sredobЗдоровье населения и среда обитания – ЗНиСОPublic Health and Life Environment – PH&LE2219-52382619-0788ФБУЗ ФЦГиЭ Роспотребнадзора10.35627/2219-5238/2023-31-12-82-90sredob-1861Research ArticleГИГИЕНА ПИТАНИЯFOOD HYGIENEАнализ взаимосвязи наименований и качества различных групп пищевой продукцииAnalysis of the Relationship between Names and Quality of Various Groups of Food Productshttps://orcid.org/0000-0002-9046-6837ЩербаковГ. Д.ShcherbakovG. D.

Щербаков Григорий Дмитриевич – ведущий инженер лаборатории демографии и эпидемиологии питания

Устьинский пр-д, д. 2/14, г. Москва, 109240

Grigory D. Shcherbakov, Leading Engineer, Laboratory of Demography and Nutritional Epidemiology

2/14 Ustyinsky Driveway, Moscow, 109240

sherbakovgrigory@gmail.comhttps://orcid.org/0000-0002-3587-5347БессоновВ. В.BessonovV. V.

Бессонов Владимир Владимирович – д.б.н., заведующий лабораторией химии пищевых продуктов

Устьинский пр-д, д. 2/14, г. Москва, 109240

Vladimir V. Bessonov, Dr. Sci. (Biol.), Head of the Laboratory of Food Chemistry

2/14 Ustyinsky Driveway, Moscow, 109240

bessonov@ion.ruШахвалиеваЭ. С.-А.ShakhvaliyevaE. S.-A.

Шахвалиева Элина Саид-Аминовна – лаборант-исследователь лаборатории демографии и эпидемиологии питания

Устьинский пр-д, д. 2/14, г. Москва, 109240

Elina S.-A. Shakhvaliyeva, Research Assistant, Laboratory of Demography and Nutritional Epidemiology

2/14 Ustyinsky Driveway, Moscow, 109240

shelina9558@gmail.comФГБУН «Федеральный исследовательский центр питания, биотехнологии и безопасности пищи»РоссияFederal Research Center of Nutrition, Biotechnology and Food SafetyRussian Federation20233012202331128290Copyright © Щербаков Г.Д., Бессонов В.В., Шахвалиева Э.С., 20232023Щербаков Г.Д., Бессонов В.В., Шахвалиева Э.С.Shcherbakov G.D., Bessonov V.V., Shakhvaliyeva E.S.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://zniso.fcgie.ru/jour/article/view/1861Введение

Введение. Анализ наименований пищевых продуктов является важной задачей, направленной на решение двух проблем: определения взаимосвязи между результатами исследований и отдельными применяемыми словами и, как следствие, получения достоверной с точки зрения качества пищевых продуктов классификации внутри подгрупп.

Цель исследования

Цель исследования: анализ взаимосвязи между наименованиями пищевых продуктов и их микро- и макронутриентным составом.

Материалы и методы

Материалы и методы. В качестве объектов исследования были выбраны результаты исследований хлебобулочных изделий, мясных полуфабрикатов и питьевого молока, выполненные в рамках федерального проекта «Укрепление общественного здоровья» в 2020–2021 годах лабораториями Роспотребнадзора. Использовались такие методы лингвистического анализа, как токенизация, удаление шумовых слов, стемминг и анализ N-грамм.

Результаты

Результаты. Для группы хлебобулочных изделий были выделены слова, а также их отдельные составляющие, которые позволили разделить образцы по ранее полученным группам с различным содержанием натрия, белка и жира. Для группы мясных полуфабрикатов, где разделение было проведено по показателям натрия и жира, также был получен список слов, позволяющих провести обратную классификацию по наименованиям. Для молока питьевого был получен отрицательный результат, продукты, в которых было выявлено низкое содержание кальция, никак не отличались от других групп по своим наименованиям и их частям.

Заключение

Заключение. Анализ наименований пищевых продуктов продемонстрировал потенциальную возможность для классификации пищевых продуктов по их наименованиям с целью оценки их вероятного микро- и макронутриентного состава. Необходимо провести ряд дальнейших исследований, направленных на расширение перечня анализируемых групп продукции, особенно входящих в потребительскую корзину. 

Introduction

Introduction: The analysis of food names is an important task aimed at solving two problems, namely, determining the relationship between research results and individual words used and, as a result, obtaining a reliable, from the point of view of food quality, classification within subgroups.

Objective

Objective: To analyze the relationship between the names of food products and their micro- and macronutrient composition.

Materials and methods

Materials and methods: The research object was the whole aggregate of the results of testing bakery products, processed meat products, and milk carried out within the framework of the Federal Project on Public Health Promotion in 2020–2021 by laboratories of the Russian Federal Service for Surveillance on Consumer Rights Protection and Human Welfare (Rospotrebnadzor). We applied such linguistic analysis methods as tokenization, noise word removal, stemming, and N-gram analysis.

Results

Results: For bakery products, we selected words and their parts enabling us to divide samples into previously obtained groups with different contents of sodium, protein, and fat. For processed meat products, classified by the sodium and fat contents, we also compiled a list of words allowing a reverse classification by name. For fluid milk, we obtained a negative result since the products with the established low calcium content did not differ from other groups in terms of names and their parts.

Conclusions

Conclusions: The analysis of food names has demonstrated the potential for classifying foods by their names in order to assess their likely micro- and macronutrient composition. It is necessary to conduct a number of further studies aimed at expanding the list of analyzed product groups, especially those included in the consumer basket. 

качество пищевых продуктовнаименования продукциилингвистический анализбаза данных химического состава пищевых продуктовцифровая нутрициологияклассификация пищевых продуктовfood qualityproduct nameslinguistic analysisfood chemical composition databasedigital nutritionfood classificationReferencesDrewnowski A, Rehm CD. Consumption of added sugars among US children and adults by food purchase location and food source. Am J Clin Nutr. 2014;100(3):901–907. doi: 10.3945/ajcn.114.089458Drewnowski A, Rehm CD. Consumption of added sugars among US children and adults by food purchase location and food source. Am J Clin Nutr. 2014;100(3):901–907. doi: 10.3945/ajcn.114.089458Thompson FE, Subar AF, Loria CM, Reedy JL, Baranowski T. Need for technological innovation in dietary assessment. J Am Diet Assoc. 2010;110(1):48–51. doi: 10.1016/j.jada.2009.10.008Thompson FE, Subar AF, Loria CM, Reedy JL, Baranowski T. Need for technological innovation in dietary assessment. J Am Diet Assoc. 2010;110(1):48–51. doi: 10.1016/j.jada.2009.10.008Costa TPd, Gillespie J, Pelc K, et al. Life cycle assessment tool for food supply chain environmental evaluation. Sustainability. 2023;15(1):718. doi: 10.3390/su15010718Costa TPd, Gillespie J, Pelc K, et al. Life cycle assessment tool for food supply chain environmental evaluation. Sustainability. 2023;15(1):718. doi: 10.3390/su15010718Delgado A, Issaoui M, Vieira MC, Saraiva de Carvalho I, Fardet A. Food composition databases: Does it matter to human health? Nutrients. 2021;13(8):2816. doi: 10.3390/nu13082816Delgado A, Issaoui M, Vieira MC, Saraiva de Carvalho I, Fardet A. Food composition databases: Does it matter to human health? Nutrients. 2021;13(8):2816. doi: 10.3390/nu13082816Elmadfa I, Meyer AL. Importance of food composition data to nutrition and public health. Eur J Clin Nutr. 2010;64(Suppl 3):S4-S7. doi: 10.1038/ejcn.2010.202Elmadfa I, Meyer AL. Importance of food composition data to nutrition and public health. Eur J Clin Nutr. 2010;64(Suppl 3):S4-S7. doi: 10.1038/ejcn.2010.202Vlontzos G, Pardalos P. Data mining and optimisation issues in the food industry. Int J Sustain Agric Manag Inform. 2017;3(1):44-64. doi: 10.1504/IJSAMI.2017.10003796Vlontzos G, Pardalos P. Data mining and optimisation issues in the food industry. Int J Sustain Agric Manag Inform. 2017;3(1):44-64. doi: 10.1504/IJSAMI.2017.10003796Vonthron S, Perrin C, Soulard CT. Foodscape: A scoping review and a research agenda for food security-related studies. PLoS One. 2020;15(5):e0233218. doi: 10.1371/journal.pone.0233218Vonthron S, Perrin C, Soulard CT. Foodscape: A scoping review and a research agenda for food security-related studies. PLoS One. 2020;15(5):e0233218. doi: 10.1371/journal.pone.0233218Zhang D, Ouyang S, Cai M, et al. FADB–China: A molecular-level food adulteration database in China based on molecular fingerprints and similarity algorithms prediction expansion. Food Chem. 2020;327:127010. doi: 10.1016/j.foodchem.2020.127010Zhang D, Ouyang S, Cai M, et al. FADB–China: A molecular-level food adulteration database in China based on molecular fingerprints and similarity algorithms prediction expansion. Food Chem. 2020;327:127010. doi: 10.1016/j.foodchem.2020.127010Wang Z, Talburt JR, Wu N, Dagtas S, Zozus MN. A rule-based data quality assessment system for electronic health record data. Appl Clin Inform. 2020;11(4):622-634. doi: 10.1055/s-0040-1715567Wang Z, Talburt JR, Wu N, Dagtas S, Zozus MN. A rule-based data quality assessment system for electronic health record data. Appl Clin Inform. 2020;11(4):622-634. doi: 10.1055/s-0040-1715567Marshall NW, Mackenzie A, Honey ID. Quality control measurements for digital x-ray detectors. Phys Med Biol. 2011;56(4):979-999. doi: 10.1088/0031-9155/56/4/007Marshall NW, Mackenzie A, Honey ID. Quality control measurements for digital x-ray detectors. Phys Med Biol. 2011;56(4):979-999. doi: 10.1088/0031-9155/56/4/007Bietenbeck A, Thaler MA, Luppa PB, Klawonn F. Stronger together: Aggregated Z-values of traditional quality control measurements and patient medians improve detection of biases. Clin Chem. 2017;63(8):1377-1387. doi: 10.1373/clinchem.2016.269845Bietenbeck A, Thaler MA, Luppa PB, Klawonn F. Stronger together: Aggregated Z-values of traditional quality control measurements and patient medians improve detection of biases. Clin Chem. 2017;63(8):1377-1387. doi: 10.1373/clinchem.2016.269845Eržen N, Rayner M, Pravst I. A comparative evaluation of the use of a food composition database and nutrition declarations for nutrient profiling. J Food Nutr Res. 2015;54(2):93-100. doi: 10.13140/2.1.2096.0000Eržen N, Rayner M, Pravst I. A comparative evaluation of the use of a food composition database and nutrition declarations for nutrient profiling. J Food Nutr Res. 2015;54(2):93-100. doi: 10.13140/2.1.2096.0000Wang H, Herforth AW, Xi B, Zou Z. Validation of the diet quality questionnaire in Chinese children and adolescents and relationship with pediatric overweight and obesity. Nutrients. 2022;14(17):3551. doi: 10.3390/nu14173551Wang H, Herforth AW, Xi B, Zou Z. Validation of the diet quality questionnaire in Chinese children and adolescents and relationship with pediatric overweight and obesity. Nutrients. 2022;14(17):3551. doi: 10.3390/nu14173551Shamim K, Khan SA, Ahmad S. Consumers’ understanding of nutrition labels for ultra-processed food products. J Public Aff. 2022;22(1):e2398. doi: 10.1002/pa.2398Shamim K, Khan SA, Ahmad S. Consumers’ understanding of nutrition labels for ultra-processed food products. J Public Aff. 2022;22(1):e2398. doi: 10.1002/pa.2398Jones NRV, Forouhi NG, Khaw KT, Wareham NJ, Monsivais P. Accordance to the dietary approaches to stop hypertension diet pattern and cardiovascular disease in a British, population-based cohort. Eur J Epidemiol. 2018;33(2):235-244. doi: 10.1007/s10654-017-0354-8Jones NRV, Forouhi NG, Khaw KT, Wareham NJ, Monsivais P. Accordance to the dietary approaches to stop hypertension diet pattern and cardiovascular disease in a British, population-based cohort. Eur J Epidemiol. 2018;33(2):235-244. doi: 10.1007/s10654-017-0354-8Cucuzzella M, Riley K, Isaacs D. Adapting medication for type 2 diabetes to a low carbohydrate diet. Front Nutr. 2021;8:688540. doi: 10.3389/fnut.2021.688540Cucuzzella M, Riley K, Isaacs D. Adapting medication for type 2 diabetes to a low carbohydrate diet. Front Nutr. 2021;8:688540. doi: 10.3389/fnut.2021.688540Bennett G, Bardon LA, Gibney ER. A comparison of dietary patterns and factors influencing food choice among ethnic groups living in one locality: A systematic review. Nutrients. 2022;14(5):941. doi: 10.3390/nu14050941Bennett G, Bardon LA, Gibney ER. A comparison of dietary patterns and factors influencing food choice among ethnic groups living in one locality: A systematic review. Nutrients. 2022;14(5):941. doi: 10.3390/nu14050941Kirk D, Catal C, Tekinerdogan B. Precision nutrition: A systematic literature review. Comput Biol Med. 2021;133:104365. doi: 10.1016/j.compbiomed.2021.104365Kirk D, Catal C, Tekinerdogan B. Precision nutrition: A systematic literature review. Comput Biol Med. 2021;133:104365. doi: 10.1016/j.compbiomed.2021.104365Bounabi M, El Moutaouakil K, Satori K. A comparison of text classification methods using different stemming techniques. Int J Comput Appl Technol. 2019;60(4):298- 306. doi: 10.1504/IJCAT.2019.101171Bounabi M, El Moutaouakil K, Satori K. A comparison of text classification methods using different stemming techniques. Int J Comput Appl Technol. 2019;60(4):298- 306. doi: 10.1504/IJCAT.2019.101171Silge J, Robinson D. tidytext: Text mining and analysis using tidy data principles in R. JOSS. 2016;1(3):37. doi: 10.21105/joss.00037Silge J, Robinson D. tidytext: Text mining and analysis using tidy data principles in R. JOSS. 2016;1(3):37. doi: 10.21105/joss.00037Щербаков Г.Д., Бессонов В.В. Подходы к алгоритму анализа результатов исследований микро- и макронутриентного состава хлебобулочных изделий. Сообщение второе // Здоровье населения и среда обитания. 2023;31(1):53-59. https://doi. org/10.35627/10.35627/2219-5238/2023-31-1-53-59Shcherbakov GD, Bessonov VV. Approaches to the algorithm of analyzing the results of laboratory testing of micro- and macronutrient content of bakery products: Part 2. Zdorov’e Naseleniya i Sreda Obitaniya. 2023;31(1):53-59. (In Russ.) doi: 10.35627/2219- 5238/2023-31-1-53-59Щербаков Г.Д. Применение метода Монте-Карло для моделирования поступления различных нутриентов на примере мясных полуфабрикатов Основы здорового питания и пути профилактики алиментарно-зависимых заболеваний : Материалы V Школы молодых ученых с международным участием, Москва, 09–11 ноября 2022 года. – Москва: Федеральное государственное бюджетное учреждение науки Федеральный исследовательский центр питания, биотехнологии и безопасности пищи, 2022. С. 121-122.Shcherbakov GD. [Application of the Monte Carlo method for modeling the intake of various nutrients on the example of semi-finished meat products.] In: Fundamentals of a Healthy Diet and Ways to Prevent Diet-Related Diseases: Proceedings of the Fifth School of Young Scientists with International Participation, Moscow, November 9–11, 2022. Moscow: Federal Research Center for Nutrition, Biotechnology and Food Safety; 2022:121-122. (In Russ.)Щербаков Г.Д., Бессонов Г.В. Алгоритм обработки и анализа результатов исследований микро- и макронутриентного состава молока // Здоровье населения и среда обитания. 2022;(8):64-72. https:// doi.org/10.35627/2219-5238/2022-30-8-64-72Shcherbakov GD, Bessonov VV. Algorithm for analyzing the results of laboratory testing of micro- and macronutrient composition of milk. Zdorov’e Naseleniya i Sreda Obitaniya. 2022;30(8):64-72. (In Russ.) doi: 10.35627/2219-5238/2022-30-8-64-72Akbay A, Elhan A, Ozcan C, Demirtaş S. Hierarchical cluster analysis as an approach for systematic grouping of diet constituents on basis of fatty acid, energy and cholesterol content: Application on consumable lamb products. Med Hypotheses. 2000;55(2):147-154. doi: 10.1054/mehy.1999.1038Akbay A, Elhan A, Ozcan C, Demirtaş S. Hierarchical cluster analysis as an approach for systematic grouping of diet constituents on basis of fatty acid, energy and cholesterol content: Application on consumable lamb products. Med Hypotheses. 2000;55(2):147–154. doi: 10.1054/mehy.1999.1038Ortenzi F, Kolby M, Lawrence M, et al. Limitations of the food compass nutrient profiling system. J Nutr. 2023;153(3):610-614. doi: 10.1016/j.tjnut.2023.01.027Ortenzi F, Kolby M, Lawrence M, et al. Limitations of the food compass nutrient profiling system. J Nutr. 2023;153(3):610-614. doi: 10.1016/j.tjnut.2023.01.027Kicherer H, Dittrich M, Grebe L, Scheible C, Klinger R. What you use, not what you do: Automatic classification and similarity detection of recipes. DKE. 2018;117:252- 263. doi: 10.1016/j.datak.2018.04.004Kicherer H, Dittrich M, Grebe L, Scheible C, Klinger R. What you use, not what you do: Automatic classification and similarity detection of recipes. DKE. 2018;117:252- 263. doi: 10.1016/j.datak.2018.04.004Subhi MA, Ali SH, Mohammed MA. Vision-based approaches for automatic food recognition and dietary assessment: A survey. IEEE Access. 2019;7:35370-35381. doi: 10.1109/ACCESS.2019.2904519Subhi MA, Ali SH, Mohammed MA. Vision-based approaches for automatic food recognition and dietary assessment: A survey. IEEE Access. 2019;7:35370-35381. doi: 10.1109/ACCESS.2019.2904519He H, Kong F, Tan J. DietCam: Multiview food recognition using a multikernel SVM. IEEE J Biomed Health Inform. 2016;20(3):848-855. doi: 10.1109/JBHI.2015.2419251He H, Kong F, Tan J. DietCam: Multiview food recognition using a multikernel SVM. IEEE J Biomed Health Inform. 2016;20(3):848-855. doi: 10.1109/JBHI.2015.2419251

The authors declare that there are no conflicts of interest present.