X射线荧光光谱法在标准中的应用

综述了国内外采用X射线荧光光谱法的各类标准,其中包括美国材料与试验协会(ASTM)标准、国际标准化组织(ISO)标准和我国国家标准,主要应用在石油及产品、合金和矿石中元素的含量测定(引用文献31篇)。     

二维相关光谱法及其在蛋白类物质分析中的研究进展

二维相关光谱法是将特定形式的微扰作用于样品,通过测定一系列扰动作用下的动态光谱,结合数学相关分析,获取与样品中分子结构及作用力相关的二维相关谱特征。该方法主要基于分子振动光谱,将一维光谱扩展到二维空间,能有效提高光谱分辨率,从而识别原始光谱中重叠的分子振动变化特征,为研究分子内及分子间的化学键变化提供依据,在生物医学、药学、食品科学、环境科学以及高分子材料等领域应用广泛。自1986年Noda提出广义二维相关算法以来,二维相关光谱衍生出了投影二维相关、串联二维相关、基于模型的二维相关、异质谱二维相关、移动窗口二维相关等算法。随着近年来生物技术的迅速发展,多肽、蛋白质、酶等蛋白类物质由于参与人体重要生理化学反应过程,对其结构(尤其是高级构象)的分析是研究蛋白类物质质量及疗效的关键。二维相关光谱方法为生物医药中蛋白类物质结构研究提供了快速、无损的定性定量分析方法,可分析蛋白质类物质高级结构中的细微变化,为生物大分子药物机制机理研究提供有力的支撑。综述了二维相关光谱技术的基本原理、谱图解析方法和技术进展,以及其在蛋白类物质分析中的应用方向和前景,为相关领域研究人员应用二维相关光谱法开展蛋白类物...     

深度卷积网络的多品种多厂商药品近红外光谱分类

近红外光谱（NIR）分析具有分析高效、样品无损、环境无污染以及可现场检测等优点，特别适合药品的快速建模分析。但NIR存在吸收强度弱以及谱带重叠等缺点，需要建立稳健可靠的化学计量学模型对其进行分析。深度卷积神经网络是深度学习方法中一个重要分支，它通过逐层抽取数据特征并进行组合、转换，形成更高层的语义特征，具有极强的建模能力，广泛应用于计算机视觉、语音识别等领域，而在药品NIR分析方面尚未见报道。基于深度卷积网络模型，对药品NIR多分类建模进行研究。针对药品NIR数据的特点，设计若干个面向多品种、多厂商药品NIR分类的一维深度卷积网络模型。模型中卷积层和池化层交叠排列用于逐层抽取NIR数据特征，输出层连接softmax分类器，对药品NIR数据进行分类概率预测。在输出层之前采用全局最大池化层，将特征图进行整体池化，形成一个特征点，用于解决全连接层存在的限制输入维度大小，参数过多的问题。同时，在网络模型中引入批处理操作和dropout机制，以防止梯度消失和减小网络过拟合的风险。在网络模型的设计过程中，通过设计不同的卷积网络层数以及不同的卷积核尺寸大小，分析其对建模效果的影响，同时分析五种经典数据预处理方法对NIR分析的影响。以我国7个厂商生产的头孢克肟片和11个厂商生产的苯妥英钠片样本NIR为实验对象， 建立药品的多品种、多厂商分类模型，该模型在二分类、多分类实验中取得了良好的分类效果。在十八分类实验中，当训练集与测试集比例为7∶3时，分类准确率为99.37±0.45，比SVM, BP, AE和ELM算法取得更优的分类性能。同时，深度卷积神经网络模型推理速度较快，优于SVM和ELM算法，但训练速度慢于二者。大量实验结果表明，深度卷积神经网络可对多品种、多厂商药品NIR数据准确、可靠地判别分类，且模型具有良好的鲁棒性和可扩展性。该方法也可推广到烟草、石化等其他领域的NIR数据分类应用中。     

稀疏降噪自编码结合高斯过程的近红外光谱药品鉴别方法

提出一种稀疏降噪自编码结合高斯过程的近红外光谱药品鉴别方法。首先对近红外光谱数据进行小波变换以消除基线漂移,然后用稀疏降噪自编码(SDAE)网络提取光谱特征并降维表示,最后采用高斯过程(GP)进行二分类,其中GP选用光谱混合(SM)核函数作为协方差函数,记此分类网络为wSDAGSM。自编码网络具有很强的模型表示能力,高斯过程分类器在处理小样本数据时具有优势。wSDAGSM网络通过稀疏降噪自编码学习得到维数更低但更有价值的特征来表示输入数据,同时将具有很好表达力的光谱混合核作为高斯过程的协方差函数,有利于更准确的光谱数据分类。以琥乙红霉素及其他药品的近红外光谱为实验数据,将该方法与经过墨西哥帽小波变换的BP神经网络(wBP)、支持向量机(wSVM),SDAE结合Logistic二分类(wSDAL)、SDAE结合采用平方指数(SE)协方差核的GP二分类(wSDAGSE),以及未采用小波变换的SDAGSM网络等方法进行对比。实验结果表明,对光谱数据进行墨西哥帽小波变换预处理能有效提升SDAGSM网络的分类准确率和稳定性。wSDAGSM方法无论从分类准确率还是分类结果稳定性方面,都优于其他分类器。     

N-乙酰氨基葡萄糖水溶液变旋过程的液质联用和旋光研究

研究N-乙酰氨基葡萄糖在水溶液中的变旋行为.通过液质联用及比旋度分析,监测N-乙酰氨基葡萄糖水溶液的变旋情况.得到基于APCI离子源的N-乙酰氨基葡萄糖的多级质谱图,确认其水溶液变旋稳定时间及稳定状态下的差向异构体组成比例,并对N-乙酰氨基葡萄糖HPLC图中的差向异构体色谱峰进行指认.为存在变旋行为的糖及糖苷类化合物的研究提供了准确可行的方法.     

基于DCGAN的拉曼光谱样本扩充及应用研究

拉曼光谱检测方法依赖于化学计量学算法,深度学习是当下最炙手可热的方向,可应用于拉曼光谱进行建模。但是深度学习需要大样本进行训练,而拉曼光谱采集受制于器材和人力成本,获取大批量的样本需要更大成本,且易受荧光等因素干扰,这些问题都制约了将深度学习应用于拉曼光谱。针对以上问题,通过引入深度卷积生成对抗网络（DCGAN）提取拉曼光谱内部特征,对抗生成新的拉曼光谱,从而达到扩充数据集目的。同时和另一个扩充数据集的方法--偏移法进行对比,证明DCGAN的可靠性。设计生成光谱选取标准,选取高相似性的光谱填充数据集,为深度学习在拉曼光谱中的应用奠定基础。为了验证生成的光谱比原始光谱有更好的适用性,设计四组实验：（1）使用原始拉曼光谱输入到SVM进行分类,得到51.92%的分类准确率;（2）使用原始拉曼光谱输入到CNN进行分类,得到75.00%的分类准确率;（3）采用偏移法生成光谱,输入到CNN里进行分类,得到91.85%的分类准确率;（4）使用DCGAN生成光谱,输入到CNN里进行分类,得到98.52%分类准确率。实验结果表明,DCGAN能在只有少量拉曼光谱的情况下,通过对抗学习得到较好的生成光谱,且生成的光谱相比原光谱更加清晰,减少了可能的干扰因素,具有光谱预处理效果。通过DCGAN对抗生成大量高质量的数据填充到原有拉曼光谱数据集,扩充数据集的样本量,使得深度学习模型能够得到更好的训练,从而提高模型的准确率。该研究为深度学习方法应用于拉曼光谱分析技术提出了一个可行的方案。     

基于堆栈压缩自编码的近红外光谱药品鉴别方法

由于近红外光谱在药品鉴别应用中具有分析速度快、样品无损、可现场检测等突出优点，目前已在众多领域中广泛应用。但近红外光谱存在信噪比低，吸收强度弱且谱峰重叠等缺点，无法从光谱中直接得到定性/定量的物质信息，因而近红外光谱分析技术常作为一种间接分析技术，并且光谱的化学计量学建模方法成为近红外光谱分析的核心内容。深度学习是机器学习的一个新的分支，并已经成功运用于多个领域。深度学习的网络结构和非线性的激活能力，使其模型特别适合高维、非线性的大规模数据建模。为进一步丰富近红外光谱建模方法，并提高近红外光谱分析技术的回归精度或分类准确率，将深度学习方法应用于近红外光谱分析，发展新的建模方法十分必要。面向近红外光谱定性分析技术，提出一种基于堆栈压缩自编码网络(SCAE)光谱定性分析方法，并应用于多类别药品的光谱分析，以区分或鉴别不同厂家生产的同种药品。压缩自编码网络(CAE)以自编码网络(AE)为基础，进一步加入雅克比矩阵作为约束项。自编码网络最初是用实现数据降维，以学习数据内部特征，而雅克比矩阵包含数据在各个方向上的信息，将其作为AE的约束项则可使提取到的特征对输入数据在一定程度下的扰动具有不变性，从而提高AE提取特征的能力。SCAE是一种由多层CAE构成的神经网络。前一层CAE的隐藏层作为后一层CAE的输入层，网络的全部参数是通过采用逐层贪婪的训练方式来获取的，训练结束后将所有网络视为一个整体，通过反向传播算法进行微调，最后使用Logistic/Softmax分类器进行定性分析。实验数据均为中国食品药品检定研究院采集，以头孢克肟胶囊作为二分类实验数据，硝酸异山梨酯片作为多分类实验数据。通过Bruker Matrix光谱仪测定每个样本在不同波长下的吸光度值得到其光谱曲线，再通过OPUS软件消除漂移等因素对光谱样本之间产生的偏差。接下来通过实验确定约束项雅克比矩阵的系数λ为0.003之后建立模型。建模过程分为五个阶段，分别为： 预处理阶段，预训练阶段，微调阶段，测试阶段和对比阶段。为了验证SCAE在分类准确性、算法稳定性和建模时间等方面的性能，与BP神经网络、SVM算法、稀疏自编码(SAE)和降噪自编码(DAE)开展对比实验研究。分类准确性方面，在不同的训练集与测试集的比例下，SCAE均有最佳的分类准确性与算法稳定性。建模时间方面，由于SVM算法不需要预训练和特征提取，所以运行时间方面比其他算法有大的优势，但是SCAE建模速度优于除SVM之外的其他对比算法。综合而言，使用SCAE进行药品鉴别有效可行。     

高效液相色谱-离子阱质谱法测定人血浆中的头孢拉定和青霉素G

目前,β-内酰胺类抗生素在临床抗感染药物中占有十分突出的地位,但在近年来的药品不良反应报告中,抗生素类药物引起的不良反应也占据了很高的比例,其中有我国生活环境影响、感染性疾病多的客观因素,但病人用药盲目性大、医生用药随意性多的问题也普遍存在。因此,进一步加强对抗生素类药物的监测,开发快速有效的分析测试方法显得十分重要。本文基于实际全血未知样品,开发了基于固相萃取及液质联用技术,快速准确地对血液中青霉素G及头孢拉定进行定性及质谱定量分析的检测方法。     

KPCA-聚类分析法和用便携式拉曼仪快速鉴别降糖药

对不同种类的降糖药片进行拉曼光谱的核主成分分析(KPCA)-聚类分析,实现快速、简便的鉴别。KPCA可以有效地避免主成分分析(PCA)只能处理线性问题和降维效果不明显的弊端。它通过一个非线性变换,首先将原变量空间映射到高维特征空间,然后在这个高维特征空间中进行线性主成分分析。采集得到的药片拉曼光谱的KPCA-聚类分析结果表明,采用KPCA提取特征变量的聚类结果比采用PCA提取特征变量后进行聚类分析的效果好,并且未经刮除表面包膜的降糖药片识别准确率为96.5%,经过刮除表面包膜处理的降糖药片的识别准确率为100%。便携式拉曼光谱仪结合该方法以其检测速度快、准确率高、使用简便、无样品前处理等显著优势,为药品的快速检验技术提供一种新的有效的鉴别手段。     

基于堆栈稀疏自编码融合核极限学习机的近红外光谱药品鉴别

提出一种基于堆栈稀疏自编码融合核极限学习机(Stacked sparse auto-encoders combine kernel extreme learning machine,SSAE-KELM)的近红外药品鉴别方法,通过引入核极限学习机代替SSAE的Softmax分类和BP微调阶段,减少了模型的训练步骤、训练参数以及训练时间,提高了深度学习网络的实际应用能力,核函数的引入提高了模型的分类能力。其中,SSAE用于初始化整个网络模型,并且从输入数据中学习到有用的特征,KELM用于实现分类任务。研究了SSAE-KELM模型对不同厂商生产的同一包装形式(铝塑或非铝塑)药品鉴别的预测能力、稳定性及训练时间,以实现药品的二分类和多分类的无损鉴别。同时,与ELM、SSAE、BP、SVM及随机隐退深度信念网络(Dropout-DBN)进行对比。结果表明,无论是二分类还是多分类,SSAE-KELM不仅具有更优的分类能力和稳定性、还减少了训练时间。因此,SSAE-KELM是一种有效的光谱分类建模工具。