traduccion inge de la p

5/20/2018 Traduccion Inge de La P

1/39

Tcnicas Novedosas en la Caracterizacin Sensorial y Perfiles de Consumo

Metodologas Descriptivas De La Dinmica Sensorial

1

Metodologas Descriptivas

De La Dinmica Sensorial

Profesor: Dr. Carlos Nez Saavedra

Estudiante:

Arias Saldaa Jean Carlos

29 de Agosto del 2014

TRABAJO

ENCARGADODISEO DE PLANTAS


2/39



2

13 MetodologasDescriptivas de LaDinmica SensorialTiempo-Intensidad y

Dominacin Temporal

de las Sensaciones

Rafael Silva Cadena, Leticia Vidal,

Gastn Ares, and Paula Varela

CONTENIDO

13.1 Introduccin13.2 Metodologa Tiempo-Intensidad

13.2.1 Preparacin y Recopilacin de Datos

13.2.1.1 Seleccin y Preparacin de Los Panelistas.

13.2.1.2 Diseo del Estudio

13.2.2 Anlisis de Datos

13.2.3 Estudios y Potencialidades Recientes

13.2.4 Ventajas y Desventajas13.3 El Dominio Temporal de la Sensaciones

13.3.1 Implementacin y Recopilacin de Datos

13.3.1.1 Nmero de Panelistas

13.3.1.2 Protocolo de Degustacin

13.3.1.3 La Seleccin de la Lista de Atributos

13.3.1.4 La Preparacin del Panel


13.3.2.1 Curvas TDS


3/39



3

13.3.2.2 Evaluacin de las Diferencias entre Los Productos

13.3.2.3 Panel y Seguimiento del evaluador

13.3.2.4 Otros Anlisis de Datos

13.3.3 Ejemplo de Aplicacin13.3.4 Potencialidades y Desafos

13.4 Conclusiones

Agradecimientos

Referencias

13.1 INTRODUCCION

Es un hecho bien conocido que la percepcin de aroma, gusto, sabor, y textura dealimentos y bebidas es un fenmeno dinmico (Lawless y Heymann, 2010). La

intensidad percibida de los diferentes atributos sensoriales cambia junto con la

transformacin de los alimentos en la boca (Sudre et al., 2012). Los diferentes

procesos que intervienen en la degradacin de los alimentos, como la masticacin,

salivacin, movimientos de la lengua y la deglucin, son profundamente relacionados

con la naturaleza dinmica de las sensaciones de los alimentos (Lawless y Heymann,

2010). Junto con los cambios en la textura, la percepcin del sabor cambia a un sabor

diferente y los compuestos olfativos son liberados durante la degradacin de losalimentos (Sudre et al., 2012).

Los mtodos ms comunes para perfiles sensoriales no consideran el aspecto

temporal de los atributos sensoriales, como los evaluadores son instruidos para

evaluar la intensidad percibida de cada atributo slo una vez. Por lo tanto, las

calificaciones corresponden ya sea a la cima o a una intensidad "promediada en el

tiempo". Sin embargo, los productos con perfiles promediados en el tiempo similares

pueden diferir en la manera en que los diferentes atributos sensoriales evolucionan

durante el consumo. Por lo tanto, los enfoques tradicionales pueden perder

informacin crucial como atractivo sensorial de muchos productos alimenticios puede

ser influenciada por su perfil temporal (Lawless y Heymann, 2010).

Aunque el aspecto temporal de la percepcin sensorial se acerc por primera vez en la

dcada de 1950, comenz a ser considerada seriamente en la dcada de 1970 con los

avances en el desarrollo de la metodologa de tiempo-intensidad (TI) (Sudre et al.,

2012). Este mtodo registra cmo la intensidad percibida de un atributo dado

evoluciona con el tiempo (Lee y Pangborn, 1986). A pesar de que el TI se ha utilizado


4/39



4

cada vez ms en las ltimas dcadas, tiene algunas limitaciones que han llevado al

desarrollo de una metodologa alternativa para evaluar la dinmica de la percepcin: el

dominio temporal de sensaciones (TDS) (Pineau et al., 2009). En esta metodologa,

los evaluadores tienen que evaluar los aspectos temporales de un producto,evaluando simultneamente todas las sensaciones percibidas (Bruzzone et al., 2013;

Pineau et al., 2009). El mtodo consiste en la presentacin de una lista de atributos a

los panelistas, a quienes se les pide seleccionar qu atributo se percibe como

dominante para evaluar su intensidad. A lo largo de la evaluacin, cada vez que el

atributo dominante cambia, los panelistas tienen que seleccionar la nueva sensacin

dominante y su puntuacin. Esta metodologa tiene un gran potencial para evaluar los

aspectos dinmicos de la percepcin sensorial y se ha utilizado para evaluar una

amplia gama de productos desde su desarrollo. (Albert et al. 2012; Bruzzone et al.,2013; Dinnella et al., 2012; Labbe et al., 2009; Laguna et al., 2013; Meillon et al., 2009;

Ng et al., 2012; Pineau et al., 2009).

En este captulo, las dos metodologas para evaluar los aspectos dinmicos de

percepcin sensorial, TI y TDS, se describen.

13.2 METODOLOGA DE TIEMPO-INTENSIDAD

La evaluacin de los aspectos temporales de la percepcin sensorial no es un nuevo

concepto en la ciencia sensorial. La metodologa TI bsicamente consiste en pedir a

los evaluadores que evalen continuamente la intensidad de un atributo sensorial en

un periodo de tiempo. Sjstrm (1954) fue el primero en evaluar la intensidad de un

atributo sensorial como una funcin del tiempo. En este estudio, la amargura de la

cerveza se evalu utilizando panelistas entrenados, que fueron instruidos para evaluar

la intensidad de los estmulos en intervalos de 1 s en un sistema de puntuacin, el uso

de un reloj para indicar el tiempo. Una curva de TI fue construida mediante larepresentacin grfica intensidad media amargura como una funcin del tiempo.

Larson-Poderes y Pangborn (1978) mejoraron la metodologa mediante el uso de un

registrador grfico en movimiento equipado con un pedal para evaluar la evolucin en

el tiempo de la dulzura y acidez en las bebidas y la gelatina. Sin embargo, esta

metodologa tambin tena algunas grandes desventajas como los panelistas

necesitaban una capacitacin considerable y la recuperacin de los datos fue una

labor intensiva. Aunque se han desarrollado muchas alternativas para llevar a cabo el

mtodo TI, todos ellos presentan grandes dificultades, especialmente para caracterizar


5/39



5

muestras usando parmetros de la curva (Birch y Munton, 1981; Lawless y Skinner,

1979; Schmitt et al., 1984).

Los obstculos para el desarrollo y uso de TI fueron superados con el advenimiento y

difusin de los ordenadores personales en la dcada de 1980. Se desarrollaron varias

tcnicas para la recoleccin y anlisis de datos de TI (Barylko-Pikielna et al., 1990;

Cliff 1987; Guinard et al., 1985; Lee 1985; Rine, 1987; Takagaki y Asakura, 1984;

Yoshida, 1986).

Junto con el desarrollo de sistemas de adquisicin de datos de TI, el avance en el

anlisis de datos de las curvas de resumen habilitados para obtener ms parmetros

de las curvas de TI, lo que contribuy a una mejor comprensin de los procesos

subyacentes de la percepcin temporal y alent el uso de TI por tanto el mundoacadmico y la industria (ver Cliff y Heymann, 1993, para los detalles ms histricos).

En 30 aos, desde Sjstrm (1954) para Takagaki y Asakura (1984), se llevaron a

cabo utilizando el anlisis de 19 estudios de TI. Sin embargo, despus de que el

desarrollo de los ordenadores personales y sistemas informticos para la recopilacin

de datos de TI, menos de 10 aos fueron necesarios para lograr el mismo nmero de

estudios (Cliff y Heymann, 1993; Wendin et al., 2003).

13.2.1 Preparacin y Recopilacin de Datos

13.2.1.1 Seleccin y Preparacin de Los panelistas

Desde su desarrollo, la formacin ha sido una de las mayores dificultades para la

aplicacin de la metodologa de TI. Reclutamiento, seleccin y capacitacin de los

panelistas son pasos esenciales para conseguir un panel consistente y resultados por

lo tanto confiables.

Reclutamiento y seleccin de los evaluadores siguen los mismos principios de los

mtodos tradicionales de perfiles sensoriales, es decir, los panelistas necesitan tenersabor normal y capacidades olfativas, la motivacin, la disponibilidad y la voluntad de

participar, y que debe ser capaz de concentrarse en la tarea. Formacin del panel de

TI es similar a la evaluacin descriptiva, se caracteriza por largas sesiones y

exhaustivas. La capacitacin debe abordar tanto la percepcin del estmulo objetivo,

as como la evaluacin de los cambios a travs del tiempo para conseguir una curva

de TI. El panel debe estar familiarizado con la dinmica de la prueba de evaluacin de

los productos y con el sistema utilizado para la adquisicin de datos. Segn van

Buuren (1992), las curvas de TI de los panelistas son diferentes y consideradas comoun individuo "firma". Slo las sesiones de capacitacin eficaces pueden reducir al


6/39



6

mnimo las diferencias entre los evaluadores y mejorar la calidad de los resultados.

Teniendo en cuenta que las pautas generales para la formacin de un panel sensorial

estn disponibles (Civille y Szczesniak, 1973; ISO 1994, 2008), Peyvieux y Dijksterhuis

(2001) propusieron una gua de tres pasos para los evaluadores de formacin para losestudios de TI:

1. Presentar el mtodo a los panelistas.

2. Familiarizacin de los panelistas con la labor y el sistema utilizado para la

adquisicin de datos mediante soluciones bsicas del gusto.

3. Capacitar a los evaluadores que utilizan productos reales

a. Perfil sensorial

b. Estudio de TI piloto

Cada uno de los pasos mencionados anteriormente se explica en detalle por Peyvieux

y Dijksterhuis (2001). El uso de soluciones bsicas de sabor (dulce, salado, amargo y

agrio) de concentraciones superiores al umbral de cada evaluador consiste en una

alternativa interesante para los evaluadores para aprender la metodologa TI utilizando

estmulos puros y claramente distinguibles (Peyvieux y Dijksterhuis, 2001). Segn

Peyvieux y Dijksterhuis (2001), despus de la familiarizacin con la metodologa y el

sistema de adquisicin de datos usando una solucin bsica de gusto, la mayora de

los panelistas mostraron un aumento en la calidad de sus curvas y fueron msconsistentes en repeticiones en la evaluacin de los productos reales.

13.2.1.2 Diseo del Estudio

El objetivo del estudio y de las caractersticas del producto determinan principalmente

los atributos sensoriales para ser evaluados por el panel en la metodologa de TI. La

seleccin de los atributos se puede hacer durante las sesiones de entrenamiento y/o el

uso de los resultados previos de un anlisis descriptivo con un panel entrenado.

Teniendo en cuenta que la aplicacin de un estudio de TI consume tiempo y es caro,

es esencial seleccionar los atributos ms relevantes. Junto con la seleccin de los

atributos, los panelistas deben definir las muestras con la mxima intensidad de cada

atributo, para ser considerado como referencias en las evaluaciones. Durante las

sesiones de entrenamiento con los productos, es importante definir con precisin el

tiempo mximo para ser considerado en la evaluacin de las muestras. El tiempo

mximo tiene que ser optimizado para asegurar que es mayor que el tiempo que dura

el estmulo y para prevenir las evaluaciones por ser excesivamente tedioso. La


7/39



7

evaluacin de los atributos de sabor y textura requiere diferencias en el diseo

experimental y como administrar el tiempo. En una evaluacin del sabor, el estmulo

se percibe mientras el producto est en la boca, y despus de que se ha ingerido,

mientras que en una evaluacin de la textura, la percepcin del estmulo terminacuando se ingiere la muestra. Adems, algunos productos tienen particularidades que

deben tenerse en cuenta antes de la prueba. Por ejemplo, cuando se realiza un

estudio para evaluar TI de la dulzura en muestras de goma de mascar, Rocha-Selmi

et al. (2012) indicaron explcitamente que las muestras no se pueden tragar.

La textura del producto es una caracterstica importante que tiene que ser tomado en

cuenta al determinar el tiempo mximo necesario para una evaluacin TI. Cuando se

trate de productos slidos, el tiempo necesario para masticar y tragar la muestra tiene

que ser considerada en el diseo. Por ejemplo, los panelistas pueden necesitar ms

tiempo para masticar y tragar la carne en comparacin con papas a la francesa. El

tiempo necesario para masticar y tragar la muestra se define durante las sesiones de

entrenamiento. Por otro lado, el procesamiento oral de los productos lquidos es

generalmente ms corto y tiene tiempos de residencia corto en la boca (5-10 s).

Caractersticas especiales, tales como alta untuosidad (o untuoso) o alta adhesividad,

deben ser considerado.

Los protocolos de cata de diferente complejidad se han utilizado para recoger datos deTI. En general, los estudios de TI utilizan protocolos simples que involucran un solo

trago o bocado para degustar los productos. Por ejemplo, al evaluar la dulzura,

amargura, y el sabor de la crema en las muestras de helado, Cadena y Bolini (2011)

pidieron a los panelistas colocar una cantidad predeterminada helado de crema en la

boca, tragarlo despus de 5 s, y para evaluar los atributos durante 60 s. Sin embargo,

se pueden utilizar los protocolos ms complejos Por ejemplo, Courregelongue et al.

(1999) utilizaron un diseo complejo para evaluar el efecto del dulzor, viscosidad,

untuosidad y en la percepcin temporal de la astringencia en leche de soya. Para

alcanzar el objetivo del estudio, se pidi a los panelistas probar muestras y

expectorarlas cuatro veces a intervalos de tiempo predeterminados, mientras

evaluaban la astringencia. Despus de la ltima expectoracin, tuvieron que continuar

la calificacin de la astringencia durante otros 30 s. La cantidad de muestra para ser

degustados por los panelistas tambin debe definirse durante las sesiones de

entrenamiento, ya que afecta en gran medida el tiempo total de la percepcin y, en

algunos casos, la intensidad del estmulo. Por ejemplo, si un panelista prueba una

galleta de 30 g, el tiempo de masticar y tragar la muestra, as como la duracin total


8/39



8

del estmulo, ser diferente que si l o ella prueba una galleta de 15 g. Por lo tanto,

todos los panelistas tienen que evaluar la misma cantidad de muestra para permitir la

evaluacin de todos los atributos, mientras teniendo en cuenta la comodidad oral. En

la prctica, los panelistas reciben la muestra y se les indica que cuenta el importe totalde la muestra en la boca.

13.2.2 Anlisis de los Datos

Los datos del TI suelen representarse mediante curvas de TI, que representan la

intensidad del atributo en funcin del tiempo (Figura 13.1). Una curva de TI se puede

construir para cada panelista, de la que es posible extraer varios parmetros y, como

ya se mencion, determinar la "firma" panelista (Van Buuren, 1992). Las diferencias

anatmicas y fisiolgicas son responsables de las diferencias entre los panelistas.

Algunas de las variables que se han asociado a estas diferencias individuales

naturales son factores salivales (Fischer et al., 1994.), Diferentes tipos de

manipulacin oral y la eficiencia de mascar (Brown et al., 1994;. Zimoch y Gullet,

1997), y los hbitos individuales de la escala (Lawless y Heymann, 2010). El

entrenamiento del panel tiene una gran influencia en la determinacin de la forma de

las curvas individuales de TI y, si bien hecho, puede evitar diferencias "no naturales".

Figura 13.1 Ejemplo de una curva media TI con los parmetros ms utilizados para el

anlisis de datos. Nota: Imax, Intensidad mxima; Timax, Tiempo a la intensidad mxima;

Ttot, Tiempo total; rea, rea bajo la curva.


9/39



9

De cada curva individual, se pueden calcular varios parmetros (Figura 13.1). La

complejidad del anlisis de datos TI ha aumentado con la informatizacin (Cliff y

Heymann, 1993). Inicialmente, los parmetros que se calcularon con facilidad, como la

mxima intensidad, el tiempo a la intensidad mxima, y el tiempo total, se calcularon,mientras que otros parmetros complejos, como el rea bajo la curva, slo se han

empezado a utilizar con frecuencia despus del desarrollo de software para la

adquisicin de los datos sensoriales (Cliff y Heymann, 1993; Lawless y Heymann,

2010). El tiempo inicial del estmulo (TInicial), tiempo de duracin de la intensidad

mxima (meseta o Tplat), y el tiempo correspondiente al punto cuando la intensidad

mxima comienza a disminuir (Td) tambin puede ser calculado y analizado en los

estudios de TI. Los cuatro parmetros ms comnmente utilizados se describen como

sigue:

Intensidad mxima (Imax), nmero mximo de intensidad percibida durante la

prueba.

Tiempo para intensidad mxima (Timax), tiempo cuando se percibe la intensidad

mxima del estmulo.

Tiempo total (Ttot), duracin total del estmulo, tambin llamado persistencia,

tiempo final, o el tiempo de extincin.

El rea bajo la curva (rea), amplitud total o respuesta gustativa total.

Los datos de intensidad de los estudios de TI se analizan generalmente con los

mismos enfoques considerados para los procedimientos de anlisis descriptivos

tradicionales. Parmetros de TI (Tplat, Td, Imax, Timax, Ttot, rea) extrados de cada una de

las curvas individuales pueden ser analizados mediante anlisis de varianza (ANOVA)

u otras pruebas estadsticas para comparar los valores medios. Las diferencias

significativas entre cada par de muestras se pueden determinar mediante pruebas post

comparacin, tales como la prueba de Tukey. Sin embargo, es importante tener en

cuenta que las "firmas" de las curvas individuales de los panelistas se ignoran, lo que

puede dificultar la deteccin de una respuesta atpica (Lawless y Heymann, 2010). Los

datos de intensidad individuales de los panelistas son generalmente promediados para

la construccin de una curva de TI consenso, lo que es til para la interpretacin y

presentacin de los resultados (Dijksterhuis et al., 1994; Garrido et al., 2001; MacFie y

Liu, 1992). Sin embargo, uno de los aspectos ms desafiantes del mtodo TI es el

anlisis de estas curvas (McGowan y Lee, 2006). MacFie y Liu (1992) propusieron un

enfoque estadstico para construir las curvas promedio de TI. Ellos primero

promediaron los valores individuales de los parmetros TI, normalizaron las curvas


10/39



10

individuales en la direccin de intensidad y luego en la direccin del tiempo. Este

enfoque permite la captura de algunas de las variaciones individuales en el patrn de

los registros de tiempo (Lawless y Heymann, 2010). Sin embargo, el mtodo de la

media suaviza las curvas irregulares, y no tiene en cuenta las diferentes formas de lascurvas de TI individuales (Dijksterhuis y Piggot, 2001; Garrido et al., 2001).

Un modelo semiparamtrico fue diseado por Dijksterhuis y Eilers (1997) para dar

cuenta de las "firmas" individuales de los panelistas (Eilers y Dijksterhuis, 2004;

Garrido et al., 2001; Wendin et al.,2003). Un singlen o un conjunto de ecuaciones se

utilizan para adaptarse a cada individuo de la curva de TI. Sin embargo, una curva con

una buena aproximacin a un panelista no puede ser bueno para otro panelista o

atributo que presenta un perfil de curva distinta como mltiples picos de intensidad

(Lawless y Heymann, 2010; McGowan y Lee, 2006). McGowan y Lee (2006)

compararon dos mtodos para analizar las curvas de TI en un estudio de la goma de

mascar de maz. El primer mtodo fue agrupando los panelistas con las curvas

individuales similares, y el otro enfoque es el mtodo mejorado por Liu y MacFie

(1990). La agrupacin se realiz mediante examen visual de las curvas individuales.

Nueve panelistas y dos repeticiones se consideraron en este estudio, por lo que los

autores analizaron un total de 18 curvas para cada atributo y la muestra. En estudios

con ms panelistas, muestras y repeticiones para evaluar ms de un atributo, este

paso puede ser tedioso y lento. Despus de agrupar curvas similares, una curva

representativa de cada grupo especfico fue creada por el promedio de las curvas

individuales. El mtodo mostr algunas ventajas y proporcion una descripcin exacta

y completa de las curvas individuales y pareca ser ms representativo del total de

datos, si no todos los panelistas regresaban a la intensidad cero (McGowan y Lee

2006). Sin embargo, ms estudios deben realizarse con el fin de validar este tipo de

enfoque.

El anlisis de componentes principales (ACP) es un mtodo alternativo que se puede

utilizar para tener en cuenta las diferencias entre las curvas individuales (Van Buuren,

1992). Segn Van Buuren (1992), El ACP muestra ventajas adicionales para la

interpretacin de las curvas de TI. El ACP construye un consenso o una "principal"

curva de TI, que se construye como un promedio ponderado de las curvas individuales

que proporciona una mejor representacin de las curvas individuales de una curva

media (Dijksterhuis y Piggot, 2001). El ACP da grandes pesos a curvas similares,

mientras que las curvas que se desvan en gran parte del resto reciben pesos bajos y

por lo tanto no afectar en gran medida el resultado "curva principal". Dijksterhuis et al.


11/39



11

(1994) compararon tres variantes de ACP para el anlisis de las curvas de TI: de

centrado, no centrado, y de normalizacin. Segn estos autores, cuando APC se

aplic en la matriz de datos en bruto (ACP no centrado), toda la informacin acerca de

las diferencias entre las curvas individuales se mantuvo, mientras que, sobre lanormalizacin de datos fue el enfoque recomendado menos (Dijksterhuis y Piggot,

2001; Dijksterhuis et al., 1994). El ACP tambin ofrece la posibilidad de asignar los

pesos para cada uno de los panelistas, indica el grado en que contribuyen a la curva

principal. Este enfoque ha sido considerado como una interesante herramienta para la

identificacin de valores atpicos en los datos o panelistas con muy diferentes firmas

de TI (Peyvieux y Dijksterhuis, 2001).

El anlisis mltiple de TI (MTI) es un mtodo grfico distinto que permite visualizar los

perfiles dinmicos de dos o ms atributos sensoriales de una sola muestra (Palazzo y

Bolini, 2009). El MTI hace la visualizacin de la dinmica de todos los atributos

sensoriales ms fciles, incluso si no se evaluaron en la misma sesin (Cadena y

Bolini, 2011). Cuando se construyen las curvas promedio de TI, lo habitual es hacer un

solo grfico por atributo que incluye todas las muestras evaluadas. La idea de MTI es

trazar en el mismo grfico todos los atributos para cada muestra y para representar el

perfil de TI. Para aplicar MTI, es esencial la recopilacin de datos para todos los

atributos sensoriales se lleva a cabo de una manera rigurosamente estandarizada

(Cadena y Bolini, 2011). Todas las variables que pueden afectar directamente la

percepcin de estmulos deben normalizarse en todas las evaluaciones de atributos.

Ovejero-Lpez et al.(2005) compararon seis mtodos estadsticos para el anlisis de

datos de TI. Se evaluaron las curvas de productos simples, promedio ponderado de

las curvas APC no centradas y curvas normalizadas para la intensidad y el tiempo, la

recuperacin del parmetro de la curva ad hoc, PLSR, dual ACP, y PARAFAC2. Los

autores llegaron a la conclusin de que todos los mtodos evaluados siempre dan la

misma informacin, pero la cantidad de informacin obtenida con mtodos

multivariantes era distinta. Los autores recomendaron que el mtodo estadstico se

deba escoger en funcin del objetivo del estudio. Adems, ms de un mtodo puede

ser usado para proporcionar una conclusin slida. Sin embargo, ms estudios para

explorar la aplicabilidad de tcnicas multivariantes a los datos de TI son necesarios.

13.2.3 Estudios y Potencialidades Recientes


12/39



12

Desde su desarrollo, TI se ha aplicado ampliamente y se ha convertido en una

metodologa estndar en la ciencia sensorial. Una rpida bsqueda en Scopuscon el

trmino "tiempo-intensidad", limitada al rea temtica "Ciencias Biolgicas y

Agrcolas," recuper 105 artculos que se estudiaron, aplican, o se revisan anlisis deTI en los productos alimenticios. Desde el ao 2000, 85 artculos han sido publicados

en la revista dentro de la Ciencia y Tecnologa de Alimentos, con un promedio de

aproximadamente 6 artculos por ao. Calidad y Preferencia Alimentaria (29) y el

Diario de Agricultura y Qumica de los Alimentos (18) son las revistas con el mayor

nmero de artculos que presentan investigaciones de anlisis TI. El artculo ms

citado, con ms de 100 citas, los informes de la aplicacin de la liberacin del sabor y

la percepcin de geles de protenas de suero de leche aromatizadas con diferentes

durezas de gel y la capacidad de retencin de agua de estudios de TI (Weel et al.,2002). Mientras tanto, el diario escrito por Liu y MacFie (1990) es el artculo ms citado

de revisar los aspectos metodolgicos de la TI y de proponer un mtodo alternativo

para un promedio de las curvas de TI. Los artculos publicados ms recientemente

(2009-2013) informan de la aplicacin de TI para la evaluacin de diferentes productos

alimenticios, incluyendo jamn curado (Fuentes et al.,2013), mermelada de frutas (De

Souza et al., 2013), gluten pan gratis (De Morais et al., 2013), el chocolate y el caf

(Chung y Lee, 2012), dieta del chocolate (Palazzo et al., 2011), helados (Cadena y

Bolini, 2011), salchichas (Ventana et al., 2010), y aceites extra virgen de oliva (Esti et

al., 2009).

Entre varios artculos recientes, algunos son notables y representan reas potenciales

de investigacin. Como se mencion anteriormente, la adquisicin de datos es uno de

los aspectos ms desafiantes de la metodologa. Casi todos los sistemas de

adquisicin de datos de TI no son gratis, y es necesario que las empresas o institutos

de investigacin comprar licencias de software especfico o desarrollar su propio

software. Pinheiro et al. (2013) recientemente desarrollo un software libre,SensoMaker, que permite la adquisicin de datos y anlisis de datos de TI. Este

software puede ayudar a difundir el uso de anlisis de TI entre las pequeas empresas

y los institutos de investigacin, lo que contribuye al desarrollo de la metodologa.

La combinacin de TI con la cromatografa de gases (CG) tambin ofrece

oportunidades para el estudio de la dinmica de la percepcin sensorial. Este enfoque

fue descrito por Garruti et al. (2003) y se aplic recientemente por Sampaio et al.

(2013) y Murat et al. (2013). Aunque el uso de TI y CG presenta algunas dificultades,

la relacin entre los compuestos voltiles detectados por CG y panelistas entrenados


13/39



13

en diferentes momentos en el tiempo tiene un gran potencial, sobre todo cuando se

trabaja con productos complejos. Hillmann et al. (2012) aplic la combinacin de TI y

CG para estudiar "sensomics", es decir, la identificacin de los compuestos principales

responsables del sabor tpico de los alimentos. Los autores aplicaron este enfoquepara el estudio de vinagre balsmico tradicional y reportaron de la identificacin de un

nuevo modulador de sabor dulce.

La agradabilidad es un fenmeno temporal que se puede medir utilizando un enfoque

temporal (Lee y Pangborn, 1986). Aunque Taylor y Pangborn (1990) fueron los

primeros en aplicar una evaluacin temporal del gusto, este tipo de investigacin ha

ido ganando la atencin en los ltimos 10 aos. Sudre et al. (2012) utilizaron dos

enfoques para medir la dinmica de la aficin durante un evento el consumo de una

sola mordida. En el primer enfoque, denominado "mtodo de cuatro pasos," los

consumidores calificaron su gusto de cada producto en cuatro momentos especficos

de su proceso de masticacin (T1, en el comienzo de la masticacin [despus de

aproximadamente tres ciclos de la masticacin]; T2, en el medio de la masticacin

[Tiempo autodeterminado]; T3, justo antes de tragar, y T4, justo despus de la

deglucin). En el otro enfoque, llamado "mtodo gusto continua", se pregunt a los

consumidores a informar de cualquier cambio en su gusto durante el perodo de la

masticacin, desde el primer bocado a tragar. El uso de mtodos para medir el gusto

con el tiempo an debe ser validado y aplicado en diferentes tipos de productos

(Delarue y Loescher, 2004) con el fin de obtener una comprensin ms profunda de

los determinantes de la dinmica de la aficin en general (Sudre et al., 2012).

Finalmente, la evaluacin simultnea de ms de un atributo es notable. Duizer et al.

(1997) propusieron un anlisis de doble atributo TI (DATI), pero slo un estudio ha

aplicado esta tcnica (Zimoch y Findlay, 1998). El mtodo multiatributo de TI (MATI)

fue propuesto por Kuesten et al. (2013) para minimizar uno de los mayores

inconvenientes del anlisis tradicional de TI, la evaluacin de un solo atributo por

sesin, lo que permite una rpida recoleccin de datos de mltiples atributos. Aunque

MATI se ha aplicado con los consumidores y un pequeo nmero de nios, la

aplicacin prctica de MATI por asesores capacitados y, en especial, a los

consumidores es uno de los mayores obstculos del mtodo. La coordinacin ojo-

mano y el uso de la computadora fueron difciles para algunos adultos, mientras que

los nios consideran que la prueba era fcil y agradable (Kuesten et al., 2013).

En este estudio, los autores utilizaron productos chicloso como muestras y se les pidia los panelistas evaluar cuatro atributos basados en el tiempo de disolucin (60-70 s).


14/39



14

Ellos informaron que MATI era til, requiere una formacin mnima para ser utilizado

con los panelistas y adultos capacitados y nios consumidores. Sin embargo, la

aplicacin de MATI es demasiado reciente y se necesitan ms investigaciones para

determinar su validez. Kuesten et al. (2013) enumeran algunos puntos para futurasinvestigaciones: la investigacin de la influencia del protocolo de cata en los

resultados, la comparacin de MATI con otros mtodos sensoriales temporales y no

temporales, y el desarrollo de herramientas estadsticas para el anlisis de datos.

13.2.4 Ventajas y Desventajas

El anlisis de TI es un mtodo descriptivo sensorial dinmico que permite la

evaluacin de la intensidad de un atributo predeterminado en el tiempo. El uso del

anlisis de TI permite al investigador a entender la dinmica del perfil sensorial de un

estmulo sobre el consumo, lo que no se puede determinar fcilmente utilizando

mtodos descriptivos tradicionales como anlisis descriptivo cuantitativo (QDA).

Como ya se ha mencionado, cuando se compara con los mtodos tradicionales de

perfil sensorial, TI permite una visin diferente del estmulo, y la construccin de

curvas de TI permite visualizar los cambios de la intensidad con el tiempo. Este

consiste en una ventaja sobre TDS que slo evala el dominio de los atributos.

Adems, el hecho de que TI requiere centrar la atencin en todo un atributo a la vez

durante la evaluacin (Kuesten et al., 2013) puede ser visto como una ventaja y una

desventaja, dependiendo del objetivo especfico de la investigacin.

El anlisis de TI requiere una amplia formacin para proporcionar datos vlidos y

reproducibles de un panel entrenado consensual. La gua para la formacin propuesta

por Peyvieux y Dijksterhuis (2001) es menos extensa que la formacin de una tcnica

descriptiva sensorial tradicional, que implica otros aspectos y menos atributos. Sin

embargo, durante el entrenamiento de TI, se debe prestar especial atencin a lacoordinacin ojo-mano y el uso de la computadora. Este paso es muy importante, y si

no se ejecuta correctamente, las curvas individuales TI presentar perfiles muy

distintos entre panelistas. Las sesiones de calentamiento con el producto y/o

soluciones bsicas del gusto son una buena estrategia para hacer que los panelistas

familiarizados con la tarea TI y el sistema de adquisicin de datos. Aunque TI ya es un

mtodo establecido sensorial, el anlisis de datos sigue siendo una deficiencia.

La particularidad de los datos, caracterizada por grandes diferencias individuales en

las curvas de TI, y de los muchos enfoques estadsticos disponibles impiden el


15/39



15

establecimiento de un mtodo nico para el anlisis de datos TI. La limitacin de la

evaluacin de un solo atributo, lo que lleva a los posibles efectos de Dumping

posteriores (Clark y Lawless, 1994), y el tiempo extenso hace necesaria esta

metodologa de difcil aplicacin, sobre todo en un anlisis de rutina en la industriaalimentaria. Los mtodos alternativos tales como MATI son muy recientes, y mucho

esfuerzo sigue siendo necesario estudiar y mejorarlos antes de que se establecieran

como alternativas fiables para el estudio de los aspectos dinmicos de la percepcin

sensorial. Sin embargo, si se hace esto, MATI puede complementar TI cuando es

necesaria la evaluacin de ms de un solo atributo

.

13.3 EL DOMINIO TEMPORAL DE LAS SENSACIONES

TDS es un mtodo relativamente nuevo, que se desarroll a finales de 1990 en el

"Centre Europen des Sciences du Got" con el fin de superar algunas de las

desventajas del mtodo de TI, tales como la duracin de los experimentos y el efecto

halo de Dumping (Pineau et al., 2009). Esta metodologa permite la evaluacin de

varios atributos simultneamente y para el estudio de la secuencia de sensaciones

dominantes de un producto durante un cierto perodo de tiempo (Meyners, 2011;

Meyners y Pineau, 2010).

Bsicamente, TDS consiste en presentar a los panelistas una lista de atributos en una

pantalla de ordenador y pidindoles que determinar qu sensacin es dominante.

Algunos autores tambin piden a los panelistas para evaluar simultneamente el

dominio y la intensidad del atributo. Se les pide a los evaluadores que seleccionen un

nuevo atributo, desde los cambios en la sensibilidad dominante, hasta que la

percepcin es ms (Pineau et al., 2009).

En un estudio comparativo, Labbe et al. (2009) demostraron que a pesar de TDS

proporciona espacios de productos cercanos a los obtenidos con el perfil sensorial

tradicional, tambin revel informacin adicional acerca de la dinmica de las

sensaciones complejas y de larga duracin, lo que permiti discriminar entre los

productos. En otros estudios con muestras con diferencias sutiles, TDS proporciona

valiosa informacin adicional que no estaba disponible con perfil sensorial

convencional (Dinnella et al., 2012; Meillon et al., 2009, 2010.). Sin embargo, como

TDS se centra slo en las sensaciones dominantes, que no proporciona informacin

detallada de todos los atributos del producto. Por lo tanto, TDS no pretende sustituir

perfil sensorial, sino para ser utilizado como una herramienta complementaria,


16/39



16

aadiendo informacin sobre la temporalidad de los principales atributos (Meillon et al.,

2009; Ng et al., 2012.).

Este mtodo se ha utilizado cada vez ms en los ltimos aos para estudiar la

percepcin dinmica de los diferentes productos, como el vino; (Ng et al., 2012)

(Meillon et al.,2009, 2010. Sokolowsky y Fischer, 2012), calabazas de grosella negra,

caf (Dinnella et al., 2013), agua (Teillet et al., 2010), geles (Labbe et al., 2009),

productos lcteos (Bruzzone et al., 2013; Pineau et al., 2009), copos de trigo (Lenfant

et al., 2009) , galletas (Laguna et al., 2013), palitos de pescado (Albert et al., 2012), el

aceite de oliva virgen extra aadido de las verduras (Dinnella et al., 2012), y

combinaciones de color salmn-salsa (Paulsen et al., 2013). Aunque TDS ha ganado

mucha popularidad, es todava en evolucin, y por lo tanto, es importante hacer

hincapi en que los procedimientos experimentales no son estndar y difieren entre los

investigadores (Lawless y Heymann, 2010).

13.3.1 Implementacin y Recopilacin de Datos

En TDS, los panelistas tienen que caracterizar de forma continua la dinmica de la

percepcin del producto, evaluando simultneamente todas las sensaciones

percibidas (Pineau et al., 2009). Durante la evaluacin, tienen que indicar el atributoque perciben como dominante en cada momento, hasta que finalice la percepcin.

Cada vez que los panelistas consideran que el atributo dominante ha cambiado, tienen

que seleccionar un nuevo atributo dominante.

La definicin de "dominante" no es estndar y se diferencia entre los estudios.

"Dominante" ha sido definido por Labbe et al. (2009) como "la sensacin ms intensa,"

mientras que Pineau et al. (2009) describi como "la sensacin ms sorprendente", "la

nueva sensacin que se levante, y no necesariamente la ms intensa." Sin embargo,

en la mayora de los estudios realizados en los ltimos aos, la definicin propuesta

por Pineau et al. (2009) se ha utilizado. En la ltima conferencia Pangborn,

"dominante" se defini como la sensacin que llama la atencin en ese momento, una

mezcla de intensidad y aumento/nuevo (Pineau, 2013).

La recoleccin de datos se realiz a travs de sistemas computarizados, tales como

FIZZ (Biosystemes, Couternon, Francia), Compusense (Compusense Inc., Guelph,

Ontario, Canad), o el SensoMaker de libre disposicin (Pinheiro et al., 2013).


17/39



17

13.3.1.1 Numero de Panelistas

El nmero de panelistas utilizados en TDS difiere entre los estudios pero oscila entre 9

(Albert et al., 2012.) a 16 (Meillon et al., 2009; Pineau et al., 2009; Teillet et al., 2010.).

El nmero ms habitual de panelistas entrenados es 10-13 (Bruzzone et al., 2013;

Dinnella et al., 2013; Ng et al., 2012), Que es similar al nmero de asesores

entrenados recomienda generalmente para el anlisis descriptivo (Lawless y

Heymann, 2010). Las evaluaciones se realizan generalmente por duplicado o triplicado

(Albert et al., 2012; Bruzzone et al., 2013; Meillon et al., 2009; Ng et al., 2012; Pineau

et al., 2009.). Sin embargo, todava se necesita investigacin para determinar el

nmero ptimo de asesores y repeticiones necesarias para la ejecucin de estudios de

TDS.

13.3.1.2 Protocolo Degustacin

A los panelistas se le presenta una lista de los atributos en una pantalla de ordenador.

Se les pide que coloquen la muestra en la boca y al mismo tiempo iniciar el software,

haga clic en el botn "Inicio". Inmediatamente despus de iniciarse la prueba, los

evaluadores tienen que determinar cul de los atributos de la lista es dominante

haciendo clic en el atributo de la pantalla. Un ejemplo de una evaluacin TDSutilizando SensoMaker se muestra en la Figura 13.2. En la figura, el evaluador

considera que el atributo dulce es dominante 3 s despus de la prueba comenz.

Cada vez los panelistas sienten que la percepcin ha cambiado (en intensidad o en

calidad) y que un nuevo atributo es dominante, el botn correspondiente a ese atributo

tiene que ser hecho clic. Los evaluadores se les dice que no tienen que usar todos los

atributos en la lista y que son libres de seleccionar un atributo varias veces, pero

tienen que tener en cuenta que slo un atributo se puede seleccionar a la vez.

Adems, los evaluadores son por lo general no obligados a elegir un atributo como

dominante. La evaluacin continua hasta que los evaluadores ya no perciben

sensaciones sensoriales y hacen clic en el botn "stop" (Albert et al., 2012; Bruzzone

et al., 2013). Alternativamente, la prueba puede continuar hasta que se alcanza un

tiempo predeterminado o hasta que la muestra se traga por completo (Laguna et al.,

2013). Es importante tener en cuenta que el protocolo especfico degustacin difiere

dependiendo de las caractersticas de los productos y el objetivo del estudio. Adems

de pedir a los panelistas para indicar el atributo dominante, varios autores les han

pedido tambin calificar la intensidad del atributo dominante en cada momento de la


18/39



18

evaluacin. Escamas en la lnea no estructurados anclados con "nada intenso" y "muy

intenso" o "dbil" y "intenso" se suelen utilizar para este propsito (Albert et al., 2012;

Ng et al., 2012; Teillet et al., 2010.). Sin embargo, algunos autores han reportado que

pedir asesores para evaluar la intensidad de los caracteres dominantes aumenta ladificultad de la tarea y puede conducir a un retraso en los picos de las curvas de

dominancia como asesores pasan ms tiempo a evaluar el atributo dominante y toman

ms tiempo para cambiar a la prxima sensacin dominante (Dinnella et al., 2013;

Paulsen et al., 2013).

FIGURA 13.2 Ejemplo de una evaluacin TDS utilizando el software de libre

disposicin SensoMaker. (Adaptado de Pinheiro, ACM et al., Ciencia e Agrotecnologa,

37, 199, 2013)

Como gran parte de la valiosa informacin recopilada con TDS no implica medidas de

intensidad, en la actualidad recomienda no pedir a los panelistas valorar la intensidad

(Paulsen et al., 2013; Pineau, 2013; Schlich, 2013).

13.3.1.3 Seleccin de la lista de atributos

La seleccin de la lista de atributos es uno de los pasos fundamentales de la

aplicacin de TDS. La lista de atributos puede incluir diferentes modalidades

sensoriales (atributos de sabor y textura) (Albert et al., 2012) o limitarse a una sola

modalidad (por ejemplo, atributos de textura, Bruzzone et al., 2013). Segn Pineau et

al., (2012), los panelistas son capaces de evaluar simultneamente varias


19/39



19

modalidades sensoriales, y que incluyen atributos dentro de las diferentes

modalidades tiene ningn impacto en el nmero de atributos seleccionados durante la

evaluacin.

Diferentes enfoques pueden ser considerados para la seleccin de la lista de atributos

de TDS. Teillet et al., (2010) realizaron un estudio TDS de aguas minerales,

considerando los mismos nueve atributos evaluados en el anlisis descriptivo. Del

mismo modo, Bruzzone et al., (2013) celebr una sesin abierta en la que entren a

los panelistas que seleccionaron cinco de los ocho atributos de textura evaluados en

el anlisis descriptivo para estudiar la dinmica de percepcin de textura en yogurt

usando TDS. Los panelistas excluyen homogeneidad y suavidad desde que fueron

evaluados durante todo el perodo de masticacin, no presentar dominancia en

cualquier momento de la evaluacin. Adems, ropinessno se ha considerado ya que

se evala antes del consumo del producto.

La lista de atributos tambin se puede seleccionar teniendo en cuenta los resultados

de estudios preliminares con el panel entrenado. Albert et al., (2012) pidieron a los

asesores para tratar de pepitas de pescado y describir todas las sensaciones en boca

se sentan. Las siete sensaciones ms mencionadas fueron retenidas para TDS. Del

mismo modo, Meillon et al., (2009) pidieron a los evaluadores para evaluar muestras

de vino mediante un protocolo detallado de degustacin y tomar nota en un papeltodas las sensaciones que en boca se sintieron durante la degustacin. Siguieron los

10 trminos ms mencionados para las evaluaciones de TDS.

Pineau et al., (2012) informaron que los panelistas tienden a seleccionar un pequeo

nmero de atributos durante las evaluaciones TDS (dos a seis), que son

independientes del nmero total de atributos incluidos en la lista. Estos autores

recomiendan usar listas con un mximo de 10 atributos.

Sesgos de primaca han reportado cuando los evaluadores realizan tareas de TDS(Pineau et al., 2012). Los evaluadores tienden a seleccionar con ms frecuencia y

antes como dominantes los atributos situados en la parte superior de la lista, en

comparacin con los situados en la parte inferior. Aunque la influencia de la posicin

de atributo es menor que el efecto de atributo, se recomienda que cada evaluador

evala los productos utilizando una lista que incluye los atributos en un orden diferente

para reducir la influencia potencial de sesgo primaca sobre los resultados (Pineau et

al., 2012). Por lo tanto, se recomienda para equilibrar el orden en el que los atributos

se incluyen en la lista siguiente entre los evaluadores de un diseo cuadrado Williams


20/39



20

Amrica. Sin embargo, con el fin de facilitar la evaluacin, el atributo fin generalmente

se mantiene constante para cada evaluador.

13.3.1.4 La Preparacin del Panel

La mayor parte de las aplicaciones de TDS se han llevado a cabo con panelistas

capacitados. Seleccin y formacin de panelistas se ha mantenido muy similar a la

formacin para el anlisis descriptivo, centrndose en la capacidad de los panelistas a

reconocer y, si es necesario, evaluar la intensidad de los diferentes atributos del

producto. De hecho, en muchos estudios en los que se aplicaron tanto TDS y anlisis

descriptivo, el mismo panel a cabo ambas tareas (Bruzzone et al., 2013; Ng et al.,

2012; Paulsen et al., 2013). Sin embargo, dado el hecho de que los acuerdos de TDS

con percepcin dinmica de una manera muy especfica, un cierto entrenamiento

adicional deben ser considerados con el fin de introducir a los panelistas con la nocin

de TDS, as como para permitir la familiarizacin de los evaluadores con el software

utilizados para la recogida de datos (Dinnella et al.,2013; Labbe et al., 2009; Laguna

et al., 2013; Meillon y otros, 2009, 2010; Pineau et al., 2009.). Ng et al. (2012) introdujo

el concepto de la temporalidad de las sensaciones a los evaluadores utilizando la

analoga de una reproduccin de msica de orquesta.

TDS tambin se ha llevado a cabo con los evaluadores no entrenados. Albert et al.

(2012) utilizaron los panelistas que estaban familiarizados con la evaluacin sensorial

pero no entrenado en el tipo de producto especfico. Ellos asistieron a slo dos

sesiones de entrenamiento previas: la primera que se present a la nocin de la

temporalidad y la metodologa TDS y para generar los atributos, y el segundo para

acostumbrarse a la metodologa y el software utilizado en el estudio. Albert et al.

(2012) demostraron que TDS puede proporcionar informacin valiosa, incluso sin la

necesidad de un perodo de entrenamiento de tiempo. De hecho, en el 10 Simposiode Ciencia Sensorial Pangborn, se presentaron algunos estudios con consumidores no

entrenados, tanto para los estudios en un laboratorio sensorial y en el hogar (Schlich,

2013). Se dijo que TDS puede ser realizada por los consumidores siempre que el

investigador asegura que la tarea es entendido por a los evaluadores, no hay votos de

intensidad se les pide, y el tiempo para cada consumidor est estandarizado para el

anlisis de datos.



21/39



21

13.3.2.1 Curvas TDS

Un ejemplo de datos TDS en bruto se muestra en la Tabla 13.1. Para cada evaluador,

se recoge informacin sobre los perodos en los que cada atributo se eligi como

dominante. En el ejemplo, El panelista 1 ha considerado que dulce era el atributo

dominante de tiempo de 0,5 a 3 s, mientras cremosa era dominante de vez 3,5 a 6 s.

Los TDS de datos suelen estar representados por las curvas de TDS que muestran la

tasa de dominio de cada una de las sensaciones en cada momento para cada muestra

(Pineau et al., 2009). La tasa de dominancia se calcula como la proporcin (o

porcentaje) de citas de un atributo a travs del panel, es decir, dividiendo el nmero de

selecciones de un atributo (a travs de repeticiones) en cada tiempo por el nmero de

evaluadores y el nmero de repeticiones. Cuanto mayor sea la tasa de dominio para el

atributo, mayor es la proporcin de los evaluadores de que la consideraron como

dominante, y por lo tanto, mayor ser su dominio a nivel de panel. La figura 13.3

muestra un ejemplo de la tasa de dominancia (expresado como porcentaje) como una

funcin del tiempo. Se puede observar que, a travs de repeticiones, el atributo se

consideraba dominante en un 29,4% de los evaluadores a partir del perodo

transcurrido entre 2 y 2,5 s, mientras que despus de 9,5 s, ninguno de a los

evaluadores consider como dominante.


22/39



22

La curva de tipos de dominio para cada atributo se alisa a continuacin, utilizando

SPLINETYPE polinomial y se represent frente al tiempo para cada muestra para

obtener las curvas de TDS (Bruzzone et al., 2013; Pineau et al., 2009.). El paquete

psplinedel lenguaje R (R Equipo Development Core 2007) se puede utilizar para estepropsito. La figura 13.4 muestra la curva suavizada a partir de los datos TDS

mostrados en la figura 13.3.

FIGURA 13.3 Ejemplo de la tasa de dominancia de un atributo (expresado como

porcentaje) como una funcin de tiempo de evaluacin.

FIGURA 13.4Curva suavizada TDS a partir de los datos que se muestran en la Figura

13.3.


23/39



23

Teniendo en cuenta que el tiempo transcurrido desde el inicio de la masticacin a la

deglucin puede diferir entre los evaluadores, escalas de tiempo de la percepcin

sensorial tambin pueden diferir (Lenfant et al., 2009). As, los datos TDS de cada

evaluador generalmente se normalizaron de acuerdo con la duracin individual de laprueba, de modo que los datos de tiempo de cada evaluador se expresan desde x = 0

(comienzo de la prueba) hasta x = 100 (final de la prueba), el cual permite una

comparacin estandarizada de las curvas individuales (Albert et al., 2012).

Segn Labbe et al. (2009) y Pineau et al. (2009), las curvas de TDS deben

interpretarse teniendo en cuenta dos parmetros: nivel de oportunidad y nivel de

significacin. El nivel de probabilidad (P0) es la tasa de dominio que un atributo puede

obtener por azar, teniendo en cuenta todos los atributos evaluados. Cuando los

evaluadores se les permite no seleccionar cualquier atributo como dominante, el valor

P0es igual a la inversa del nmero total de atributos ms uno, como se sugiere por

Labbe et al. (2009). Alternativamente, si los evaluadores tienen que seleccionar un

atributo dominante en cada momento, P0 es igual a la inversa del nmero total de

atributos. Atributos con tasas por debajo de P0dominantes no son consideradas como

dominantes.

El nivel de significacin (Ps) es el valor mnimo de la tasa de predominio de un atributo

debe obtener para ser significativamente mayor que P0. Atributos de dominancia contasas superiores a este valor se consideran significativamente dominantes. El nivel de

significacin se puede calcular utilizando el intervalo de confianza de una distribucin

binomial basada en una aproximacin normal (Pineau et al., 2009.), Como se muestra

en la siguiente ecuacin:

Dnde:

P0es el Nivel Probabilidad

n es el nmero de juicios (panelistas repeticiones)

1.645 es el valor z para una distribucin normal de una cola de considerar un nivel de

significacin de 5%


24/39



24

Esta aproximacin es cuando es alto n.P0(1-P0)> 5 (Rosner, 1995), que se consigue

por lo general cuando el nmero de juicios (panelistas repeticiones).

Alternativamente, cuando el nmero de juicios en el experimento es bajo, nivel de

significacin se puede calcular teniendo en cuenta una prueba exacta mediante laprueba binomial, segn lo recomendado por Pineau et al. (2009). El valor ms

pequeo para el que la distribucin binomial acumulativa es mayor que el nivel de

oportunidad para un nivel de confianza del 95% se puede calcular utilizando la funcin

BINOM.CRIT de Excel. Por ejemplo, para un experimento en el que 10 panelistas

evalan muestras por triplicado (n = 10 3 = 30) y P0 = 0,091, BINOM.CRIT (30,

0,091, 0,95) devuelve 6, que es el valor ms pequeo para el que la distribucin

binominal acumulativa es mayor que el nivel de oportunidad para un nivel de confianza

del 95%. Teniendo en cuenta que 1 debe aadirse al resultado (Pineau et al., 2009),nivel de significacin se determina como (6 + 1) / 30 = 0.33.

La probabilidad y significacin de niveles se representan como lneas horizontales en

el grfico de curvas de TDS para mostrar cuando los atributos son dominantes y

significativamente dominantes. La figura 13.5 muestra un ejemplo de curvas de TDS

suavizadas para los atributos de textura de yogurt. Como se muestra, la tasa de

dominio de la gelatinizacin fue inferior a Nivel Probabilidad durante toda la

evaluacin, lo que sugiere que no era dominante. La tasa de dominio de espesor era

ms grande que el nivel de probabilidad pero menor que un nivel de significacin de 2

a 3,5 s, lo que sugiere que este atributo fue dominante pero no significativo. La

cremosidad y de fusin fueron significativamente dominante. La cremosidad fue el

primer atributo significativamente dominante, desde el perodo de tiempo transcurrido

entre 2 y 7,5 s, mientras que la fusin fue significativamente dominante durante el

perodo transcurrido entre 6.5 y 11s.


25/39



25

FIGURA 13.5Ejemplo de curvas TDS suavizadas para cuatro atributos de textura. La

probabilidad y significacin niveles se incluyen para facilitar la interpretacin.

Curvas TDS tambin permiten la identificacin de la secuencia en la que los atributos

son percibidos como dominantes. En el ejemplo mostrado en la Figura 13.5, la

cremosidad es el primer atributo para captar la atencin de los evaluadores, mientras

que despus de aproximadamente 7 s, de fusin se convierte en el atributo dominante

hasta que termine la percepcin.

13.3.2.2 Evaluacin de diferencias entre los productos

La comparacin de productos permite determinar las diferencias en el perfil dinmico

de los productos y los momentos exactos en los que se perciben las diferencias. Los

tipos de dominancia de cada par de muestras para cada atributo se pueden comparar

utilizando curvas de diferencia de TDS. Estas curvas se construyen restando la tasa

de dominio de cada par de muestras en cada momento. Las diferencias de dominancia

son considerados significativos cuando son significativamente diferentes de cero de

acuerdo con una prueba clsica de comparacin de proporciones binomiales (Pineau

et al., 2009). La diferencia importancia menos en el dominio de atributo entre dos

muestras en el tiempo t (Pdif,t) para un nivel de confianza del 95% se puede calcular

como sigue:

Dnde:

n1es el Nmero de Juicios (panelistas Repeticiones) Para La Muestra 1

n2es el Nmero de Juicios (panelistas Repeticiones) Para La Muestra 2

P1, t es la TASA de predominio de la Muestra 1 en el Tiempo t

P2, tes la TASA de predominio de la Muestra 2 en el Tiempo t


26/39



26

FIGURA 13.6Ejemplo de la diferencia de curvas TDS para dos pares de muestras.

La figura 13.6 muestra un ejemplo de curvas de diferencia para dos pares de

muestras. La tasa de dominio del atributo evaluado fue significativamente mayor para

la muestra F que para la muestra A en dos perodos de la evaluacin, 3,5-6 s y 7,5 a

8,5 s. Mientras tanto, el dominio del atributo evaluado fue significativamente mayor

para la muestra F que para la muestra B de entre 4 y 6,5 s. Para el resto de laevaluacin, no hubo diferencias significativas entre las muestras F y A y entre las

muestras B y F.

Alternativamente, Meyners y Pineau (2010) introdujeron una prueba de azar basado

en las distancias entre matrices para comparar un conjunto de productos a nivel

mundial o en las comparaciones por pares. Estos autores propusieron para desplegar

datos TDS en una serie de matrices, en la que cada fila representa un atributo y cada

columna representa un punto de tiempo, por cada evaluador, de la muestra, y la

repeticin. En cada una de estas matrices, 1 indica que el atributo fue seleccionado

por el evaluador en un cierto punto en el tiempo, mientras que 0 indica que no se ha

seleccionado el atributo. La distancia entre cada par de matrices se calcula utilizando

distancias eucldea al cuadrado. Las distancias se utilizan como una prueba

estadstica para determinar diferencias significativas globales entre los productos, para

las comparaciones por pares, y para hacer inferencias por atributo o punto, basado en

realeatorizaciones. Siguiendo este enfoque y con el fin de simplificar el clculo y para

ser capaz de utilizar mtodos estadsticos estndar, se propuso el uso de datosagregados en los intervalos de tiempo (Pineau et al. 2011). Para cada perodo de


27/39



27

tiempo, los datos binomiales se resumen y las frecuencias de dominacin atributo por

asunto se calculan. Este enfoque que resume las respuestas de sujetos como valores

de frecuencia en un nmero dado de perodos de tiempo fue validado y se extendi

para la estimacin de las diferencias en el dominio de atributo entre los productos,mediante el examen de los residuales de los modelos de ANOVA (Dinnella et al.,

2013).

13.3.2.3 Panel y Seguimiento del evaluador

Meyners (2011) propuso los mtodos para el panel de prueba y un acuerdo evaluador

basado en pruebas al azar. Este autor propone medir el desacuerdo como la

interaccin entre el panelista y el producto, es decir, que un panelista considera

sistemticamente que un atributo es dominante para la muestra 1 y no para la muestra

2, mientras que el resto de los panelistas consideran que el atributo es dominante para

la muestra 2 y no para la muestra 1 o elegir ambos o ninguno de ellos. La interaccin

se estima utilizando pruebas al azar para estimar las diferencias entre par de

muestras. Es importante tener en cuenta que este enfoque ha afirmado tener algunas

cargas computacionales (Meyners, 2011), lo que sugiere que todava hay una

necesidad de desarrollar herramientas para evaluar el rendimiento del panel en los

estudios de TDS.

13.3.2.4 Otros anlisis de datos

Pineau et al. (2009), caracterizo curvas TDS utilizando el tipo de dominio mximo, el

tiempo en alcanzar el dominio mximo desde el inicio de degustacin, y el perodo de

tiempo durante el cual el dominio era al menos el 90% del valor mximo de la

dominacin. A fin de tener en cuenta simultneamente la duracin y el dominio decada atributo y para obtener una medida de dominio total de un atributo durante la

evaluacin, Bruzzone et al., (2013) calcul el rea bajo las curvas de TDS y por

encima del nivel de significacin para cada atributo y la muestra. Este enfoque es

similar a la utilizada en los mtodos de TI para el clculo de la intensidad total de un

atributo durante la evaluacin (Cliff y Heymann, 1993). Bruzzone et al., (2013)

utilizaron ACP sobre la matriz de correlacin de las reas bajo las curvas de TDS para

obtener un mapa muestra basada en el dominio de atributo. Cuando se mide la

intensidad de atributo, las puntuaciones de TDS se han calculado como una medida


28/39



28

de la intensidad de los atributos dominantes. Para cada atributo, las puntuaciones de

TDS se calculan como sigue (Labbe et al., 2009.):

En los resultados calculados, ANOVA, ACP, o de anlisis de variacin cannica (AVC)

se puede utilizar para estudiar las diferencias entre las muestras (Albert et al., 2012;

Labbe et al., 2009).

13.3.3 Ejemplo de Aplicacin

La percepcin de la textura de los alimentos semislidos depende de las propiedades

reolgicas iniciales del producto y los cambios mecnicos y estructurales que se

producen durante la manipulacin oral (Van Vliet, 2002). Teniendo en cuenta que

estos procesos son dinmicos y se producen de forma simultnea durante el consumoy que la textura es una propiedad sensorial multiparamtrica (Szczesniak, 2002), TDS

parece una herramienta interesante para el estudio de los aspectos temporales de la

percepcin textura y para entender mejor esta propiedad sensorial.

Bruzzone et al. (2013) utilizaron TDS para caracterizar la textura de ocho yogures,

formulado con diferente grasa, almidn modificado, y la concentracin de gelatina. Un

panel sensorial, compuesto por 10 panelistas entrenados, evalu las muestras por

duplicado utilizando TDS. Se consider una lista de los cinco atributos en las

evaluaciones: espesor, grado de gelatinizacin, cremosidad, fusin, y recubrimiento

bucal.

La figura 13.7 muestra las curvas de TDS para dos muestras claramente diferentes (1

y 2). Las muestras claramente diferan en su primer impacto en la boca. El primer

atributo dominante para la muestra 1 fue cremosidad, mientras que para la muestra 2,

el primer atributo dominante era espesor. Adems, la muestra 2 era menos complejo

en cuanto a su perfil de dominio que la muestra 1, ya que slo mostr grosor que el

atributo significativamente dominante durante el consumo. Las diferencias entre las


29/39



29

muestras fueron explicadas por su formulacin. La muestra 2 se formul con leche

entera pasteurizada, 1% de almidn modificado, y 0,5% de gelatina, lo que explica su

alta dominancia de espesor. Por otro lado, la muestra 1 se formul con leche

pasteurizada desnatada, 1% de almidn modificado, y sin gelatina. En comparacincon la muestra 2, el hecho de que la muestra 1 se caracteriza por la alta tasa de

dominio de cremosidad puede explicarse por la falta de gelatina. Este ingrediente se

asocia generalmente con una estructura similar a un gel debido a su interaccin con la

matriz de casena de yogurt (Fiszman et al., 1999).

Al comparar con TDS anlisis descriptivo para caracterizar la textura de las muestras

de yogurt, Bruzzone et al. (2013) reportaron que aunque ambas metodologas

proporcionaron informacin similar con respecto a las similitudes y diferencias entre

las muestras, algo de la informacin proporcionada por TDS no estaba disponible en el

anlisis de los datos del anlisis descriptivo. Segn estos autores, se encontraron las

mayores diferencias entre el anlisis descriptivo y TDS de atributos complejos que se

perciben en toda el consumo, como la cremosidad y recubrimiento bucal. Por ejemplo,

la adicin de almidn (en una concentracin de 1%) aument significativamente la tasa

de dominio cremosidad, pero no su intensidad. Esto sugiere que la medida en que

cremosidad llam la atencin evaluadores fue mayor en las muestras formuladas con

almidn modificado, que puede tener una influencia positiva en la percepcin del

consumidor hednico.

13.3.4 Potencialidades y desafos

TDS es relativamente una nueva metodologa para la evaluacin de la dinmica de

percepcin sensorial. Se evala sobre la base de muestras de dominio de atributo, que

es un nuevo enfoque dentro de la ciencia sensorial y del consumidor.


30/39



30

FIGURA 13.7Curvas TDS para la evaluacin de la textura de yogur (a) muestra 1 y (b)

la muestra 2.

Como varios estudios han demostrado, el atributo que llama la atencin de los

panelistas en un momento dado no es necesariamente la ms intensa (Bruzzone et al.,

2013; Labbe et al., 2009; Meillon et al., 2009.), Lo que sugiere la informacin

proporcionada por TDS no se pueden obtener usando anlisis descriptivo clsica o

mtodos TI, en particular cuando se trata de productos con caractersticas sensoriales

complejos y dinmicos. Por lo tanto, TDS puede proporcionar informacin sobreaspectos de la percepcin sensorial que no ha sido estudiado extensivamente.


31/39



31

Teniendo en cuenta que TDS se centra en los atributos dominantes de la percepcin

en lugar de cuantificar la intensidad del atributo, los resultados de esta metodologa

podran explicar mejor la percepcin de los consumidores o las sensaciones que

determinan su percepcin hednica. Los estudios deben llevarse a cabo parainvestigar esta hiptesis en diferentes categoras de productos.

En la investigacin todava es necesario desarrollar directrices metodolgicas para la

implementacin de TDS, en particular sobre el nmero mnimo de panelistas y

repeticiones para obtener datos fiables, as como el desarrollo de los enfoques

estndar y sencillos para el anlisis de datos.

Un rea de investigacin muy prometedora es la dinmica de los consumidores gusto,

proceso como oral ha sido identificado como un factor muy importante en laapreciacin de los consumidores. Algunos trabajos recientes han tratado de relacionar

gusto a la percepcin sensorial dinmica. Laguna et al. (2013) estudiaron la trayectoria

oral de galletas con un panel entrenado a travs de TDS y relacionados con ella a los

consumidores sanciones utilizando escalas JAR con diferentes atributos de

conduccin gusto. Del mismo modo, Varela et al. (2013) las tcnicas de dinmicas

combinadas con los consumidores descripcin sensorial mediante cheque-todo-que-

aplicar (CATA) y gusto puntuaciones para tener una mejor comprensin de qu

particularidades del proceso oral, condujo gusto del consumidor durante el consumode helados. Adems en esto, TDS se ha demostrado recientemente para proporcionar

adicional visin acerca de los controladores de gusto en un contexto mapa de

preferencias (Paulsen et al. 2013). A travs de esta tcnica, fue posible identificar el

momento del predominio de ciertos atributos y el nmero de sensaciones percibidas y

mezclas en perodos de tiempo especficos como potenciales conductores de gusto y

aversin. Tambin demostraron que el TDS tiene un potencial de proporcionar

informacin complementaria a las tcnicas clsicas sobre las descriptivas naturalezas

dinmicas de las interacciones sensoriales en las combinaciones de alimentos de

alimentos. En la reciente dcimo Simposio Pangborn, Pineau (2013) propuso que la

aplicacin de mltiples bocado o sorbo de mltiples TDS tena un gran potencial para

comprender mejor la dinmica de la percepcin sensorial. En este sentido, la

aplicacin de este enfoque con consumidores abre nuevos retos para el estudio de la

dinmica de las preferencias y cmo se relaciona con la dinmica de la percepcin

sensorial.


32/39



32

13.4 CONCLUSIONES

Al hacer frente a cualquier problema de investigacin, el primer paso es seleccionar el

mejor mtodo de acercarse a ella (Lawless y Heymann, 2010). As, la primera

pregunta a responder es si la configuracin del producto en estudio es probable que

tenga un perfil dinmico y que es la mejor metodologa para identificar el perfil

temporal de los productos. En este sentido, es importante tener en cuenta que TI y

TDS tienen diferentes principios y por lo tanto son apropiadas para cumplir diferentes

objetivos.

Al comparar TI y las metodologas TDS, Pineau et al. (2009) reportaron que ambos

mtodos proporcionan informacin similar con respecto a las diferencias entre los

productos, atributos y evolucin en el tiempo, pero tambin mostr que TI y TDS sonadecuados para diferentes necesidades. TDS es mejor cuando varios atributos deben

compararse y proporciona informacin acerca de la secuencia en la que se perciben

los atributos, as como acerca de la interaccin entre los atributos. Sin embargo, no es

muy adecuado para obtener un perfil de TI para cada atributo con el tiempo. Cuando la

cintica de los atributos especficos de inters, TI parece ser la mejor opcin (Pineau

et al., 2009).

AGRADECIMIENTOS

Los autores agradecen a CAPES-Brasil por la beca otorgada a Rafael Silva Cadena y

al Ministerio Espaol de Ciencia e Innovacin para el apoyo financiero (AGL2009-

12785-C02-01) y para el contrato adjudicado al autor Paula Varela (Juan de Programa

de la Cierva). Tambin desean agradecer a la Comisin Sectorial de Investigacin

Cientfica (CSIC, Universidad de la Repblica).

REFERENCIAS

Albert, A., A. Salvador, P. Schlich, S. Fiszman. 2012. Comparison between temporal

dominance of sensations (TDS) and key-attribute sensory profiling for evaluating solid

food with contrasting textural layers: Fish sticks. Food Quality and Preference 24:111

118.

Barylko-Pikielna, N., I Matuszewska, U. Hellemann. 1990. Effect of salt on time-

intensity characteristics of bread. LWTFood Science and Technology 23:422426


33/39



33

Birch, G. G.,S. L. Munton. 1981. Use of SMURF in taste analysis. Chemical Senses

6:4552.

Brown, W. E., K. R. Landgley, A. Martin, H. J. H. MacFie. 1994. Characterisation of

patterns of chewing behavior in human subjects and their influence on texture

perception. Journal of Texture Studies 15:3348. Bruzzone, F., G. Ares, A. Gimnez.

2013. Temporal aspects of yoghurt texture perception. International Dairy Journal

29:124134.

Cadena, R. S., H. M. A. Bolini. 2011. Timeintensity analysis and acceptance test for

traditional and light vanilla ice cream. Food Research International 44:677683.

Chung, S., S.-Y. Lee. 2012. Modification of ginseng flavors by bitter compounds found

in chocolate and coffee. Journal of Food Science 77:S202S210. Civille, G. V., A. S.

Szczesniak. 1973. Guidelines to training a texture profile panel. Journal of Texture

Studies 4:204223.

Clark, C. C., H. T. Lawless. 1994. Limiting response alternatives in timeintensity

scaling: An examination of the halo-dumping effect. Chemical Senses 19:583594.

Cliff, M. 1987. Temporal perception of sweetness and fruitiness and their interaction in

model system. MS thesis, University of California, Davis, CA.

Cliff, M., H. Heymann. 1993. Development and use of time-intensity methodology for

sensory evaluation: A review. Food Research International 26:375385.

Courregelongue, S., P. Schlich, A. C. Noble. 1999. Using repeated ingestion to

determine the effect of sweetness, viscosity and oiliness on temporal perception of

soymilk astringency. Food Quality and Preference 10:273279.

De Morais, E. C., A. G. Cruz, H. M. A. Bolini. 2013. Gluten-free bread: Multiple time-

intensity analysis, physical characterisation and acceptance test. International Journalof Food Science and Technology 48:21762184.

De Souza, V. R., P. A. P. Pereira, A. C. M. Pinheiro, H. M. A. Bolini, S. V. Borges, F.

Queiroz. 2013. Analysis of various sweeteners in low-sugar mixed fruit jam: Equivalent

sweetness, time-intensity analysis and acceptance test. International Journal of Food

Science and Technology 48:15411548.

Delarue, J., E. Loescher. 2004. Dynamics of food preferences: A case study with

chewing gums. Food Quality and Preference 15:771779.


34/39



34

Dijksterhuis, G., P. Eilers. 1997. Modeling timeintensity curves using prototype

curves. Food Quality and Preference 8:131140.

Dijksterhuis, G., M. Flipsen, P. Punter. 1994. Principal component analysis of TI-

curves: Three methods compared. Food Quality and Preference 5:121127.

Dijksterhuis, G., J. R. Piggott. 2001. Dynamic methods of sensory analysis. Trends in

Food Science & Technology 11:284290.

Dinnella, C., C. Masi, T. Naes, E. Monteleone. 2013. A new approach in TDS data

analysis: A case study on sweetened coffee. Food Quality and Preference 30:3346.

Dinnella, C., C. Masi, G. Zoboli, E. Monteleone. 2012. Sensory functionality of extra-

virgin olive oil in vegetable foods assessed by temporal dominance of sensations and

descriptive analysis. Food Quality and Preference 26:141150.

Duizer, L. M., K. Bloom, C. J. Findlay. 1997. Dual-attribute timeintensity sensory

evaluation: A new method for temporal measurement of sensory perceptions. Food

Quality and Preference 8:261269.

Eilers, P. H. C., G. B. Dijksterhuis. 2004. A parametric model for timeintensity curves.

Food Quality and Preference 15:239245.

Esti, M., M. Contini, E. Moneta, F. Sinesio. 2009. Phenolics compounds and temporalperception of bitterness and pungency in extra-virgin olive oils: Changes occurring

throughout storage. Food Chemistry 113: 10951100.

Fischer, U., R. B. Boulton, A. C. Noble. 1994. Physiological factors contributing to the

variability of sensory assessments: Relationship between salivary flow rate and

temporal perception of gustatory stimuli. Food Quality and Preference 5:5564.

Fiszman, S. M., M.A. Lluch, A. Salvador. 1999. Effect of addition of gelatin on

microstructure of acidic milk gels and yoghurt and their rheological properties.International Dairy Journal 9:895901.

Fuentes, V., J. Ventanas, D. Morcuende, S. Ventanas. 2013. Effect of intramuscular fat

content and serving temperature on temporal sensory perception of sliced and vacuum

packaged dry-cured ham. Meat Science 93:621629.

Garrido, D., A. Calvio, G. Hough. 2001. A parametric model to average timeintensity

data. Food Quality and Preference 12:18.


35/39



35

Garruti, D. S., M. R. B. Franco, M. A. A. P. Silva, N. S. Janzantii, G. L. Alves. 2003.

Evaluation of volatile flavour compounds from cashew apple (Anacardium occidentale

L.) juice by the Osme gas chromatography/olfactometry technique. Journal of the

Science of Food and Agriculture 83:14551462.

Guinard, J. X., R.-M. Pangborn, C. F. Shoemaker. 1985. Computerized procedure for

the time-intensity sensory measurement. Journal of Food Science 50:543546.

Hillmann, H., J. Mattes, A. Brockhoff, A. Dunkel, W. Meyerhof, T. Hofmann. 2012.

Sensomics analysis of taste compounds in balsamic vinegar and discovery of 5

acetoxymethyl-2-furaldehyde as a novel sweet taste modulator. Journal of Agricultural

and Food Chemistry 60:99749990.

ISO. 1994. Sensory AnalysisMethodologyTexture Profile, ISO 11036. Geneva,

Switzerland: International Organization for Standardization.

ISO. 2008. Sensory AnalysisVocabulary, ISO 5492. Geneva, Switzerland:

International Organization for Standardization.

Kuesten, C., B. Jian, F. Yaohua. 2013. Exploring taffy product consumption

experiences using a multi-attribute timeintensity (MATI) method. Food Quality and

Preference 30:260273.

Labbe, D., P. Schlich, N. Pineau, F. Gilbert, N. Martin. 2009. Temporal dominance of

sensations and sensory profiling: A comparative study. Food Quality and Preference

20:216221.

Laguna, L., P. Varela, A. Salvador, S. Fiszvman. 2013. A new sensory tool to analyse

the oral trajectory of biscuits with different fat and fibre contents. Food Research

International 51:544553.

Larson-Powers, N. L., R.-M. Pangborn. 1978. Paired comparison and time-intensitymeasurements of the sensory properties of beverages and gelatins containing sucrose

or synthetic sweeteners. Journal of Food Science 43:4146.

Lawless, H. T., H. Heymann. 2010. Sensory Evaluation of Food: Principles and

Practices. New York: Springer.

Lawless, H. T., E. Z. Skinner. 1979. The duration and perceived intensity of sucrose

taste. Perception & Psychophysics 3:180184.


36/39



36

Lee, W. E. III. 1985. Evaluation of time-intensity sensory response using personal

computer. Journal of Food Science 50:17501753.

Lee, W. E. III., R. M. Pangborn. 1986. Timeintensity: The temporal aspects of sensory

perception. Food Technology 40:7178, 82.

Lenfant, F., C. Loret, N. Pineau, C. Hartmann, N. Martin. 2009. Perception of oral food

breakdown. The concept of sensory trajectory. Appetite 52:659667.

Liu, Y. H., H. J. H. MacFie. 1990. Methods for averaging timeintensity curves.

Chemical Senses 15:471484.

MacFie, H. J. H., Y. H. Liu. 1992. Developments in the analysis of timeintensity

curves. Food Technology 46:9297.

McGowan, B. A., S.-Y. Lee. 2006. Comparison of methods to analyze timeintensity

curves in a corn zein chewing gum study. Food Quality and Preference 17:296306.

Meillon, S., C. Urbano, P. Schlich. 2009. Contribution of the Temporal Dominance of

Sensations (TDS) method to the sensory description of subtle differences in partially

dealcoholized red wines. Food Quality and Preference 20:490499.

Meillon, S., D. Viala, M. Medel, C. Urbano, G. Guillot, P. Schlich. 2010. Impact of

partial alcohol reduction in Syrah wine on perceived complexity and temporality ofsensations and link with preference. Food Quality and Preference 21:732740.

Meyners, M. 2011. Panel and panelist agreement for product comparisons in studies of

temporal dominance of sensations. Food Quality and Preference 22:365370.

Meyners, M., N. Pineau. 2010. Statistical inference for temporal dominance of

sensations data using randomization tests. Food Quality and Preference 21:805814.

Murat, C., M.-H. Bard, C. Dhalleine, N. Cayot. 2013. Characterisation of odour active

compounds along extraction process from pea flour to pea protein extract. Food

Research International 53:3141.

Ng, M., J. B. Lawlor, S. Chandra, C. Chaya, L. Hewson, J. Hort. 2012. Using

quantitative descriptive analysis and temporal dominance of sensations analysis as

complementary methods for profiling commercial blackcurrant squashes. Food Quality

and Preference 25:121134.


37/39



37

Ovejero-Lpez, I., R. Bro, W. L. P. Bredie. 2005. Univariate and multivariate modeling

of flavour release in chewing gum using time-intensity: A comparison of data analytical

methods. Food Quality and Preference 16:327343.

Palazzo, A. B., H. M. A. Bolini. 2009. Multiple time-intensity and acceptance of

raspberry-flavored gelatin. Journal of Sensory Studies 24:648663.

Palazzo, A. B., M. A. R. Carvalho, P. Efraim, H. M. A. Bolini. 2011. The determination

of isosweetness concentrations of sucralose, rebaudioside and neotame as sucrose

substitutes in new diet chocolate formulations using the time-intensity analysis Journal

of Sensory Studies 26:291297.

Paulsen, M. T., T. Naes, O. Ueland, E. Rukke, M. Hersleth. 2013. Preference mapping

of salmonsauce combinations: The influence of temporal properties. Food Quality and


Peyvieux, C., G. Dijksterhuis. 2001. Training a sensory panel for TI: A case study.

Food Quality and Preference 12:1928.

Pineau, N. 2013. Extension of TDS to multi-bite evaluation. In 10th Pangborn Sensory

Science Symposium, August 1115, 2013, Rio de Janeiro, Brazil.

Pineau, N., A. Goupil de Bouill, M. Lepage et al. 2012. Temporal Dominance ofSensations: What is a good attribute list? Food Quality and Preference 26:159165.

Pineau, N., T. Neville, M. Lepage. 2011. Panel performance tool for Temporal

dominance of sensations studies. In Ninth Pangborn Sensory Science Symposium,

Toronto, Ontario, Canada.

Pineau, N., P. Schlich, S. Cordelle et al. 2009. Temporal dominance of sensations:

Construction of the TDS curves and comparison with timeintensity. Food Quality and


Pinheiro, A. C. M., C. A. Nunes, V. Vietoris. 2013. Sensomaker: A tool for sensorial

characterization of food products. Cincia e Agrotecnologia 37:199201.

R Development Core Team. 2007. R: A Language and Environment for Statistical

Computing. Vienna, Austria: R Foundation for Statistical Computing.

Rine, S. 1987. Computerized analysis of the sensory properties of peanut butter. MS

thesis, University of California, Davis, CA.


38/39



38

Rocha-Selmi, G. A., E. C. Morais, C. S. Fvaro-Trindade, H. M. A. Bolini. 2012.

Sensory evaluation of commercial chewing gums and the relations between the

consumer sensory acceptance with time-intensity parameters of sweetness

perceptions. In Proceedings of 16th World Congress of Food Science and Technology,August 59, 2012, Foz do Iguau, Brazil.

Rosner, B. 1995. Fundamentals of Biostatistics, 4th edn. Belmont, CA: Duxbury Press.

Sampaio, K. L., A. C. T. Biasoto, E. J. N. Marques, E. A. C. Batista, M. A. A. P. Silva.

2013. Dynamics of the recovery of aroma volatile compounds during the concentration

of cashew apple juice (Anacardium occidentale L.). Food Research International

51:335343.

Schlich, P. 2013. TDS with untrained consumers in lab and at home. In 10th Pangborn

Sensory Science Symposium, August 1115, 2013, Rio de Janeiro, Brazil.

Schmitt, D. J., L. J. Thompson, D. M. Malek, J. H. Munroe. 1984. An improved method

for evaluat

traduccion inge de la p

Documents