Implementation of spectroscopic techniques (FTIR, UV–Vis) and thermally modulated MOS gas sensor system (E-nose) in the monitoring of natural black table olive fermentation

Abstract

Table olives are one of the most popular fermented products across the Mediterranean basin. Their consumption since ancient times laid the foundation for the development of merchantry and local market economies. As an indispensable component of the Mediterranean diet, table olive production should rely on a synthesis of traditional agricultural expertise, modern controlled fermentation techniques, and monitoring of the process. However, the methods used for their processing are still based mainly on traditional, empirical, and craft-based practices, in order to control the fermentation process. As a result of this, there are serious concerns regarding safety and spoilage, due to final product’s frequent instability, unpredictability, and difficulty of reproduction. In this study, brines from Kalamata natural black table olives were collected from a spontaneous fermentation driven by the indigenous microflora, and two controlled fermentations using Lactiplantibacillus pentosus B281 and the starter culture Vege-Start 60 containing Lactiplantibacillus plantarum, respectively. The samples were measured using FTIR and UV–Vis spectroscopy, as well as a thermally modulated MOS gas sensor system, in order to determine the chemical profile and the composition of the table olive brine during the fermentation process. Subsequently, the results were statistically analysed using multivariate techniques, and the data were used to train machine learning algorithms for the development of predictive models that could be used to monitor the fermentation process in real-time. The results proved that the fermentation of natural black olives in brine is characterised by an initial period of rapid biochemical reactions, followed by gradual stabilisation. By analysing the chemical profile of the samples, FTIR spectroscopy revealed that the presence of water in the sample caused intense absorption, resulting in overlapping the weaker peaks of the dissolved substances in the brine. Consequently, it was not possible to distinguish the chemical profile of the brines or the stages of product fermentation, leading to the development of models with very low statistical indices and high errors. In contrast, the evaporation of the brine samples prior to FTIR measurement played a decisive role in identifying the chemical composition and creating reliable, robust, and accurate models for process monitoring. FTIR analysis of evaporated samples revealed rich spectral features, particularly in the fingerprint region (1800–800 cm-1), enabling the monitoring of major biochemical transformations such as lactic acid production, carbohydrate consumption, and phenolic modifications. These models achieved statistical indices, such as coefficient of determination of prediction (R2p) and ratio of performance to interquartile distance (RPQI), of up to 0.83 and 3.26, respectively, and in particular, the pre-processed models demonstrated the best performance, with accurate discrimination of the fermentation stages. UV–Vis spectroscopy further supported these findings, exhibiting an increase in absorbance in the 330–400 nm range. These changes were associated mainly with the diffusion and transformation of phenolic compounds, reflecting the transition towards chemical equilibrium. The thermally modulated MOS gas sensor analysis (E-nose) showed volatile compound (VOC) evolution, following a similar pattern of pronounced changes during the initial fermentation stages and stabilisation thereafter. Multivariate statistical analysis using PLS-R models confirmed that the reliable prediction of fermentation time is possible. Moreover, the best results are achieved with the UV–Vis (R2p = 0.828 and RPQI = 3.81) and evaporated-film FTIR (R2p = 0.875 and RPQI = 2.92) analysis when the proper pre-processing is performed. In particular, the use of logarithmic transformation significantly improved model performance, capturing the non-linearity and the heteroscedasticity of the system. In conclusion, the integration of spectroscopic techniques and machine learning is promising for real-time, non-destructive table olive fermentation monitoring, with spectral fingerprints effectively detecting the microbiological and chemical evolution of the process.Οι επιτραπέζιες ελιές είναι ένα από τα πιο δημοφιλή προϊόντα ζύμωσης σε όλη τη λεκάνη της Μεσογείου. Η κατανάλωσή τους από την αρχαιότητα έθεσε τα θεμέλια για την ανάπτυξη του εμπορίου και των τοπικών οικονομιών της αγοράς. Ως απαραίτητο συστατικό της μεσογειακής διατροφής, η παραγωγή επιτραπέζιων ελιών θα πρέπει να βασίζεται σε μια σύνθεση παραδοσιακής γεωργικής τεχνογνωσίας, σύγχρονων τεχνικών ελεγχόμενης ζύμωσης και παρακολούθησης της διαδικασίας. Ωστόσο, οι μέθοδοι που χρησιμοποιούνται για την επεξεργασία τους εξακολουθούν να βασίζονται κυρίως σε παραδοσιακές, εμπειρικές και χειρωνακτικές πρακτικές, προκειμένου να ελέγχεται η διαδικασία ζύμωσης. Ως αποτέλεσμα αυτού, υπάρχουν σοβαρές ανησυχίες σχετικά με την ασφάλεια και την αλλοίωση, λόγω της συχνής αστάθειας, της απρόβλεπτης φύσης και της δυσκολίας αναπαραγωγής του τελικού προϊόντος. Σε αυτή τη μελέτη, συλλέχθηκαν άλμες από φυσικές μαύρες επιτραπέζιες ελιές Καλαμών από αυθόρμητη ζύμωση που καθοδηγείται από την αυτόχθονη μικροχλωρίδα και δύο ελεγχόμενες ζυμώσεις χρησιμοποιώντας Lactiplantibacillus pentosus B281 και την εμπορική εκκινητήρια καλλιέργεια Vege-Start 60 η οποία περιέχει Lactiplantibacillus plantarum, αντίστοιχα. Τα δείγματα αναλύθηκαν χρησιμοποιώντας φασματοσκοπία FTIR και UV–Vis, καθώς και ένα θερμικά διαμορφωμένο σύστημα αισθητήρων αερίου MOS, προκειμένου να προσδιοριστεί το χημικό προφίλ και η σύνθεση της άλμης επιτραπέζιας ελιάς κατά τη διάρκεια της διαδικασίας ζύμωσης. Στη συνέχεια, τα αποτελέσματα αναλύθηκαν στατιστικά χρησιμοποιώντας πολυμεταβλητές τεχνικές και τα δεδομένα χρησιμοποιήθηκαν για την εκπαίδευση αλγορίθμων μηχανικής μάθησης για την ανάπτυξη προγνωστικών μοντέλων που θα μπορούσαν να χρησιμοποιηθούν για την παρακολούθηση της διαδικασίας ζύμωσης σε πραγματικό χρόνο. Τα αποτελέσματα απέδειξαν ότι η ζύμωση φυσικά μαύρων ελιών σε άλμη χαρακτηρίζεται από μια αρχική περίοδο ταχέων βιοχημικών αντιδράσεων, ακολουθούμενη από σταδιακή σταθεροποίηση. Αναλύοντας το χημικό προφίλ των δειγμάτων, η φασματοσκοπία FTIR αποκάλυψε ότι η παρουσία νερού στο δείγμα προκάλεσε έντονη απορρόφηση, με αποτέλεσμα την επικάλυψη των ασθενέστερων κορυφών των διαλυμένων ουσιών στην άλμη. Κατά συνέπεια, δεν ήταν δυνατό να διακριθεί το χημικό προφίλ των άλμεων ή τα στάδια της ζύμωσης του προϊόντος, οδηγώντας στην ανάπτυξη μοντέλων με πολύ χαμηλούς στατιστικούς δείκτες και υψηλά σφάλματα. Αντίθετα, η εξάτμιση των δειγμάτων άλμης πριν από τη μέτρηση FTIR έπαιξε καθοριστικό ρόλο στον προσδιορισμό της χημικής σύνθεσης και στη δημιουργία αξιόπιστων, ισχυρών και ακριβών μοντέλων για την παρακολούθηση της διαδικασίας. Η ανάλυση FTIR των εξατμισμένων δειγμάτων αποκάλυψε πλούσια φασματικά χαρακτηριστικά, ιδιαίτερα στην περιοχή δακτυλικών αποτυπωμάτων (1800–800 cm-1), επιτρέποντας την παρακολούθηση σημαντικών βιοχημικών μετασχηματισμών όπως η παραγωγή γαλακτικού οξέος, η κατανάλωση υδατανθράκων και οι μεταβολές των φαινολικών. Αυτά τα μοντέλα πέτυχαν στατιστικούς δείκτες, όπως ο συντελεστής προσδιορισμού πρόβλεψης (R2p) και ο λόγος απόδοσης προς την ενδοτεταρτημοριακή απόσταση (RPQI), έως 0,83 και 3,26, αντίστοιχα, και ειδικότερα, τα προ-επεξεργασμένα μοντέλα επέδειξαν την καλύτερη απόδοση, με ακριβή διάκριση των σταδίων ζύμωσης. Η φασματοσκοπία UV–Vis υποστήριξε περαιτέρω αυτά τα ευρήματα, παρουσιάζοντας αύξηση στην απορρόφηση στην περιοχή των 330–400 nm. Αυτές οι αλλαγές συσχετίστηκαν κυρίως με τη διάχυση και τον μετασχηματισμό των φαινολικών ενώσεων και αντανακλούσαν τη μετάβαση προς τη χημική ισορροπία. Η ανάλυση θερμικά διαμορφωμένου αισθητήρα αερίου MOS (ηλεκτρονική μύτη) έδειξε εξέλιξη πτητικών ενώσεων, ακολουθώντας ένα παρόμοιο μοτίβο έντονων αλλαγών κατά τα αρχικά στάδια ζύμωσης και σταθεροποίησης στη συνέχεια. Η πολυμεταβλητή στατιστική ανάλυση χρησιμοποιώντας μοντέλα PLS-R επιβεβαίωσε ότι η αξιόπιστη πρόβλεψη του χρόνου ζύμωσης είναι δυνατή. Επιπλέον, τα καλύτερα αποτελέσματα επιτυγχάνονται με την ανάλυση UV–Vis (R2p = 0,828 και RPQI = 3,81) την ανάλυση FTIR με εξατμισμένο φιλμ (R2p = 0,875 και RPQI = 2,92) όταν πραγματοποιείται η κατάλληλη προ-επεξεργασία. Συγκεκριμένα, η χρήση λογαριθμικού μετασχηματισμού βελτίωσε σημαντικά την απόδοση του μοντέλου, καταγράφοντας τη μη γραμμικότητα και την ετεροσκεδαστικότητα του συστήματος. Συμπερασματικά, η ενσωμάτωση φασματοσκοπικών τεχνικών και μηχανικής μάθησης είναι πολλά υποσχόμενη για την παρακολούθηση της ζύμωσης επιτραπέζιων ελιών σε πραγματικό χρόνο, χωρίς καταστροφή του δείγματος, με τα φασματικά δακτυλικά αποτυπώματα να ανιχνεύουν αποτελεσματικά τη μικροβιολογική και χημική εξέλιξη της διαδικασίας.