การวิเคราะห์ความสัมพันธ์ของข้อมูลสัญญาณจากกลุม

่ เซ็นเซอร์แก็ สกับ
กลิน
่ ของข้าวกล้อง
นาข้อมูลสัญญาณจากกลุม ่ เซ็นเซอร์แก็สทีไ่ ด้จากการวัดกลิน ่ ข้าวกล้องตัวอ
ย่ า ง โดยใช้ ข้า วกล้ อ งที่มี ก ลิ่ น หื น และข้า วกล้ อ งที่ไ ม่ มี ก ลิ่ น หื น จ านวน 400
ตั ว อ ย่ า ง
มาหาความแปรปรวนของข้อ มู ล ด้ ว ยเทคนิ ค การวิ เ คราะห์ อ งค์ ป ระกอบหลัก
(Principle component analysis, PCA)
เ พื่ อ พิ จ า ร ณ า ค ว า ม สั ม พั น ธ์ ว่ า มี ค ว า ม สั ม พั น ธ์ กั น ม า ก ห รื อ น้ อ ย
แ ล ะ ห า ค ว า ม สั ม พั น ธ์ กั บ ข้ อ มู ล ส ม บั ติ ท า ง ก า ย ภ า พ ( ก ลิ่ น หื น )
ด้ ว ยการสร้า งสมการถดถอยเชิ ง เส้ น ด้ ว ยเทคนิ ค Partial least squares –
discriminant analysis (PLS-DA) โดยใช้ โ ปรแกรม The Unscrambler
โดยแบ่ ง ตัว อย่ า งออกเป็ น 2 กลุ่ ม คื อ กลุ่ ม สร้า งสมการ ( Calibration set)
จานวน 267 ตัวอย่าง เป็ นกลุ่มตัวอย่างที่ใช้ในการสร้างสมการถดถอยเชิงเส้น
แ ล ะ ก ลุ่ ม ก า ร ท ด ส อ บ ส ม ก า ร ( Validation set) จ า น ว น 1 3 3 ตัว อ ย่ า ง
เป็ นกลุม่ ตัวอย่างทีใ่ ช้ทดสอบประสิทธิภาพหรือความสามารถของสมการถดถอยเ
ชิ ง เ ส้ น ใ น ก า ร ท า น า ย ส ม บั ติ ท า ง ก า ย ภ า พ ข อ ง ข้ า ว ก ล้ อ ง
จากนั้น น าข้ อ มู ล ที่ ท ดสอบได้ ม าวิ เ คราะห์ ผ ลทางสถิ ติ ด้ ว ยวิ ธี ห าค่ า เฉลี่ ย
และเปรี ย บเที ย บความแตกต่ า งระหว่ า งค่ า เฉลี่ ย ของข้ า วกล้ อ งที่ มี ก ลิ่ น หื น
และข้าวกล้องทีไ่ ม่มีกลิน ่ หืน
การวิเคราะห์เชิงคุณภาพ
ใช้ ก ารวิเ คราะห์ อ งค์ ป ระกอบหลัก (Principle component analysis,
PCA) ซึ่ ง เ ป็ น เ ท ค นิ ค ก า ร ล ด จ า น ว น ตั ว แ ป ร อิ ส ร ะ
โดยแบ่งกลุม ่ ตัวแปรทีม ่ ีความสัมพันธ์กนั เพือ ่ สร้างตัวแปรใหม่เรียกว่า Principle
component (PC) ซึ่ ง PC1
อ ธิ บ า ย ค ว า ม แ ป ร ป ร ว น ข อ ง ข้ อ มู ล เ ดิ ม ไ ด้ ม า ก ที่ สุ ด เ ส ม อ
โ ด ย เ ฉ พ า ะ ค ว า ม แ ป ร ป ป ร ว น ข อ ง ส ม บั ติ ท า ง ก า ย ภ า พ
ซึ่ ง ไม่ เ กี่ ย วข้ อ งกับ องค์ ป ระกอบทางเคมี PC ล าดับ ถัด มา (PC2 … PCn)
จะอธิบายความแปรปรวนของข้อมูลลดน้อยลงตามลาดับ จากการวิเคราะห์ดว้ ย
PCA
ซึง่ เป็ นการวิเคราะห์ขอ ้ มูลสัญญาณกลุม ่ เซ็นเซอร์แก็สของกลุม ่ ข้าวกล้องทีม
่ ีกลิ่นหื
น แ ล ะ ข้ า ว ก ล้ อ ง ที่ ไ ม่ มี ก ลิ่ น หื น
พบว่าสามารถแยกข้าวกล้องทีม ่ ีกลิ่นหืนออกจากข้าวกล้องทีไ่ ม่มีกลิ่นหืนได้อย่าง
ชัดเจน ภาพที่ 1-3 (กาหนดให้ 0 เป็ นสัญลักษณ์ ของข้าวกล้องทีม ่ ีกลิน
่ หืน และ 1
เป็ นสัญลักษณ์ ของข้าวกล้องทีไ่ ม่มีกลิน่ หืน)

ภาพที่ 1 ผลของ PCA

ในการแยกข้าวกล้องทีม่ ีกลิน
่ หืนและข้าวกล้องทีไ่ ม่มีกลิน
่ หืน
โดยใช้ขอ้ มูลสัญญาณของกลุม ่ เซ็นเซอร์แก็สในรูปผลต่างความต่างศักย์ (DV)
ของสัญญาณ

ภ า พ ที่ 2 ผ ล ข อ ง PCA
ใ น ก า ร แ ย ก ข้ า ว ก ล้ อ ง ที่ มี ก ลิ่ น หื น แ ล ะ ข้ า ว ก ล้ อ ง ที่ ไ ม่ มี ก ลิ่ น หื น
โ ด ย ใ ช้ ข้ อ มู ล สัญ ญ า ณ ข อ ง ก ลุ่ ม เ ซ็ น เ ซ อ ร์ แ ก็ ส ใ น รู ป ค ว า ม ชั น ( Slope)
ของสัญญาณ
ภ า พ ที่ 3 ผ ล ข อ ง PCA
ใ น ก า ร แ ย ก ข้ า ว ก ล้ อ ง ที่ มี ก ลิ่ น หื น แ ล ะ ข้ า ว ก ล้ อ ง ที่ ไ ม่ มี ก ลิ่ น หื น
โดยใช้ ข้ อ มู ล สัญ ญาณของกลุ่ ม เซ็ น เซอร์ แ ก็ ส ในรู ป พื้ น ที่ ใ ต้ ก ราฟ (Area)
ของสัญญาณ
การสร้างสมการเทียบมาตรฐาน (Calibration model)
นาข้อมูลสัญญาณจากกลุม ่ เซ็นเซอร์แก็สของกลิน ่ ในข้าวกล้องมาหาความสั
ม พั น ธ์ กั บ ข้ อ มู ล ส ม บั ติ ท า ง ก า ย ภ า พ
ด้ ว ยการสร้ า งสมการถดถอยเชิ ง เส้ น ด้ ว ยเทคนิ ค Partial least squares
regression (PLSR)
ซึ่ ง ใ ช้ ข้ อ มู ล สั ญ ญ า ณ ที่ วั ด ไ ด้ จ า ก ตั ว อ ย่ า ง ข้ า ว ก ล้ อ ง ที่ มี ก ลิ่ น หื น
และข้ า วกล้ อ งที่ ไ ม่ มี ก ลิ่ น หื น ตัว อย่ า งละ 200 ข้ อ มู ล รวมเป็ น 400 ข้ อ มู ล
แล้ ว น าข้ อ มู ล มาพิ จ ารณาด้ ว ยการค านวณ ประกอบด้ ว ย 3 รู ป แบบ คื อ
ข้ อ มู ล ผ ล ต่ า ง ค ว า มต่ า ง ศัก ย์ ขอ ง สัญ ญา ณ ข้ อ มู ล ค ว า ม ชัน ข อง สัญ ญาณ
แ ล ะ ข้ อ มู ล พื้ น ที่ ใ ต้ ก ร า ฟ สั ญ ญ า ณ
ม า ห า ค ว า ม สั ม พั น ธ์ กั บ ค ว า ม แ ต ก ต่ า ง ข อ ง ก ลิ่ น ใ น ข้ า ว ก ล้ อ ง
แ ล ะ ป รั บ แ ต่ ง ข้ อ มู ล ด้ ว ย วิ ธี Smoothing แ ล ะ Second derivative
แล้ ว ท าการเปรี ย บเที ย บสมการ calibration ที่ ส ร้ า งขึ้ น มาจากวิ ธี PLSR
เพื่ อ ใช้ ใ นการคัด แยกข้ า วกล้ อ งที่ มี ก ลิ่ น หื น และข้ า วกล้ อ งที่ ไ ม่ มี กลิ่ น หื น
ส่ ว นค่ า สถิ ติ ที่ ใ ช้ ต รวจสอบสมการ calibration และ validation ว่ า ถู ก ต้ อ ง
แ ล ะ ส า ม า ร ถ น า ไ ป ใ ช้ ไ ด้ ห รื อ ไ ม่ คื อ ค่ า SEC
เ ป็ น ค่ า ที่ ไ ด้ จ า ก ก า ร เ ป รี ย บ เ ที ย บ ก ลิ่ น หื น ข อ ง ข้ า ว ก ล้ อ ง
ทีไ่ ด้จากจมูกอิเล็กทรอนิกส์ทส ี่ ร้างขึน ้ กับการวิเคราะห์ดว้ ย reference method
ซึ่ ง ค่ า ที่ ไ ด้ ค ว ร มี ค่ า น้ อ ย ๆ จึ ง จ ะ มี ค ว า ม ถู ก ต้ อ ง ม า ก ค่ า Bias
เ ป็ น ก า ร เ ป รี ย บ เ ที ย บ ค่ า เ ฉ ลี่ ย ข อ ง ก า ร ท า น า ย ก ลิ่ น หื น ใ น ข้ า ว ก ล้ อ ง
ทีไ่ ด้จากจมูกอิเล็กทรอนิกส์ทีส่ ร้างขึน้ กับการวิเคราะห์ดว้ ย reference method
ว่ า มี ค ว า ม แ ต ก ต่ า ง กั น ห รื อ ไ ม่ ร ว ม ทั้ ง ค่ า R
ั ได้ จ ากจมู ก อิ เ ล็ ก ทรอนิ ก ส์ ที่ ส ร้ า งขึ้ น
เป็ นค่ า ความสัม พัน ธ์ ร ะหว่ า งค่ า ที่ ว ด
กับการวิเคราะห์ดว้ ย reference method ควรมีคา่ เข้าใกล้ 1 ถึงแสดงว่าสมการ
calibration
มีความเหมาะสมทีจ่ ะนาจมูกอิเล็กทรอนิกส์ทีส ้ มาใช้ในการคัดแยกหรือจา
่ ร้างขึน
แนกข้าวกล้องทีม ่ ีกลิน
่ หืนกับข้าวกล้องทีไ่ ม่มีกลิน ่ หืนได้
ผลของสมการเทียบมาตรฐานกลิน
่ หืนด้วยวิธี GC-MS