Técnicas Quimiométricas de Clasificación

Las técnicas quimiométricas utilizadas en problemas de análisis cualitativo se conocen de forma general con el nombre de Métodos de Reconocimiento de Pautas (MRP). [1]

Este conjunto de herramientas permite establecer  agrupaciones de muestras en función de características comunes o relaciones que existan entre ellas o bien definir criterios para clasificar muestras desconocidas. [2]

Estas técnicas quimiométricas han sido ampliamente aplicadas a la resolución de distintos problemas de clasificación, empleando ya sea características o magnitudes físicas de las muestras. 

La mayoría de los MRP se fundamenta en la determinación de la similitud y la manera más común de expresar la similitud es a través de medidas de correlación o distancias. Las medidas de correlación se basan en el cálculo del coeficiente de  correlación entre dos muestras, que oscila entre –1 y 1. En este caso, los valores unitarios indican coincidencia total entre los dos vectores (espectros en el IR, perfiles de disolución, voltamperogramas, etc). [3]

 Por su parte, las medidas de distancia se  basan en el cálculo  de una variable que representa cuán diferente es una muestra de otra o bien cuál es la diferencia entre la muestra y puntos en el espacio que representan los modelos de una clase. El cálculo de la distancia D entre una muestra  xi  y el centroide de una clase cuya  matriz de dispersión de los datos alrededor del centroide es Φ, depende del valor que adopte esta matriz de dispersión. [4]

En un caso particular, cuando Φ-1 representa la inversa de la matriz de variancia-covariancia, la distancia es conocida como Distancia de Mahalanobis (MD). La morfología de estas clases es elipsoidal, con elipsoides que presentan formas, tamaños y orientaciones diferentes.  Por su parte, los MRP se clasifican  en métodos supervisados y métodos no supervisados, según se conozca o no la pertenencia de los objetos a clases determinadas.  

[1] Piao, X.-L.; Park, J. H.; Cui, J.; Kim, D.-H.; Yoo, H. H. (2007) “Development of gas chromatographic/mass spectrometry-pattern recognition method for the quality control of Korean Angelica”. J. Pharm. Biomed. Anal 44:1163-1167; b) Urbano, M.; Luque de Castro, M. D.; Pérez, P. M.; García-Olmo, J.; Gómez-Nieto, M. A. (2006) “Ultraviolet-visible spectroscopy and pattern recognition methods for differentiation and classification of wines”. Food Chem. 97:166-175; c) Realpe, A.; Velázquez, C. (2006) “Pattern recognition for characterization of pharmaceutical powders”. Powder Technol. 169:108-113; d) Scott, D. R. (1994) “Pattern recognition/expert system for identification of toxic compounds from low resolution mass spectra”. Chemom. Intell. Lab. Syst. 23:351-364.

[2] Rosenfeld, A. (1969) “Pictorial pattern recognition”. Biosystems 3:211-220. 

[3] Blanco, M.; Coello, J.; Iturriaga, H.; Maspoch, S.; De la Pezuela, C. (1994) “Control analysis of a pharmaceutical preparation by near-infrared reflectance spectroscopy : A comparative study of a spinning module and fibre optic probe”. Anal. Chim. Acta 

298:183-191. 

[4] Mark, H. (2002). Qualitative Discriminant Analysis en Burns, D. A.; Ciurczac, E. (Eds.) Handbook of Near Infrared Analysis, Marcel Dekker, Nueva York, EEUU, Capítulo 13.