Neste trabalho foi empregada a análise de componentes principais por intervalo (iPCA) como método de seleção de variáveis, associada à espectroscopia no infravermelho próximo e médio, visando à discriminação de óleos vegetais. Os seguintes óleos vegetais foram analisados: soja, canola, girassol, arroz, milho, algodão e amendoim. Os espectros foram adquiridos em quintuplicata, utilizando um espectrômetro Perkin Elmer Spectrum 400 no intervalo entre 650-4.000 cm-1 (infravermelho médio) e 4.000-10.000 cm-1 (infravermelho próximo), com resolução de 4 cm-1 e 32 varreduras. Após, os dados espectrais foram normalizados e posteriormente
corrigidos com as transformadas SNV (variação normal padrão) e primeira derivada com uma janela de 5 pontos. Os modelos foram desenvolvidos através do aplicativo Matlab empregando análise de componentes principais por intervalos (iPCA) disponÃvel no pacote iToolbox. Foram realizadas análises subdividindo os espectros em 8, 16 e 32 intervalos, com os dados centrados na média. O presente trabalho indica que a análise de componentes principais por intervalos (iPCA), como ferramenta de seleção de variáveis, possibilita encontrar regiões representativas.
Interval Principal Component Analysis (iPCA) was used in this study as variable selection methods associated
with mid and near-infrared spectroscopy, aiming discrimination of vegetable oils. The following oils were analyzed: soybean, canola, sunflower, rice, corn, cotton and peanuts. The spectra were acquired in quintuplicate using a Perkin Elmer Spectrum 400 spectrometer in the range of 650-4000 cm-1 (mid-infrared),
and 4000-10000 cm-1 (near-infrared) with a resolution of 4 cm-1 and 32 scans. So the spectral data were normalized and later corrected with the transformed SNV (standard normal variation) and first derivative with a 5 point window. The models were developed using the Matlab application employing Interval Principal Component Analysis (iPCA) available in the iToolbox package. Analyses subdividing the spectra in 8, 16 and 32 intervals were made, with mean centering data. This study indicates that Interval Principal Component Analysis (iPCA) as a tool for variable selection allows to find representative regions aiming discrimination of different vegetable oils.
