CN108226084A - 基于cars-pls-da模型快速检测三七品质的方法 - Google Patents

基于cars-pls-da模型快速检测三七品质的方法 Download PDF

Info

Publication number
CN108226084A
CN108226084A CN201810028908.1A CN201810028908A CN108226084A CN 108226084 A CN108226084 A CN 108226084A CN 201810028908 A CN201810028908 A CN 201810028908A CN 108226084 A CN108226084 A CN 108226084A
Authority
CN
China
Prior art keywords
radix notoginseng
sample
quality
pls
cars
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810028908.1A
Other languages
English (en)
Inventor
付才力
李颖
陈雨浓
杨傅佳
苏凌珊
刘前
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN201810028908.1A priority Critical patent/CN108226084A/zh
Publication of CN108226084A publication Critical patent/CN108226084A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N2021/3595—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using FTIR

Landscapes

  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提出一种基于CARS‑PLS‑DA模型快速检测三七品质的方法，包括以下步骤：步骤1：收集不同品质的三七样品，根据头数划分三七的品质；步骤2：每个样品均在60℃的烘箱中干燥，粉碎后过筛，存放于自封袋置于干燥器中备用；步骤3：设置近红外光谱分析仪的参数，采集样品的近红外光谱；步骤4：构建CARS‑PLS‑DA判别模型，确定最佳因子数；步骤5：将待测三七样品执行步骤2、步骤3，并代入步骤4构建的模型中，得到待测三七样品的品质。本发明检测效率高、准确率高、对样品无损、操作简单，且占用检测或实验设备及研究人员资源少，能够实现对三七品质快速鉴定，以保障消费者权益以及中药药材的品质和安全。

Description

基于CARS-PLS-DA模型快速检测三七品质的方法
技术领域
本发明属于中药检测技术领域，尤其涉及一种基于CARS-PLS-DA（竞争性自适应重加权算法-偏最小二乘判别分析）模型快速检测三七品质的方法。
背景技术
三七在中国已经培育了400多年，在中医药领域有着悠久的历史，是五加科植物三七的干燥根和根茎，我国主要的产地在云南省文山州。三七作为一种中药，具有多种药用价值，包括祛血，散血，消肿定痛等。三七的主要成分为皂苷类，黄酮类，丹皮酸，多糖。三七的头数是指每500g三七中三七根茎的个数。一般而言，随着三七生长年份的不断增加，其中的营养物质越丰富，根茎的体积和重量也就越来越大。因而，三七的头数越少，即每500g三七中三七根茎的个数越少，三七根茎越大，其中的营养物质越丰富。日常消费中，消费者购买便于煮制的三七粉末进行食用，无法通过肉眼直接观察三七的头数。常规理化检测通过分析三七中活性物质如多糖，黄酮等成分的含量，或是利用现代仪器分析技术，如原子吸收光谱、高效液相色谱法和气相色谱法等仪器，通过分析其中特定化学成分来鉴定食品品质。上述检测方法耗时长，操作繁琐。
发明内容
为了解决现有技术存在的空白和不足，本发明采用以下技术方案：
一种基于CARS-PLS-DA模型快速检测三七品质的方法，其特征在于，包括以下步骤：
步骤1：收集不同品质的三七样品，根据头数划分三七的品质；
步骤2：每个样品均在60 ℃的烘箱中干燥，粉碎后过筛，存放于自封袋置于干燥器中备用；
步骤3：设置近红外光谱分析仪的参数，采集样品的近红外光谱；
步骤4：构建CARS-PLS-DA判别模型，确定最佳因子数；
步骤5：将待测三七样品执行步骤2、步骤3，并代入步骤4构建的模型中，得到待测三七样品的品质。
优选地，步骤3中，近红外光谱分析仪的参数设置为：
扫描范围为4000-10000，分辨率为8，扫描次数为32次；在室温下测定，每次称取样品10g，置于旋转样品杯中扫描光谱，用空气作为测量背景，空气湿度为60％；每个样品采集3条光谱。
优选地，步骤1中，三七样品包括：20头、30头、40头和60头三七；
步骤4中，构建CARS-PLS-DA判别模型的具体步骤为：
步骤4a：将20头、30头、40头和60头三七，对每一种品质的三七样品分别采集80条光谱，获得的波长变量总数为N，构建320*N维光谱矩阵，在Matlab中进行建模；
步骤4b：通过竞争性自适应重加权算法（CARS）提取特征波长，获得经过特征波长提取后的简化矩阵；
步骤4c：划分训练集和预测集，对于每一种品质的三七样品，前40条光谱对应为训练集，后40条光谱对应为预测集，并对每一种品质的三七样品依次配置分类变量为1、2、3、4；
步骤4d：求PLS-DA模型最佳因子数；
步骤4e：利用训练集训练PLS-DA模型；
步骤4f：利用训练PLS-DA模型计算训练集样本的模型值。
优选地，步骤4中，所述最佳因子数为11。
优选地，步骤5中代入步骤4构建的模型中，得到待测三七样品的品质的具体步骤为：根据PLS-DA模型的模型值，计算判别结果，其中模型值大于等于0.5并小于1.5为20头三七、模型值大于等于1.5并小于2.5为30头三七、模型值大于等于2.5并小于3.5为40头三七、模型值大于等于3.5并小于4.5为60头三七。
优选地，所述待测三七样品对应的光谱构成预测集，通过对预测集的判别，得到预测准确率。
本发明检测效率高、准确率高、对样品无损、操作简单，且占用检测或实验设备及研究人员资源少，能够实现对三七品质快速鉴定，以保障消费者权益以及中药药材的品质和安全。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明：
图1是本发明实施例方法流程示意图；
图2是本发明实施例中构建CARS-PLS-DA判别模型流程示意图。
具体实施方式
为让本专利的特征和优点能更明显易懂，下文特举实施例，作详细说明如下：
如图1所示，本发明实施例包括以下步骤：
步骤1：收集不同品质的三七样品，根据头数划分三七的品质；
步骤2：每个样品均在60 ℃的烘箱中干燥，粉碎后过200目筛，存放于自封袋置于干燥器中备用；
步骤3：设置近红外光谱分析仪的参数，采集样品的近红外光谱；
步骤4：构建CARS-PLS-DA判别模型，确定最佳因子数；
步骤5：将待测三七样品执行步骤2、步骤3，并代入步骤4构建的模型中，得到待测三七样品的品质。
其中，在步骤1中，三七样品包括：20头、30头、40头和60头三七，每个样品采集10份，共计40份。
步骤3中，采用Thermo公司生产的ANTARISⅡ型傅里叶变换近红外光谱分析仪，该分析仪配有高灵敏度InGaAs检测器、内置自动金箔背景采集方式和配置样品杯旋转器及石英样品杯积分球系统，其中参数设置为：
扫描范围为4000-10000，分辨率为8，扫描次数为32次；在室温下测定，每次称取样品10g，置于旋转样品杯中扫描光谱，用空气作为测量背景，空气湿度为60％；每个样品采集3条光谱。并对光谱数据进行分析，提取包含不同波长的特征光谱。
步骤4中，构建CARS-PLS-DA判别模型的具体步骤为：
步骤4a：将20头、30头、40头和60头三七，对每一种品质的三七样品分别采集80条光谱，获得的波长变量总数为1557个，构建320*1557维光谱矩阵，命名为spe_data矩阵，并在Matlab中进行建模；
步骤4b：通过竞争性自适应重加权算法（CARS）提取特征波长，获得经过特征波长提取后的简化矩阵；
具体地，不同头数的三七构成分类变量矩阵为320*1维Y矩阵，算法语句如下: TrainX=spe_data;
TrainY=Y;
MCCV=plsmccv(TrainX,TrainY,15,'none',300,0.8);
CARS=carspls(TrainX,TrainY,MCCV.optPC,5,'none',50); plotcars(CARS);var_sel=CARS.vsel;
spe_data_selection=spe_data(:,var_sel);
spe_data_selection即为所得到经过特征波长提取后的简化矩阵；
在该步骤处理后，波长变量总数由1557个下降为78个波长变量，大大减轻了后续判别的计算量；
步骤4c：划分训练集和预测集，对于每一种品质的三七样品，前40条光谱对应为训练集，后40条光谱对应为预测集，并对每一种品质的三七样品依次配置分类变量为1、2、3、4；
其中，将经过特征波长提取后的简化矩阵设为X矩阵，训练集样本矩阵为X_train=[X(1:40,:);X(81:120,:);X(161:200,:);X(241:280,:)]; 预测集样本矩阵为X_predict=[X(41:80,:);X(121:160,:);X(201:240,:);X(281:320,:)]; 训练集对应的分类变量矩阵（相当于浓度矩阵）设置为Y_train=[ones(40,1);2*ones(40,1);3*ones(40,1);4*ones(40,1)];预测集对应的分类变量矩阵（相当于浓度矩阵）设置为
Y_predict=[ones(40,1);2*ones(40,1);3*ones(40,1);4*ones(40,1)];
步骤4d：求PLS-DA模型最佳因子数ncomp，对应的算法语句为
[PRESS,ncomp,XL,YL,XS,YS,BETA,PCTVAR,MSE]=PLS_cossvalition_nomp(X_train,Y_train);
步骤4e：利用训练集训练PLS-DA模型；对应的算法语句为：
[XL,YL,XS,YS,BETA,PCTVAR,MSE]=plsregress(X_train,Y_train,ncomp);
步骤4f：利用训练PLS-DA模型计算训练集样本的模型值；对应的算法语句为：
Y_fit1=[ones(size(X_train,1),1)X_train]*BETA;。
在本实施例中，步骤4d中得到的最佳因子数为11，在该最佳因子数下，判别准确率达93.13%。
步骤5中代入步骤4构建的模型中，得到待测三七样品的品质的具体步骤为：根据PLS-DA模型的模型值，计算判别结果，其中模型值大于等于0.5并小于1.5为20头三七、模型值大于等于1.5并小于2.5为30头三七、模型值大于等于2.5并小于3.5为40头三七、模型值大于等于3.5并小于4.5为60头三七。
在本实施例中，待测三七样品对应的光谱构成预测集，通过对预测集的判别，得到预测准确率，具体的计算方法是，利用训练PLS-DA模型计算预测集样本的模型值，对应的算法语句：Y_fit2=[ones(size(X_predict,1),1)X_ predict]*BETA。
利用本发明实施例所述方法进行2次验证试验，分别取20头、30头、40头、60头三七，每个样品采集一份进行验证，第1次得到模型预测值分别为1.42、2.40、3.06、4.00，分别属于20头、30头、40头、60头三七；第2次得到模型预测值分别为1.43、2.46、3.04、4.02，分别属于20头、30头、40头、60头三七，说明所建立CARS-PLS-DA模型能够实现三七样品的有效区分。
本专利不局限于上述最佳实施方式，任何人在本专利的启示下都可以得出其它各种形式的基于CARS-PLS-DA模型快速检测三七品质的方法，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本专利的涵盖范围。

Claims (6)

1.一种基于CARS-PLS-DA模型快速检测三七品质的方法，其特征在于，包括以下步骤：
步骤1：收集不同品质的三七样品，根据头数划分三七的品质；
步骤2：每个样品均在60 ℃的烘箱中干燥，粉碎后过筛，存放于自封袋置于干燥器中备用；
步骤3：设置近红外光谱分析仪的参数，采集样品的近红外光谱；
步骤4：构建CARS-PLS-DA判别模型，确定最佳因子数；
步骤5：将待测三七样品执行步骤2、步骤3，并代入步骤4构建的模型中，得到待测三七样品的品质。
2.根据权利要求1所述基于CARS-PLS-DA模型快速检测三七品质的方法，其特征在于，步骤3中，近红外光谱分析仪的参数设置为：
扫描范围为4000-10000，分辨率为8，扫描次数为32次；在室温下测定，每次称取样品10g，置于旋转样品杯中扫描光谱，用空气作为测量背景，空气湿度为60％；每个样品采集3条光谱。
3.根据权利要求1所述基于CARS-PLS-DA模型快速检测三七品质的方法，其特征在于：
步骤1中，三七样品包括：20头、30头、40头和60头三七；
步骤4中，构建CARS-PLS-DA判别模型的具体步骤为：
步骤4a：将20头、30头、40头和60头三七，对每一种品质的三七样品分别采集80条光谱，获得的波长变量总数为N，构建320*N维光谱矩阵，在Matlab中进行建模；
步骤4b：通过竞争性自适应重加权算法（CARS）提取特征波长，获得经过特征波长提取后的简化矩阵；
步骤4c：划分训练集和预测集，对于每一种品质的三七样品，前40条光谱对应为训练集，后40条光谱对应为预测集，并对每一种品质的三七样品依次配置分类变量为1、2、3、4；
步骤4d：求PLS-DA模型最佳因子数；
步骤4e：利用训练集训练PLS-DA模型；
步骤4f：利用训练PLS-DA模型计算训练集样本的模型值。
4.根据权利要求3所述基于CARS-PLS-DA模型快速检测三七品质的方法，其特征在于，步骤4中，所述最佳因子数为11。
5.根据权利要求3所述基于CARS-PLS-DA模型快速检测三七品质的方法，其特征在于，步骤5中代入步骤4构建的模型中，得到待测三七样品的品质的具体步骤为：根据PLS-DA模型的模型值，计算判别结果，其中模型值大于等于0.5并小于1.5为20头三七、模型值大于等于1.5并小于2.5为30头三七、模型值大于等于2.5并小于3.5为40头三七、模型值大于等于3.5并小于4.5为60头三七。
6.根据权利要求5所述基于CARS-PLS-DA模型快速检测三七品质的方法，其特征在于：所述待测三七样品对应的光谱构成预测集，通过对预测集的判别，得到预测准确率。
CN201810028908.1A 2018-01-12 2018-01-12 基于cars-pls-da模型快速检测三七品质的方法 Pending CN108226084A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810028908.1A CN108226084A (zh) 2018-01-12 2018-01-12 基于cars-pls-da模型快速检测三七品质的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810028908.1A CN108226084A (zh) 2018-01-12 2018-01-12 基于cars-pls-da模型快速检测三七品质的方法

Publications (1)

Publication Number Publication Date
CN108226084A true CN108226084A (zh) 2018-06-29

Family

ID=62640701

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810028908.1A Pending CN108226084A (zh) 2018-01-12 2018-01-12 基于cars-pls-da模型快速检测三七品质的方法

Country Status (1)

Country Link
CN (1) CN108226084A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110307871A (zh) * 2019-07-11 2019-10-08 河南中医药大学第一附属医院 一种采用电子感官融合快速检测中药饮片质量的方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106770008A (zh) * 2016-12-13 2017-05-31 沈阳化工大学 一种近红外光谱快速检测八角茴香品质的方法
CN107132194A (zh) * 2017-07-10 2017-09-05 天津工业大学 一种基于紫外可见光谱及化学模式识别的三七及其伪品鉴别方法
CN107290304A (zh) * 2017-07-10 2017-10-24 天津工业大学 一种对三七及其伪品的快速鉴别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106770008A (zh) * 2016-12-13 2017-05-31 沈阳化工大学 一种近红外光谱快速检测八角茴香品质的方法
CN107132194A (zh) * 2017-07-10 2017-09-05 天津工业大学 一种基于紫外可见光谱及化学模式识别的三七及其伪品鉴别方法
CN107290304A (zh) * 2017-07-10 2017-10-24 天津工业大学 一种对三七及其伪品的快速鉴别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
刘飞 等: "三七的傅里叶变换红外光谱鉴别技术", 《安徽农业科学》 *
夏蓉 等: "近红外光谱在食醋品牌和贮藏年份鉴别中的应用研究", 《中国酿造》 *
杨南林 等: "中药材三七中皂苷类成分的近红外光谱快速无损分析新方法", 《化学学报》 *
杨南林: "基于近红外光谱的中药过程分析方法研究", 《中国优秀博硕士学位论文全文数据库(博士) 工程科技I辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110307871A (zh) * 2019-07-11 2019-10-08 河南中医药大学第一附属医院 一种采用电子感官融合快速检测中药饮片质量的方法
CN110307871B (zh) * 2019-07-11 2021-04-27 河南中医药大学第一附属医院 一种采用电子感官融合快速检测中药饮片质量的方法

Similar Documents

Publication Publication Date Title
Yin et al. A review of the application of near-infrared spectroscopy to rare traditional Chinese medicine
Kiani et al. A portable electronic nose as an expert system for aroma-based classification of saffron
Li et al. Novel method for the producing area identification of Zhongning Goji berries by electronic nose
Wang et al. Species authentication and geographical origin discrimination of herbal medicines by near infrared spectroscopy: A review
Li et al. Rapid detection of saffron (Crocus sativus L.) Adulterated with lotus stamens and corn stigmas by near-infrared spectroscopy and chemometrics
CN105973858B (zh) 一种中药品质自动检测系统
Zhou et al. Origin identification of Panax notoginseng by multi-sensor information fusion strategy of infrared spectra combined with random forest
Cai et al. Using FTIR spectra and pattern recognition for discrimination of tea varieties
CN104792652B (zh) 一种黄芪药材多指标快速检测方法
Wu et al. Traceability of wild Paris polyphylla Smith var. yunnanensis based on data fusion strategy of FT-MIR and UV–Vis combined with SVM and random forest
CN101975845A (zh) 中药品质自动检测系统
CN110514611A (zh) 一种基于药效信息建立评价中药质量的化学模式识别方法
CN104568822B (zh) 一种连翘药材多指标同时快速检测方法
CN104237060A (zh) 一种金银花药材多指标快速检测方法
CN103389281A (zh) 一种基于近红外光谱技术的普洱茶聚类分析方法
CN105138834A (zh) 基于近红外光谱波数k均值聚类的烟草化学值定量方法
Wang et al. Potential of near infrared spectroscopy and pattern recognition for rapid discrimination and quantification of Gleditsia sinensis thorn powder with adulterants
CN112414967B (zh) 一种快速实时检测蒲黄炭炮制的近红外质控方法
Chen et al. Fast detection of cumin and fennel using NIR spectroscopy combined with deep learning algorithms
CN111007032A (zh) 一种快速无损鉴别甘草及其伪品刺果甘草的近红外光谱法
CN112595692A (zh) 一种水果总糖含量预测模型的建立方法及水果总糖含量的预测方法
CN109164187A (zh) 一种区分同一类型不同产地茶叶的方法
Ma et al. Efficient identification of Bachu mushroom by flourier transform infrared (FT-IR) spectroscopy coupled with PLS-GS-SVM
Hua et al. Monitoring the extraction process of acidic polysaccharides in Poria cocos by near infrared spectroscopy combined with chemometrics
CN110220863A (zh) 一种基于atr-ftir的金银花和山银花中药制剂的鉴别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180629

RJ01 Rejection of invention patent application after publication