciones 2,387 3.3704 0.2808

distancia entre pulsos positivos significan -0.138 0,0242 0,091

US
La asimetría de impulsos positivos 0,125 1.1136 0,102

Máximo de la fuerza 0,352 1100 0,0431

Número de impulsos positivos medianas -0.073 0.1045 45

0,30
AN
M

Tabla 6 Variables una nd analítica r mi sultados para textu re “Karikari”

Variable odds ratio P-valor

Interceptar 2.114

La asimetría de la fuerza 9.35 1469 0,0193

O

distancia entre pulsos positivos significan -0.078 0,0866 0.3805

T AD

Tabla 7 Variables una nd analítica r mi sultados para textu re “Garigari”

EP

Variable odds ratio P-valor

Interceptar 4354
AC

La desviación estándar de la fuerza -0,4426 0.0606 0,0882

Número de impulsos positivos medianas 0.1801 692,8 0,064 6

valor eficaz de la vibración -1466 0,0141 0,0307

 MANUSCRITO ACEPTADO

O
IT
Fig. 1 Estructura del sensor textura de los alimentos magnético.

CR
US
AN
M
O
T AD
EP
AC

Fig. 2 La etapa motorizada y el sensor de la textura del alimento.

 MANUSCRITO ACEPTADO

O
IT
(un bizcocho (B) de la galleta

CR
US
AN
M

(C) de la patata aperitivo A (B) de aperitivos de patata B

O
T AD
EP
AC

(E) Bocado del maíz (F) de la oblea

 MANUSCRITO ACEPTADO

O
IT
(G) de chips de patata A (H) de chips de patata B

CR
US
AN
M

(I) Grueso galleta de arroz (J) Thin galleta de arroz

Fig. 3 los datos de fuerza de series de tiempo y tensión recogidas durante experimentos de fractura.
O
T AD
EP
AC
 MANUSCRITO ACEPTADO

O
IT
(A) Sakusaku (B) Paripari

CR
US
AN
M

(C) Baribari (D) Karikari

O
T AD
EP
AC

(E) Garigari

Fig. 4 texturas de alimentos evaluados por el modelo de regresión logística.

 MANUSCRITO ACEPTADO

O
IT
(un bizcocho (B) de aperitivos de patata A

CR
US
AN
M

(C) Bocado del maíz (D) de chips de patata A

O
T AD
EP
AC

(E) galleta de arroz grueso (F) Thin galleta de arroz

 MANUSCRITO ACEPTADO

O
IT
(G) de la galleta (H) de aperitivos de patata B

CR
US
AN
M

(I) la oblea (J) de chips de patata B

O

Fig. 5 Comparación entre los resultados de las pruebas sensoriales y el método propuesto para alimento cinco
AD

texturas.
T
EP
AC
 MANUSCRITO ACEPTADO

Reflejos

Un sensor de la textura del alimento obtiene la fuerza de series de tiempo y datos de vibración durante la fractura. cantidades de

características se extraen de las dos ondas para determinar un modelo logístico. Los modelos logísticos evalúan texturas de alimentos y

visualizar como un gráfico de radar. El método propuesto puede ser utilizado potencialmente para evaluar las texturas de los alimentos

desconocidos.

O
IT
CR
US
AN
M
O
T AD
EP
AC