BACTERIAL DISCRIMINATION OF DRINKING WATER THROUGH OF AN ELECTRONIC NOSE AND A VOLATILES EXTRACTION EQUIPMENT

Jeniffer Katerine Carrillo Gómez, Cristhian Manuel Duran Acevedo, Ramon Ovídio Garcia Rico

Resumen


Este consiste de un sistema de extracción de volátiles y una nariz electrónica para detectar especies bacterianas emitidas en muestras de agua contaminada, este muestreador es acoplado a un sistema de percepción sensorial compuesto por una cámara de 16 sensores de óxidos metálicos usada como una alternativa de monitoreo continuo para la detección e identificación de las bacterias, con tiempos de respuesta rápido, bajo costo, en comparación con los métodos convencionales. Para probar el método se realizaron diferentes medidas de agua estéril y agua contaminada con Escherichia coli a temperaturas de 50, 70 y 90°C, con el fin de obtener un patrón característico de cada compuesto, adicionalmente se evaluó el potencial para la detección de diferentes especies bacterianas (Escherichia coli, Klebsiella oxytoca y Pseudomonas aeruginosa) y agua de grifo estéril. Los resultados demostraron que es posible discriminar muestras de agua contaminada de agua estéril. Para el procesamiento de los datos fueron usados diferentes técnicas de reconocimiento de patrones, tales como el PCA, DFA y la red neuronal PNN, donde un 95 % de discriminación fue obtenido usando PCA, 100% de éxito en la clasificación con el método de validación cruzada “leave one out” y 92 % con el clasificador DFA.

Texto completo:

PDF

Referencias


Organización mundial de la salud. Guías para la calidad del agua potable. Vol. 1: Recomendaciones. Tercera edición. http://www.who.int/water_sanitation_health/dwq/gdwq3_es_fulll_lowsres.pdf. (10 de agosto de 2018)

Edberg S., C. Rice E., W. R.J. y Allen M.., J. (2012). Escherichia coli: the best biological drinking water indicator for public health protection. Revista Journal of Applied Microbiology.

Gardner J., W. Craven M. C. Hines E., L. (1998). The prediction of bacteria type and culture growth phase by an electronic nose with a multi-layer perceptron network, Measurement Science and Technology 9 120–127.

Siripatrawan U. (2008) Self-organizing algorithm for classification of packaged fresh vegetable potentially contaminated with foodborne pathogens, Sensors and Actuators B: Chemical 128 (2) 435–441.

McEntegart C., M. Penrose W., R. Strathmann S. Stetter J., R. (2000). Detection and discrimination of coliform bacteria with gas sensor arrays, Sensors and Actuators B: Chemical 70 (1-3) 170–176.

Green G., C., Chan A., D. Dan H. Lin M. (2011). Using a metal oxide sensor (MOS)-based electronic nose for discrimination of bacteria based on individual colonies in suspension, Sensors and Actuators B: Chemical 152 (1) 21–28.

J Guzmán-Luna, ID Torres, (2017), Propuesta de un generador de aplicaciones educativas basadas en televisión digital usando arquitectura de cómputo en la nube Revista Colombiana de Tecnologías de Avanzada ISSN: 1692-7257.

Pearce T., C. (2003) Handbook of Machine Olfaction: Electronic Nose Technology, Wiley-VCH.

Krishnamurthy N. Supreetha B., S. Deccaraman M. Vijayashree N. (2012). E-Nose System to Detect E-Coli in Drinking Water of Udupi District. International Journal of Engineering Research and Development 1(12) 58-64

Lakshmanan R., S. Guntupalli R. Hu J. Petrenko V., A. Barbaree J., M y Chin B., A. (2007). Detection of Salmonella typhimurium in fat free milk using a phage immobilized magnetoelastic sensor, Sens. Actuators B: Chem. 126 544–550.

Nuñez c., E. Sberveglieri V y Pulvirenti A. (2013). Detection of Microorganisms in Water and different Food Matrix by Electronic Nose. Seventh International Conference on Sensing Technology.

Green G. Chan A y Lin M. (2014). Robust identification of bacteria based on repeated odor measurements from individual bacteria colonies. Sensors and Actuators B 190 16– 24.

Durán, Cristhian M. (2005). Diseño y optimización de los subsistemas de un sistema de olfato electrónico para aplicaciones agroalimentarias e Industriales. Ed. Universitat Politécnica de Catalunya, Capitulo I, Pag. 3-10. España.

Herrero J., L. Lozano J. Santos J y Suarez J. (2016). On-line classification of pollutants in water using wireless portable electronic noses. Chemosphere 152 107e116.

Sauer S y Kliem M. (2010). Mass spectrometry tools for the classification and identification of bacteria, Nature Reviews Microbiology 8 74–82.

Zapata A y Ramírez S. (2015). A Comparative Study of McFarland Turbidity Standards and the Densimat Photometer to Determine Bacterial Cell Density. Curr Microbiol 70 907–909.

Moreno I. Caballero R. Galán R. Matia F y Jiménez A. (2009). La Nariz Electrónica: Estado del Arte. Revista iberoamericana de automatica e informatica industrial 6(3) 76-91.

Rodríguez J., C y Duran C., M. (2008). Sistema de olfato electrónico para la detección de compuestos volátiles. Revista Colombiana de Tecnologías de Avanzada 2(12) 1692-7257.

Duran, C. Gualdron, O. (2014) “Nariz electrónica para determinar el índice de madurez del tomate de árbol (Cyphomandra Betacea Sendt ) Electronic Nose to Determine the Maturity Index of the Tree Tomato,” .Revista Ingeniería, Investigación y Tecnología, 15(3).

Rubio J., J et al., (2016). Sistema sensor para el monitoreo ambiental basado en redes Neuronales. Ingeniería Investigación y Tecnología 2 211-222.

YE Santafé, BD Chaparro, (2013), Deteccción de patrones característicos con transformadas wavelet en señales electromiográficas del cuádriceps Revista Colombiana de Tecnologías de Avanzada ISSN: 1692-7257.




DOI: https://doi.org/10.24054/16927257.v33.n33.2019.3335

Enlaces refback

  • No hay ningún enlace refback.

Comentarios sobre este artículo

Ver todos los comentarios