بررسي عملكرد يك سيستم بيني الكترونيكي در طبقه‌بندي كيفي اسانس گل‌محمدي (Rosa damascene Mill.) به كمك شبكه عصبي مصنوعي

Investigation of electronic nose system in classification of Rosa damascena Mill. essential oil by artificial neural network

به‌دلیل افزایش استفاده از گیاهان دارویی و معطر، توجه به امر طبقه‌بندی كیفی آنها نیز امری اجتناب‌ناپذیر می‌باشد. گل‌محمدی (Rosa damascene Mill.) نیز با ارزش بالای اسانس و خواص بی‌نظیر آن در صنایع بهداشتی، غذایی و دارویی یكی از این گیاهان است. از این‌رو، در این مطالعه طبقه‌بندی كیفی اسانس 9 ژنوتیپ از گل‌محمدی با كمك یك سیستم بینی الكترونیكی براساس حسگرهای نیمه‌هادی اكسید فلزی (MOS) مورد بررسی قرار گرفت. تركیب‌های اصلی تأثیرگذار در كیفیت اسانس گل‌محمدی با استفاده از روش كروماتوگرافی گازی (GC) و كروماتوگرافی گازی متصل به طیف‌سنج جرمی (GC-MS) شناسایی شدند و بر اساس درصد كل این تركیب‌ها، نمونه‌ها در سه كلاس از نظر كیفی طبقه‌بندی شدند. سپس طبقه‌بندی این كلاس‌ها با استفاده از بینی الكترونیك طراحی شده مورد ارزیابی قرار گرفت. در استفاده از ابزارهای كمومتریك نتایج آنالیز مؤلفه‌های اصلی (PCA) نشان داد كه با استفاده از دو مؤلفه اصلی اول (PC1، PC2) می‌توان 85% واریانس داده‌ها را توجیه كرد. همچنین با استفاده از نمودار لودینگ حاصل از PCA، حسگرهایی كه تأثیر بیشتری در تفكیك كلاس‌ها داشتند، شناسایی شدند. در ادامه دقت طبقه‌بندی با استفاده از شبكه عصبی پس انتشار پرسپترون چند لایه (Bp-MLP) به‌عنوان یك روش تحت نظارت، برای داده‌های آموزش و آزمون به‌ترتیب 100% و 96% بدست آمد. در پایان نتایج نشان داد كه بینی الكترونیكی به‌عنوان ابزاری ارزان، دقیق، آسان و با قابلیت تبدیل به حالت زمان واقعی می‌تواند در راستای طبقه‌بندی كیفی اسانس گل‌محمدی و در نتیجه ژنوتیپ‌های آن مؤثر واقع شود.

Due to the increased use of medicinal plants, the qualitative classification is inevitable. Rosa damascena Mill. with a high value of essential oil and its unique properties in the health, food and pharmaceutical industries is of one of these plants. In this study, after essential oil extraction from nine genotypes of Rosa, the essential oil components were identified by GC and GC-MS analysis. The genotypes were divided in three classes (C1, C2, C3) based on total percentage of six most important compounds, having major role in essential oil quality (phenyl ethyl alcohol, trans rose oxide, citronellol, nerol, geraniol, geranial).Then, the classes were tested by an electronic nose (EN) system designed based on metal oxide semiconductor (MOS) sensors. Sensors response pattern was recorded and analyzed by chemometrics methods in next step. Results of principal components analysis (PCA) showed that 85% of data variance was explained by two first principal components (PC1, PC2). Artificial neural network based on back propagation multilayer perceptron (Bp-MLP) was performed and classification accuracy achieved 100% and 96% for training and test sets, respectively. These results showed that EN could be used as a quick, easy, accurate and inexpensive system to classify Rosa damascene Mill essential oil.