不同光谱预处理对激光诱导击穿光谱检测猪肉中铅含量的影响

为了研究适合激光诱导击穿光谱(LIBS)检测猪肉中重金属铅(Pb)元素含量的光谱预处理方法,将配制的84个猪肉腿肌样品分为校正集和预测集,以相关系数(R)、内部交叉验证均方差(RMSECV)和预测均方根误差(RMSEP)作为评价指标,比较了5种光谱预处理方法对偏最小二乘法(PLS)建模预测效果的影响.结果表明,多元散射校正(MSC)预处理效果最好,定标模型预测值与实验室分析元素检测值的相关系数(R)达到0.9908,RMSECV为0.302,RMSEP为0.282,主成分数为16,18个预测集样品的验证结果的平均相对预测误差(ARPE)为7.8％.说明MSC是LIBS检测猪肉Pb含量的有效光谱预处理方法,该研究为进一步实现食品中重金属快速定量分析提供了方法和数据参考.     

光谱预处理方法选择研究

复杂样品光谱信号往往会受到杂散光、噪声、基线漂移等因素的干扰,从而影响最终的定性定量分析结果,因此通常需要在建模前对原始光谱进行预处理。目前已有的光谱预处理方法包括很多种,如何寻找合适的预处理方法是很棘手的问题。一种途径是观察光谱信号特点选择预处理方法（visual inspection）,另一种途径是根据建模性能的优劣反过来选择预处理方法（trial-and-error strategy）。前者无需建模,更具有解释性,但是有时会由于选择者主观的因素导致错误的结果;后者无需观察光谱特点,但需要考察大量的预处理方法,对大数据集比较费时。因此需要探讨哪种选择方式更科学与合理。本研究采用9组数据,通过对10种预处理方法的120种排列组合来探讨预处理的必要性及预处理方法的选择。首先,优化偏最小二乘（PLS）的因子数及一阶导数、二阶导数、SG平滑的窗口参数,连续小波变换（CWT）的小波函数和分解尺度。然后把无预处理及一阶导数、二阶导数、CWT、多元散射校正（MSC）、标准正态变量（SNV）、SG平滑、中心化、Pareto尺度化、最大最小归一化、标准化10种预处理方法按照背景校正、散射校正、平滑和尺度化的顺序进行排列组合,得到120种预处理及其组合方法。最后对不同数据及相同数据的不同组分分别进行120种预处理,分析光谱信号特点及预处理后PLS建模的预测均方根误差值（RMSEP）。结果表明,相比观察光谱信号特点,根据光谱与预测组分的建模效果可以更为准确地选择最佳预处理方法。对于多数数据,采用合适的预处理方法可以提高建模效果;对于不同的数据集,因为其数据集信息和复杂性不同,所以其最佳预处理方法也不同;对于相同数据集,即使光谱相同,但不同组分的预处理方法也不相同。因此,不存在普适性的最佳预处理方法,最佳预处理方法除了与光谱有关,还与预测组分有关。通过对已有预处理方法按照预处理目的进行分类再排列组合是选择最佳预处理方法的一种有效途径。     

木材种类的近红外光谱和模式识别

木材的种类识别是木材加工和贸易的一个重要环节,传统的木材种类识别方法主要有显微检测法和木材纹理识别法,其操作繁琐,耗时长,成本高,不能满足当前需求。本研究利用木材的近红外光谱(NIRS)结合模式识别方法,以期实现木材种类的快速准确识别。采用近红外光谱结合主成分分析法(PCA)、偏最小二乘判别分析法(PLSDA)和簇类独立软模式法(SIMCA)三种模式识别对58种木材进行种类鉴别研究;5点平滑、标准正态变量变换(SNV)、多元散射校正(MSC)、Savitzky-Golay一阶导数(SG 1st-Der)和小波导数(WD)五种光谱预处理方法用于木材光谱的预处理;校正集和测试集样品的正确识别率(CRR)用于模型的评价。采用PCA方法,通过样品的前三个主成分空间分布图分辨木材种类的聚类情况。在建立PLSDA模型,原始光谱的正确识别率最高,分别为88.2%和88.2%;5点平滑处理的光谱校正集和测试集的CRR分别为88.1%和88.2%;SNV处理的光谱校正集和测试集的CRR分别为84.4%和84.5%;MSC处理的光谱校正集和测试集的CRR分别为83.1%和84.2%;SG 1st-Der处理的光谱校正集和测试集的CRR分别为81.8%和82.7%;WD(小波基为“Haar”,分解尺度为80)处理的光谱校正集和测试集的CRR分别为87.3%和87.2%。可知,在PLSDA模型中,木材光谱未经预处理种类识别效果最后好。在建立SIMCA模型过程中,原始光谱的校正集和测试集的CRR分别为99.7%和99.4%;5点平滑处理的光谱校正集和测试集的CRR分别为100%和100%;SNV处理的光谱校正集和测试集的CRR分别为99.5%和99.1%;MSC处理的光谱校正集和测试集的CRR分别为99.0%和98.4%;SG 1st-Der的光谱校正集和测试集的CRR分别为81.8%和82.7%;WD处理的光谱校正集和测试集的CRR分别为100%和100%。可知,在SIMCA模型中,木材光谱经平滑和小波导数处理后的识别效果最好,且光谱的校正集和测试集CRR都为100%。采用三种模式结合五种不同的预处理方法对木材近红外光谱进行定性建模识别时,由于木材样本属性复杂,主成分分布图相互交织,PCA无法识别出58种木材;原始光谱的PLSDA模型可以得到较好的判别模型,但校正集和测试集的CRR只有88.2%和88.2%;木材光谱经过5点平滑或WD预处理后的SIMCA模型可达到最好的识别效果,校正集和测试集的CRR均为100%,且WD-SIMCA模型因子数比5点平滑SIMCA模型小,模型更为简化,故WD-SIMCA为58种木材种类识别的最优模型。研究表明光谱预处理方法可以有效的提高木材种类识别精度,有监督模式识别方法SIMCA可以用来建立有效的木材识别模型,近红外光谱结合模式识别可以为木材种类的识别提供一种快速简便的分析方法。     

蛋白质组学技术前沿进展

蛋白质组学是以生物体系整体蛋白质为研究对象的新的研究领域,已经成为后基因时代中生命科学最重要研究方向之一。 近年来,蛋白质组学研究取得了令人鼓舞的进展,一系列新技术与新方法得到了快速的发展。 本文总结了2013年以来蛋白质组学研究的有关新技术,并对其发展进行了展望。     

不同预处理方法对苯丙酮尿症FTIR/ATR光谱筛查模型的影响

建立苯丙酮尿症的FTIR/ATR光谱筛查模型,比较基线校正、平滑、求导、傅里叶退卷积等光谱预处理方法对模型精度的影响。利用多模型共识偏最小二乘法(cPLS)建立干血片中苯丙氨酸浓度的校正模型,以相关系数(r)、预测均方根误差(RMSEP)、平均相对误差(MRE)和预测准确率(Acc)等指标,考察不同预处理方法对建模效果的影响。结果 一阶微分9点平滑处理方法效果最好。与原始光谱相比,模型的r,RMSEP,MRE和Acc分别从0.822 7,115.8,0.395和94.6改善到0.889 9,102.2,0.286和100。本方法直接快速、 不消耗试剂、 不产生污染,有望成为PKU大人群快速筛查的简便、 绿色新技术。     

光程变化对基于近红外光谱的黄酒品质检测的影响

以绍兴酒为研究对象,利用近红外光谱分析技术和化学计量学分析方法,开展了光程变化对基于近红外光谱的黄酒品质检测影响的研究,建立了黄酒酒精度、糖度和pH值3个品质指标的分析模型.通过比较0.5,1,1.5,2,2.5和3 mm 6个不同光程,并比较原始光谱、一阶微分光谱和二阶微分光谱三种光谱预处理方式对模型性能的影响,确定了这3个指标的最佳检测方式.黄酒酒精度和pH的最佳检测方式为:光程2 mm,采用偏最小二乘回归结合原始光谱;糖度的最佳检测方式为光程1mm,采用偏最小二乘回归结合原始光谱.这一研究表明光程变化对基于近红外光谱的黄酒品质检测有影响,选择合适的光程能够有效地提高检测精度.     

短波近红外光谱法同时测定分析水中的麦芽糖、乳糖和蔗糖

用紫外-可见分光光度计的短波近红外光谱区域（800—1100nm）,测量了3种二糖麦芽糖、乳糖和蔗糖混合水溶液的近红外光谱,并用偏最小二乘方法建立了同时定量分析水溶液中麦芽糖、乳糖和蔗糖的模型,并对光谱数据预处理方法进行了讨论。通过对校正集样品的建模和对预测集样品的检验,结果良好。对浓度范围分别在0—60mg·L^-1,0—12mg·L^-1,0—60mg·L^-1的麦芽糖、乳糖和蔗糖预测模型相关系数分别为0.9904、0.9971和0.9926,模型交叉检验均方差分别为0.0213、0.2525和0.1859。预测集相对标准偏差分别为3.54%、3.55%和3.32%。并将此模型应用在简单成份的实际样品中进行了初步探索。该方法对同时定量分析多组分体系,具有简便、快速价廉、易于推广应用等优点。     

互相关分析在近红外光谱预处理中的应用

采用互相关分析的光谱预处理方法与一元线性回归结合 ,利用近红外光谱法定量检测了苯和甲苯混合物溶液中苯的体积百分比含量 ;从理论和实验两个方面证明了在一定的条件下经过互相关变换后的光谱信号与目标物质浓度含量呈正比例关系 ,利用这个正比例关系建立一元线性回归方程可以定量检测混合物中目标物质的含量。并且深入探讨了互相关分析作为一种近红外光谱预测量方法的优缺点     

分散液相微萃取-气相色谱/质谱快速分析水中的硝基苯类化合物

建立了分散液相微萃取.气相色谱,质谱快速分析水中硝基苯、对硝基苯、1,3一二硝基苯和2,4-二硝基氯苯的新方法.将含有18μL氯苯(萃取荆)的0.25 mL丙酮(分散剂)作为萃取体系,快速注入到5.0 mL水溶液中.在4000r/min下离心2.0 min后,得到(10.0±0.5)μL沉积相(氯苯),取底部沉积相1.0μL进行气相色谱,质谱分析.方法线性范围0.5～50μg/L(r2=0.9986～0.9994),检出限0.2～0.5μg/L,相对标准偏差4.2%～7.3%(n=5).将该方法用于环境水样的测定,加标回收率72.9%～89.6%.     

关于提高傅里叶变换轮廓术测量精度的研究

针对傅里叶变换轮廓术在实际测量中容易受到光学成像系统和计算方法的影响而使得测量结果不精确的现象,提出基于最小二乘法的条纹图像预处理技术,并讨论了滤波器的设计、相位展开的方法及系统标定模型对测量结果的影响。实验表明,改进后的方法其测量误差在2%以内。