基于动态光谱法的人体血液胆固醇含量无创检测

为实现患者血液总胆固醇含量的无创检测,检测了80例临床志愿者的手指脉动血液的动态光谱,同时获取其血液内总胆固醇含量的临床化验结果。对动态光谱加入谐波分量的数据进行了主成分分析,提取数据中的重要有效成分。对提取后的数据和总胆固醇实测值进行BP神经网络的建模并预测,得到预测集相关系数为96.48%,预测集最大相对误差为25.44%,预测误差均方根为0.242 6mmol.L-1。由于在建模前对建模数据进行了主成分分析,建模速度得到大幅度提高。证明了动态光谱法结合主成分分析进行血液总胆固醇含量检测的可行性,是无创血液成分分析研究的又一进展。     

舌诊归一化反射光谱用于红细胞数无创测量

利用舌诊归一化反射光谱对人体血液中红细胞总数(RBC)进行了无创检测研究.采集240名志愿者舌尖反射光谱并进行反射率归一化同时用数码相机记录志愿者舌象.将样本分为两组:校正集和预测集,以血液成分含量生化分析值为参考,建立红细胞总数与光谱数据的偏最小二乘回归(PLSR)预测模型.所建模型的相关系数为0.991,用所建模型...     

基于舌近红外反射光谱的人体血清多种蛋白含量无创测量

探讨一种基于近红外反射光谱的人体血清白蛋白、球蛋白和总蛋白三种生化指标的无创检测方法.采集58例志愿者舌尖处近红外反射光谱,考虑这些光谱数据与血清蛋白浓度间因个体差异等存在非线性映射关系,在计算归一化光谱反射率及分析样本蛋白含量统计分布上,采用支持向量机分别建立三种蛋白成分近红外光谱定量回归模型,并与传统的偏最小二乘法进行比较.实验结果表明,支持向量机校正模型的预测效果较好且明显优于偏最小二乘法校正模型,对白蛋白、球蛋白和总蛋白的预测相关系数分别达到0.894,0.931和0.863,预测的均方误差为2.19,1.93和4.38.因此,支持向量机可有效抵抗活体检测定量分析中存在的非线性因素,提高模型的鲁棒性.同时也表明舌的近红外光谱信息能够较客观的反映人体理化指标的变化,用于血清蛋白含量的快速无创检测具有较高的可行性.     

近红外光谱和电子鼻技术用于葡萄酒发酵过程中酒精度的定量分析

采用近红外光谱和电子鼻对葡萄酒的酒精发酵过程进行了动态采样检测,通过主成分回归和偏最小二乘回归对酒精度变化进行了监控和预测研究.分别建立了近红外光谱、电子鼻以及二者融合数据对酒精度定量分析的主成分回归和偏最小二乘回归模型.结果表明,近红外光谱数据和电子鼻数据的主成分回归和偏最小二乘回归模型的相关系数(r)均大于0.99,但校正均方根误差(RMSEC)和预测均方根误差(RMSEP)较大.近红外光谱和电子鼻数据融合后,模型质量得到提高,建立的偏最小二乘模型r为0.9992,RMSEC和RMSEP分别降低为0.206％和0.205％(v/v),定量精度较高.近红外光谱和电子鼻均适用于红酒发酵过程中对酒精度的定量分析,且二者结合应用能提高定量精度.     

基于SiPLS算法的近红外光谱检测梨可溶性固形物含量

为了提高近红外光谱技术在梨的可溶性固形物含量(SSC)检测中的精度和稳定性,对采集的原始光谱进行标准归一化(SNV)预处理,采用联合区间偏最小二乘法(SiPLS)建立了SSC的预测模型;通过交互验证法确定了模型的主成分因子数,以预测时的相关系数(Rp)和预测均方根误差(RMSEP)作为评价指标对模型预测结果进行了分析,并与经典偏最小二乘(PLS)模型、间隔偏最小二乘(iPLS)模型进行了比较.结果表明,利用SiPLS所建的预测模型的最优组合包含21个光谱区间并联合4个子区间和15个主成分因子,其预测集的相关系数和预测均方根误差分别为0.9633和0.203;说明利用近红外光谱结合SiPLS算法可以准确、无损检测梨中可溶性固形物含量.     

基于可见-近红外光谱技术预测茶鲜叶全氮含量

为快速无损监测茶树氮素营养及其生长状况,基于可见-近红外光谱技术建立了茶鲜叶全氮含量的预测模型。以茶鲜叶为对象,田间试验使用便携式光谱仪采集叶片漫反射光谱信息,通过不同预处理和统计分析,建立茶鲜叶全氮含量预测的光谱模型。试验共采集111个样品,其中86个样品作校正集,25个样品作预测集。通过一阶导数与滑动平均滤波相结合的预处理方法,用7个主成分建立的偏最小二乘模型最好,其校正集均方根误差(RMSEC)为0.0973,预测集的相关系数为0.8881,预测均方根误差(RMSEP)为0.1304,预测的平均相对误差为4.339%。研究结果表明,利用可见-近红外光谱技术可以很好地预测茶鲜叶全氮含量,对于快速实时监测茶树长势和施肥管理具有重要指导意义。     

血细胞压积与平均血红蛋白浓度的可见-近红外光谱无创检测

血细胞压积和平均血红蛋白浓度的检测对于心脑血管疾病以及贫血等疾病的预防和治疗起着非常重要的作用,为了能够无创、准确的对血细胞压积和平均血红蛋白浓度进行检测,本研究提出了一种基于光谱技术的检测方法。经解剖学研究表明,在微循环中,血流变的异常以及血液粘稠度的改变均能引起舌象的变化,即舌象和血液成分之间存在一定的相关性,所以本研究通过采集240例志愿者舌尖反射光谱,同时拍摄志愿者舌体图片和记录生化分析结果。在进行数学建模前,首先将240例志愿者随机分为校正集和验证集,运用偏最小二乘分别建立数学模型,校正集预测值和生化分析真实值之间相关系数分别为0.998和0.938,运用所建数学模型对验证集未知样本进行预测,验证集未知样本的预测结果与生化分析真实值之间相关系数分别为0.979和0.883,平均相对误差分别为1.65%和1.88%,均方根误差分别为4.066和4.139,由实验结果可见,所建立的模型可以较好的对HCT和MCHC进行预测,同时实验结果也表明近红外光谱分析结合偏最小二乘方法有可能能够为血细胞压积和平均血红蛋白浓度的检测提供一种无创的检测方法。     

应用近红外高光谱成像技术预测甘蔗可溶性固形物含量

为了探究应用近红外高光谱成像技术对甘蔗内部可溶性固形物(SSC)预测的可行性,试验样本选择三种不同品种中的240个甘蔗节作为研究对象。通过高光谱成像系统获取甘蔗节的近红外光谱信息和图像信息,并分别探讨了光谱信息和图像纹理信息对甘蔗可溶性固形物预测的可行性。采用最小二乘回归(PLSR),最小二乘支持向量机(LS-SVM)及主成分回归(PCR)建模方法构建甘蔗可溶性固形物的预测模型。比较了连续投影算法(SPA)、无信息变量消除算法(UVE)及区间偏最小二乘(iPLS)特征提取方法对预测结果的影响。实验结果表明:基于甘蔗的光谱信息能实现可溶性固形物的预测,其中偏最小二乘回归模型的建模集和预测集的相关系数分别为0.879和0.843,均方根误差分别为0.644和0.742。通过UVE算法提取105个有效波长所建立的PLSR模型的建模集及预测集相关系数分别为0.860和0.813,均方根误差分别为0.693和0.810。     

祁门红茶加工中氨基酸和儿茶素快速检测模型建立

氨基酸与儿茶素是茶叶品质的重要组成成分。祁门红茶在加工过程中,氨基酸与儿茶素含量发生了显著的变化,而且不同加工阶段差异性很大,但目前在生产中缺乏快速在线检测方法。为了实现对祁门红茶加工过程中氨基酸和儿茶素含量快速测定,试验以鲜叶、萎凋叶、揉捻叶、发酵叶和干燥后毛茶为原料,获取近红外光谱并利用化学方法检测氨基酸和儿茶素含量。对采集的原始光谱进行标准正态变量变换(SNVT)预处理,利用联合区间偏最小二乘回归法(Si-PLS)构建氨基酸和儿茶素含量近红外回归模型,相关系数与交互验证均方根误差作为评价模型的有效指标。结果表明,利用Si-PLS方法建立氨基酸含量的模型最优组合包含20个光谱区间并联合4个子区间和9个主成分因子,校正集的相关系数、校正均方根误差分别为0.955 8和1.768;预测集的相关系数、预测均方根误差分别为0.949 5和2.16。儿茶素含量的模型最优组合包含20个光谱区间并联合3个子区间和10个主成分因子,校正集的相关系数、校正均方根误差分别为0.940 1和1.22;预测集的相关系数、预测均方根误差分别为0.938 5和1.17。所建立模型准确性较好,这为茶叶加工过程中茶叶品质的在线监控提供了理论依据。     

基于可见近红外光谱的糖类别快速鉴别研究

提出了一种用近红外光谱技术快速鉴别糖类别的新方法.采用近红外光谱获取白砂糖、木糖醇、双歧糖和葡萄糖等四种糖类别的光谱反射特征曲线,采用偏最小二乘法进行模式特征分析,经过交互验证法判别,确定最佳主成分数为11.完成特征提取后,将11种主成分作为神经网络的输入变量,建立了3层BP神经网络.四个类别的糖样本数均为40,共计160个样本,将其分成训练集样本120个和预测集样本40个,对40个未知样本进行预测,准确率为100%.说明所提出的方法对于糖类别具有很好的分类和鉴别能力.     

应用近红外光谱法建立伤疖膏制备过程中黄芩苷含量模型

建立一种伤疖膏制备过程提取液中黄芩苷动态含量快速测定的近红外光谱分析方法,近红外透射光谱法扫描得到65组伤疖膏制备过程中提取液的近红外光谱图,以提取液中黄芩苷的HPLC测量值作为对照值,采用偏最小二乘回归算法(PLSR)建立NIR光谱与对照值的校正模型。校正模型主成分数为8,交叉验证均方根差(RMSECV)为0.006 8,相关系数(r)为0.999 1。应用校正模型对预测集的30组样品进行黄芩苷含量预测,所得预测均方根差(RMSEP)为0.009 2,r为0.998 7。结果表明,该方法快速、准确,为复方膏剂制备过程中化学成分快速定量和质量控制提供了方法和依据。     

近红外光谱法快速检测绿茶中儿茶素的含量

提出了一种应用傅里叶近红外漫反射光谱分析技术快速检测茶叶中主要儿茶素含量的新方法.首先获取茶叶在10000～4000 cm<'-1>范围的近红外漫反射光谱,然后以高效液相色谱分析值作参考值.采用偏最小二乘法建立茶叶中表没食子儿茶素没食子酸酯(EGCG)、表儿茶素没食子酸酯(ECG)和表没食子儿茶素(EGC)含量的定量分析模型.通过交互验证方法来优化模型的主成分数和所采用的光谱预处理方法.EGCG、ECG和EGC三个模型预测值和参考值问的相关系数分别为0.9800、0.9763和0.9853,预测均方根误差分别为0.3509、0.1147和0.1365.研究结果表明,近红外光谱技术可成功地检测茶叶中EGCG,ECG和EGC的含量.     

葡萄浆果糖度可见/近红外光谱检测的研究

针对可见/近红外光谱与水果糖度存在非线性相关的特点,利用漫反射光谱测定方法获取了葡萄浆果的可见/近红外光谱,提出了应用偏最小二乘(PLS)结合人工神经网络(ANN)建立葡萄浆果糖度的预测模型,利用偏最小二乘法(PLS)对原始光谱数据进行处理,得出交叉检验的最佳主因子数为3,并将3个主因子的得分作为三层BP神经网络的输入.通过定标集样本对BP神经网络进行训练,用优化的BP神经网络模型对预测集样本进行预测.PLS-ANN模型对样本的预测模型检验参数r2为0.908,:RMSEP为0.112,Bi-as为0.013,好于只使用PLS模型的预测模型检验参数r2为00.863,RMSEP为0.171,Bias为0.024.结果表明,利用近红外光谱技术无损检测葡萄浆果糖度等内部品质是可行的,为今后进一步分析建立浆果内部品质预测模型奠定了基础.     

基于特征波段的高光谱技术检测水体中毒死蜱浓度的实验研究

为了探究反射光谱检测水体中毒死蜱农药的可行性，使用由ASD公司的FieldSpecPro地物波谱仪构成的高光谱采集系统在室内、室外环境获取两种不同浓度区间的毒死蜱样品的光谱数据。基于偏最小二乘(PLS)和主成分分析(PCA)算法分别对毒死蜱样品光谱数据建立全波段定量模型，结果两种模型的预测能力均较高。通过相关性分析(CA)计算相关系数来选择毒死蜱样品光谱的特征波长，其中浓度区间为5~75 mg·L-1的室内、室外实验光谱的特征波长为388，1 080，1 276 nm和356，1 322，1 693 nm，浓度区间为0.1~100 mg·L-1的室内外实验样品光谱的特征波长为367，1 070，1 276，1 708 nm和383，1 081，1 250，1 663 nm。结合PLS算法建立样品特征波长光谱数据的定量模型，结果与全波段模型相比，浓度区间为5~75 mg·L-1的室内外实验光谱PLS特征波长模型的校正集决定系数R2_C分别提高至0.987 5和0.999 2，预测集决定系数R2_P分别提高至0.989 4和0.994 4，校正集均方根误差RMSEC分别降低为2.841和0.714，预测集均方根误差RMSEP分别降低为1.715和1.244；浓度区间为0.1~100 mg·L-1的室内外实验光谱特征波长PLS模型的校正集决定系数R2_C分别提高至0.998 3和0.998 8，预测集决定系数R2_P分别提高至0.998 4和0.999 0，校正集均方根误差RMSEC分别降低为1.383和1.186，预测集均方根误差RMSEP分别降低为1.510和1.229，验证集标准差与预测均方根误差的比值(RPD)有所增加，尤其是针对浓度区间为0.1~100 mg·L-1的实验，RPD值显著增加至21.7，说明基于特征波长建立的毒死蜱样品定量模型具有较高精度的预测能力，但是通过不同浓度区间范围的对比实验发现，ASD地物光谱仪对低浓度的毒死蜱溶液预测的相对误差偏大，存在客观上的检测下限。为了保证不同试验条件下的毒死蜱农药的特征波长都得到分析，增强模型使用的普适性与鲁棒性，根据特征波长选择出4个波段，即351~393，1 065~1 086，1 245~1 281和1 658~1 713 nm作为特征波段。特征波段模型的波长变量个数共38个，相比于全波段模型的432个波长变量，模型变量精简了91.2%，其中浓度区间为5~75 mg·L-1的室内外实验光谱PLS特征波段模型的R2_C分别为0.993 7和0.987 8，R2_P分别为0.979 8和0.998 2，RMSEC分别为1.690和2.516，RMSEP分别为1.987和0.659；浓度区间为0.1~100 mg·L-1的室内外实验光谱特征波段PLS模型的R2_C分别为0.9882和0.9807，R2_P分别为0.9391和0.9936，RMSEC分别为3.345和3.942，RMSEP分别为8.996和2.663，且四种实验情况下的模型RPD值均大于2.5，满足定量分析条件。因此采用高光谱采集系统对室内和室外环境中毒死蜱农药的快速检测具有一定的可行性，此研究结果对有机磷农药等面源污染物快速检测有实际的应用价值，可为农田水体有机磷农药快速检测仪器的开发提供理论基础。     

水果坚实度的近红外光谱检测分析试验研究

应用傅里叶漫反射近红外光谱技术探讨了水果坚实度无损检测的方法.利用偏最小二乘法建立了坚实度与漫反射光谱的无损检测数学模型,同时对不同光谱预处理方法和不同建模波段范围对模型的预测性能进行了对比分析.结果表明:利用傅里叶变换光谱仪采集的原始光谱的平滑预处理对结果并没有太大影响;原始光谱在800～2 500 nm范围的模型得到了最好的预测结果:校正集样本的相关系数r为0.869,校正均方根误差RMSEC为3.88 N;预测集样本的相关系数r为0.840,预测均方根误差RMSEP为4.26 N.通过本研究得出:应用近红外漫反射光谱检测水果坚实度是可行的,为今后快速无损评价水果成熟度提供了理论依据.     

近红外光谱(NIRS)技术快速测定湖泊沉积物营养组分研究

湖泊沉积物保存了湖泊环境演化的重要信息,但目前还没有建立起快速、准确的湖泊沉积物营养组分组合分析方法。该文利用近红外光谱(NIRS)技术,采用一阶导数、小波滤噪、正交信号校正、小波滤噪+正交信号校正、一阶导数+正交信号校正、正交信号校正+小波压缩6种光谱预处理技术和偏最小二乘(PLS)法相结合在国内建立了NIR光谱测定湖泊沉积物柱芯样品中总碳(TC),总氨(TN),总有机碳(TOC)和总磷(TP)的校正模型,结果表明虽然NIR光谱校正模型对TOC的预测效果不理想,但一阶导数+正交信号校正光谱校正模型对TC和TN,正交信号校正光谱校正模型对TP的预测效果较好,预测相关系数分别为0.759 7(TC),0.865 0(TN)和0.811 2(TP),预测误差(RMSEP)分别为0.13%(TC),0.008 2%(TN)和0.012%(TP)。该研究对于推动我国湖泊沉积物的光谱学特性研究具有重要意义。     

SERS技术的小白菜中西维因农药残留检测

西维因是一种广谱、高效的氨基甲酸酯杀虫剂。提出一个基于表面增强拉曼光谱进行定量和定性分析小白菜中西维因残留的方法。密度泛函理论B3LYP/6-311G基组被用于计算西维因农药的理论拉曼光谱。硫酸镁、PSA、石墨化炭黑和C18被用来去除叶绿素、矿物质和维生素等物质的影响。采用MSC，SNV和归一化三种方法对原始光谱进行预处理，建立小白菜中西维因残留的偏最小二乘模型。研究表明，小白菜中西维因农药残留检测可以达到0.976 mg·L-1以下。经MSC预处理后所建PLS模型预测性能最好，当主成分数为9时所建模型的性能最好，R_c为0.977，RMSECV为2.09 mg·L-1，R_p为0.986 5，RMSEP为1.71 mg·L-1。五个未知西维因农药浓度小白菜样本用来验证模型的准确度，相对误差为1.98%~7.28%，预测回收率为95.73%~107.28%，T值为0.397, 小于t_{0.05, 4}=2.776，说明模型是准确可靠的。SERS方法是一种有效的方法，可以实现小白菜中西维因农药残留的快速可靠检测。     

激光诱导击穿光谱联合UVE变量优选检测大豆油中的铬含量

利用激光诱导击穿光谱(LIBS)技术对大豆油中的重金属Cr进行检测研究。以松木木片对重金属Cr进行富集,采用AvaSpec双通道高精度光谱仪在206.28~481.77nm波段范围内采集松木木片样本的LIBS光谱,利用无信息变量消除(UVE)方法筛选与重金属Cr相关的波长变量,应用偏最小二乘(PLS)回归建立大豆油中重金属Cr的定标模型,并与单变量及全波段PLS定标模型进行比较。结果表明,相比单变量及全波段PLS定标模型,UVE-PLS定标模型的性能更优,其相关系数、校正均方根误差、交互验证均方根误差及预测均方根误差分别为0.990,0.045,0.050及0.054mg·g-1。经UVE变量筛选后,UVE-PLS定标模型所用的波长变量数仅为全波段PLS的2%。由此可见,UVE是一种有效的波长变量筛选方法,能有效筛选出与重金属Cr相关的波长变量。     

Sequential Injection/Mid-Infrared Spectroscopic Analysis of an Acetone‐Butanol‐Ethanol Fermentation: Analyte Cross‐Correlation Effects

Mid‐infrared spectroscopy together with sequential injection analysis (SIA) and partial least squares (PLS) regression analysis was used to monitor acetone‐butanol‐ethanol (ABE) fermentations under different fermentation conditions. Five analytes were simultaneously predicted (acetone, acetate, butyrate, n‐butanol, and glucose). In order to compare the overall model prediction ability, a relative average of the root mean square error of prediction (RMSEP) across all five analytes was employed. To form a PLS model devoid of any cross‐correlations between analytes, a synthetic calibration data set was created by the SIA system. As a test of their robustness, PLS models from synthetic samples and those from real fermentation samples were compared and used to predict samples from the opposite data set and from independent “acid‐crash” fermentations. The PLS model developed from the synthetic samples proved to be far more robust and accurate and used fewer factors than PLS models from the real fermentations, which were found to contain analyte cross‐correlations. The use of synthetic data enabled more accurate selection of factors and showed the importance of investigating spectral regression coefficients plots to aid and confirm appropriate factor selection. In addition, an alternative method of factor selection was proposed, using a “similarity measure” between the regression coefficient plots of factors for certain analytes and their standard spectra. Predictions using this method of factor selection over the common “minimum from an error vs. factor” plot proved to be more accurate and used far fewer factors.