Feature Engineering para mejorar la clasificación automática de espectros de un biosensor dieléctrico para la detección de gluten

Abstract

El gluten es un conjunto de proteínas presentes en los principales cereales de consumo humano. Sin embargo, una parte de la población es intolerante a esta sustancia lo que requiere un control en la industria alimentaria que utiliza estos cereales como un ingrediente habitual. En primer lugar, mediante el empleo de un Split Ring Resonator, se construirá un conjunto de datos de distintos compuestos (con o sin gluten) y un conjunto de datos de muestras contaminadas. Se utilizarán técnicas de Feature Engineering para adaptar el conjunto de datos obtenido del sensor a los modelos posteriores. A continuación, mediante técnicas Machine Learning se desarrollará un clasificador para la caracterización de esos compuestos según su clase y según si contienen o no gluten. Entre estas técnicas, se utilizará Feature Selection para optimizar el clasificador unificando la señal de tiempo que se obtiene del sensor y su transformada discreta de Fourier. Los hiperparametros de los diferentes modelos se ajustarán mediante Hyperparameter Tunning.

Gluten is a type of protein found in the main human-consumed cereals. However, a segment of the population is intolerant to this substance, phenomenon which means it is required a strict control on the food industry which uses these cereals as a regular ingredient. Firstly, by using a Split Ring Resonator, a dataset composed by different compounds will be build (gluten free and non-gluten free) as well as a dataset of cross-contaminated samples. Feature Engineering techniques will be used to adapt the raw data from the sensor to the following models. By using Machine Learning techniques, a classifier will be trained to categorize the different compounds on their label and on their gluten contamination. Additionally, Feature Selection will be performed after the combination of the time signal obtained from the sensor with its Fourier Discrete Transform. The hyperparameters of the different models will be optimized using Hyperparameter Tunning.