CN108509997A - 一种基于近红外光谱技术对中药皂角刺的真伪进行化学模式识别的方法 - Google Patents
一种基于近红外光谱技术对中药皂角刺的真伪进行化学模式识别的方法 Download PDFInfo
- Publication number
- CN108509997A CN108509997A CN201810290323.7A CN201810290323A CN108509997A CN 108509997 A CN108509997 A CN 108509997A CN 201810290323 A CN201810290323 A CN 201810290323A CN 108509997 A CN108509997 A CN 108509997A
- Authority
- CN
- China
- Prior art keywords
- spina gleditsiae
- batches
- infrared spectrum
- false
- true
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 114
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 44
- 241000931143 Gleditsia sinensis Species 0.000 title claims abstract description 33
- 239000003814 drug Substances 0.000 title claims abstract description 31
- 239000000126 substance Substances 0.000 title claims abstract description 29
- 238000003909 pattern recognition Methods 0.000 title claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000010987 Kennard-Stone algorithm Methods 0.000 claims abstract description 10
- 238000001228 spectrum Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 24
- 230000003595 spectral effect Effects 0.000 claims description 21
- 240000007651 Rubus glaucus Species 0.000 claims description 20
- 238000003062 neural network model Methods 0.000 claims description 19
- 235000011034 Rubus glaucus Nutrition 0.000 claims description 17
- 235000009122 Rubus idaeus Nutrition 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 230000004069 differentiation Effects 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 8
- 238000007621 cluster analysis Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 235000021013 raspberries Nutrition 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 2
- 210000004218 nerve net Anatomy 0.000 claims description 2
- 238000012567 pattern recognition method Methods 0.000 abstract description 5
- 238000013441 quality evaluation Methods 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 40
- 238000010606 normalization Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000012795 verification Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 239000004615 ingredient Substances 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000002203 pretreatment Methods 0.000 description 3
- 239000000344 soap Substances 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 2
- REFJWTPEDVJJIY-UHFFFAOYSA-N Quercetin Chemical compound C=1C(O)=CC(O)=C(C(C=2O)=O)C=1OC=2C1=CC=C(O)C(O)=C1 REFJWTPEDVJJIY-UHFFFAOYSA-N 0.000 description 2
- 244000235659 Rubus idaeus Species 0.000 description 2
- 230000000259 anti-tumor effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- JBRZTFJDHDCESZ-UHFFFAOYSA-N AsGa Chemical compound [As]#[Ga] JBRZTFJDHDCESZ-UHFFFAOYSA-N 0.000 description 1
- 235000005979 Citrus limon Nutrition 0.000 description 1
- 244000131522 Citrus pyriformis Species 0.000 description 1
- 241000134400 Cotinus coggygria Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241000246500 Gentianella aspera Species 0.000 description 1
- 241000931164 Gleditsia japonica Species 0.000 description 1
- 241000931163 Gleditsia microphylla Species 0.000 description 1
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- ZVOLCUVKHLEPEV-UHFFFAOYSA-N Quercetagetin Natural products C1=C(O)C(O)=CC=C1C1=C(O)C(=O)C2=C(O)C(O)=C(O)C=C2O1 ZVOLCUVKHLEPEV-UHFFFAOYSA-N 0.000 description 1
- HWTZYBCRDDUBJY-UHFFFAOYSA-N Rhynchosin Natural products C1=C(O)C(O)=CC=C1C1=C(O)C(=O)C2=CC(O)=C(O)C=C2O1 HWTZYBCRDDUBJY-UHFFFAOYSA-N 0.000 description 1
- 241000124120 Rubus cochinchinensis Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000004480 active ingredient Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- XHEFDIBZLJXQHF-UHFFFAOYSA-N fisetin Chemical compound C=1C(O)=CC=C(C(C=2O)=O)C=1OC=2C1=CC=C(O)C(O)=C1 XHEFDIBZLJXQHF-UHFFFAOYSA-N 0.000 description 1
- 229930003944 flavone Natural products 0.000 description 1
- 150000002213 flavones Chemical class 0.000 description 1
- 235000011949 flavones Nutrition 0.000 description 1
- 229930003935 flavonoid Natural products 0.000 description 1
- 150000002215 flavonoids Chemical class 0.000 description 1
- 235000017173 flavonoids Nutrition 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 235000008216 herbs Nutrition 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052738 indium Inorganic materials 0.000 description 1
- APFVFJFRJDLVQX-UHFFFAOYSA-N indium atom Chemical compound [In] APFVFJFRJDLVQX-UHFFFAOYSA-N 0.000 description 1
- MWDZOUNAPSSOEL-UHFFFAOYSA-N kaempferol Natural products OC1=C(C(=O)c2cc(O)cc(O)c2O1)c3ccc(O)cc3 MWDZOUNAPSSOEL-UHFFFAOYSA-N 0.000 description 1
- 235000021374 legumes Nutrition 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005220 pharmaceutical analysis Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 229960001285 quercetin Drugs 0.000 description 1
- 235000005875 quercetin Nutrition 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G01N21/359—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2115—Selection of the most significant subset of features by evaluating different subsets according to an optimisation criterion, e.g. class separability, forward selection or backward elimination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G01N21/3504—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing gases, e.g. multi-gas analysis
-
- 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
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种基于近红外光谱技术对中药皂角刺的真伪进行化学模式识别的方法,所述方法利用近红外光谱采集法、一阶导数预处理方法以及连续投影算法、Kennard‑Stone算法以及步进算法的结合对中药皂角刺的真伪进行化学模式识别,使得模式识别方法的结果准确可靠,可以准确区分皂角刺及其伪品。本发明首次建立了基于近红外光谱技术皂角刺质量的化学模式识别方法,可以准确区分皂角刺及其伪品,为皂角刺的质量评价提供科学依据。
Description
技术领域
本发明属于化学分析技术领域,涉及一种基于近红外光谱技术对中药皂角刺的真伪进行化学模式识别的方法。
背景技术
皂角刺是豆科植物皂荚(Gleditsia sinensis Lam.)的干燥棘刺,具有解毒消肿,杀虫排脓的功效(中国药典2015年版.一部[S].2015:177-178)。现代药理试验表明皂角刺中的黄颜木素、槲皮素等黄酮类成分具有良好的抗肿瘤作用(徐哲,赵晓頔,王漪檬等.皂角刺抗肿瘤活性成分的分离鉴定与活性测定[J].沈阳药科大学学报.2008,(2):108-111)。随着市场需求的增加,出现使用形似质次的其他植物棘刺(如山皂角刺、野皂角刺、悬钩子,等)掺伪销售的现象,这些伪品在外观上与正品十分相似,制成饮片或药粉后更难以直观鉴别。目前,传统的性状鉴别及显微鉴别方法未涉及产生中药疗效的化学成分。理化鉴别法仅对中药材复杂成分体系的个别成分进行评价,难以反映其质量的整体性(王铁杰,罗旭,王玺等.中药龙胆质量的化学模式识别[J].药学学报,1992,(6):456-461;王洋,申丽,江坤等.中药砂仁质量的化学模式识别研究[J].药物分析杂志.2016,(10):1863-1869),因而测定皂角刺中的黄酮类等活性成分不能代表其整体疗效。
近红外光谱技术具有分析速度快、前处理简单、环保无污染等特点,对固体、液体、气体形态的样品均可以直接测定。目前在药学领域已广泛应用于药品的真伪鉴别、产地鉴别、掺伪定量分析等方面。化学模式识别技术较好地满足了中药成分信息的模糊性和整体性要求,是一种通过计算机对样品中的化学成分信息进行描述和分类的新技术。
然而在本领域中,目前还没有针对皂角刺正品及伪品的化学模式识别方法,对于如何能够快速准确区分皂角刺正品及伪品依然是本领域的研究重点。
发明内容
针对现有技术的不足,本发明的目的在于提供一种基于近红外光谱技术对中药皂角刺的真伪进行化学模式识别的方法。
为达到此发明目的,本发明采用以下技术方案:
本发明提供一种基于近红外光谱技术对中药皂角刺的真伪进行化学模式识别的方法,所述方法包括以下步骤:
(1)采集皂角刺及其伪品样品的近红外光谱,扣除内置参比背景,每个样品表面采集三个不同位置的光谱,得到平均光谱作为原始光谱;
(2)剔除原始光谱中的干扰峰,得到11800~7500cm-1、6500~5500cm-1以及5000~4200cm-1谱段峰,选择5000~4200cm-1谱段峰作为模型分析峰,并采用一阶导数预处理方法对5000~4200cm-1谱段峰进行预处理;
(3)采用连续投影算法筛选一阶导数预处理5000~4200cm-1范围内的特征波数点,根据特征波数点,采用Kennard-Stone算法将待判别的皂角刺及其伪品分为训练集样品和试验集样品;
(4)以训练集样品建立判别模型,利用步进法提取出x8、x13、x16、x19、x21共5个特征波数点,引入以上5个特征波数点建立如下判别函数:
F1=36387.907x8+24242.533x13+9262.246x16+11456.025x19+13209.943x21+3.210,
F2=-43757.506x8+40701.987x13+24623.897x16+28906.269x19-20234.651x21+4.496;
(5)采用试验集样品的x8、x13、x16、x19、x21共5个特征波数点代入步骤(4)得到的判别函数以判别皂角刺及其伪品的判别准确率。
在本发明中,通过采用近红外光谱采集法以及一阶导数预处理方法、连续投影算法、Kennard-Stone算法以及步进算法的结合来实现对中药皂角刺的真伪进行化学模式识别,该判别方法的结果准确可靠。可以准确区分皂角刺及其伪品,为皂角刺的质量评价提供科学依据。
优选地,步骤(1)所述伪品为山皂角刺、野皂角刺和悬钩子。
优选地,步骤(1)所述近红外光谱的采集范围为12000~4000cm-1,仪器分辨率为4cm-1,扫描次数为32次。
优选地,步骤(2)所述干扰峰为12000~11800cm-1、4200~4000cm-1、7500~6500cm-1和5500~5000cm-1谱段的峰,其中12000~11800cm-1、4200~4000cm-1为近红外光谱中由于仪器不稳定以及一些外部原因可能导致不准确的谱段峰,7500~6500cm-1和5500~5000cm-1谱段的峰为水峰,因此在分析中去除这些干扰峰。
在本发明中,去除干扰峰后,得到11800~7500cm-1、6500~5500cm-1以及5000~4200cm-1三个谱段峰,11800~7500cm-1、6500~5500cm-1谱段峰建立判别模型未能对正品和伪品进行准确判别,其中由5000~4200cm-1谱段峰建立的判别模型,能够对正品和伪品进行准确的判别。
在本发明中,采用连续投影算法筛选5000~4200cm-1范围内的特征波数点(即特征变量),由于光谱区间11800~7500cm-1包含变量2230个,区间6500~5500cm-1包含变量519个,区间5000~4200cm-1包含变量416个,采用连续投影算法对数据进行有效压缩以消除共线性数据对模型的干扰,大大降低模型的复杂程度,有利于建模。
在本发明中,采用步进法逐步引入变量,步进规则采用最小F值法,F值大于3.84时加入对分类影响大的变量,F值小于2.71时剔除对分类影响小的变量。降低了误判率,提高模型的精度。
在本发明中,步骤(2)中采用一阶导数预处理方法对5000~4200cm-1谱段峰进行预处理,这样的预处理具有更高的建模准确率。而采用Savitzky-Golay(SG)平滑、矢量归一化(Vector Normalization,VN)、最小最大归一化(Min Max Normalization,MMN)、二阶导数(Second Derivative,2nd D)进行预处理时均没有一阶导数预处理方法建模准确率高。
优选地,步骤(3)所述训练集样品包括32批样品,其中包括24批皂角刺、3批山皂角刺、2批野皂角刺和3批悬钩子,所述试验集样品包括11批样品,其中包括8批皂角刺、山1批皂角刺、1批野皂角刺和1批悬钩子。
为了验证本发明所述方法对中药皂角刺的真伪判别的准确性,采用聚类分析对步骤(4)所述步进法提取的5个特征波数点进行系统聚类分析。
优选地,所述聚类分析采用离差平方和法,距离测度为平方欧式距离。
在本发明中,通过聚类分析表明,提取的5个特征波数可以准确有效的区分皂角刺正品与伪品并且能够区分不同类别的伪品。
在本发明中为了进一步验证本发明所述方法对中药皂角刺的真伪判别的准确性,采用BP神经网络模型对步骤(3)得到的特征波点数进行模式识别的结果准确性进行验证。
优选地,所述BP神经网络模型为采用连续投影算法提取的特征波数点作为神经网络的输入,输入层含有的节点为特征波数点数、隐藏层含有10个节点、输出层含有4个节点,建立得到BP神经网络模型。
在本发明中,皂角刺的代码为[1 0 0 0],山皂角刺的代码为[0 1 0 0],野皂角刺的代码为[0 0 1 0],悬钩子的代码为[0 0 0 1]。神经网络的学习算法为共轭梯度算法,训练规则选择Levenberg-Marquardt算法,随机法分配样本集为训练集、验证集、测试集。为筛选出最佳建模条件,采用训练集数据分别在不同谱段范围与不同预处理方法下建立BP神经网络模型;为了进一步检验BP神经网络模型的预测效果,采用验证集与测试集的样本验证BP神经网络模型的识别能力。结果显示,光谱区间选择为5000~4200cm-1,采用一阶导数预处理方法,模型对训练集、验证集以及测试集的分类准确率均为100%,表明所建BP人工神经网络模型可以有效的识别皂角刺正品与伪品。
作为本发明的优选技术方法,本发明所述基于近红外光谱技术对中药皂角刺的真伪进行化学模式识别的方法具体包括以下步骤:
(1)采集皂角刺及其伪品山皂角刺、野皂角刺和悬钩子样品的近红外光谱,采集范围为12000~4000cm-1,仪器分辨率为4cm-1,扫描次数为32次,扣除内置参比背景,每个样品表面采集三个不同位置的光谱,得到平均光谱作为原始光谱;
(2)剔除原始光谱中位于12000~11800cm-1、4200~4000cm-1、7500~6500cm-1和5500~5000cm-1谱段的干扰峰,得到11800~7500cm-1、6500~5500cm-1以及5000~4200cm-1谱段峰,选择5000~4200cm-1谱段峰作为模型分析峰,采用一阶导数预处理方法对5000~4200cm-1谱段峰进行预处理;
(3)采用连续投影算法筛选一阶导数预处理5000~4200cm-1范围内的特征波数点,根据特征波数点,采用Kennard-Stone算法将待判别的皂角刺及其伪品山皂角刺、野皂角刺和悬钩子分为训练集样品和试验集样品,所述训练集样品包括32批样品,其中包括24批皂角刺、3批山皂角刺、2批野皂角刺和3批悬钩子,所述试验集样品包括11批样品,其中包括8批皂角刺、山1批皂角刺、1批野皂角刺和1批悬钩子;
(4)以训练集样品建立判别模型,利用步进法提取出x8、x13、x16、x19、x21共5个特征波数点,引入以上5个特征波数点建立如下判别函数:
F1=36387.907x8+24242.533x13+9262.246x16+11456.025x19+13209.943x21+3.210
F2=-43757.506x8+40701.987x13+24623.897x16+28906.269x19-20234.651x21+4.496;
(5)采用试验集样品的x8、x13、x16、x19、x21共5个特征波数点代入步骤(4)得到的判别函数以判别皂角刺及其伪品的判别准确率;
(6)采用聚类分析对步骤(4)所述步进法提取的5个特征波数点进行系统聚类分析以对得到的判别函数的判别准确性进行验证,以及采用BP神经网络模型对步骤(3)得到的特征波点数进行模式识别的结果准确性进行验证。所述聚类分析采用离差平方和法,距离测度为平方欧式距离,所述BP神经网络模型为采用连续投影算法提取的特征波数点作为神经网络的输入,输入层含有的节点为特征波数点数、隐藏层含有10个节点、输出层含有4个节点,建立得到BP神经网络模型。
相对于现有技术,本发明具有以下有益效果:
本发明对中药皂角刺的真伪进行化学模式识别的方法,利用近红外光谱采集法以及一阶导数预处理方法、连续投影算法、Kennard-Stone算法以及步进算法的结合对对中药皂角刺的真伪进行化学模式识别,使得识别方法的结果准确可靠,可以准确区分皂角刺及其伪品,本发明首次建立了基于近红外光谱技术皂角刺质量的化学模式识别方法,可以准确区分皂角刺及其伪品,为皂角刺的质量评价提供科学依据。
本发明首次通过聚类分析、判别分析以及BP神经网络的分析技术建立了区分皂角刺正品及伪品的化学模式识别方法,能够克服传统鉴别方法的主观性,更具科学性和全面性。
附图说明
图1为本发明对皂角刺及其伪品山皂角刺、野皂角刺和悬钩子样品进行红外光谱采集得到的原始平均近红外光谱图。
图2A为采用Savitzky-Golay(SG)平滑和矢量归一化(Vector Normalization,VN)方法对原始平均近红外光谱进行预处理后得到的近红外光谱图。
图2B为采用Savitzky-Golay(SG)平滑和最小最大归一化(Min MaxNormalization,MMN)方法对原始平均近红外光谱进行预处理后得到的近红外光谱图。
图2C为采用一阶导数(First Derivative,1st D)方法对原始平均近红外光谱进行预处理后得到的近红外光谱图。
图2D为采用二阶导数(Second Derivative,2nd D)方法对原始平均近红外光谱进行预处理后得到的近红外光谱图。
图3为本发明的聚类分析结果图。
具体实施方式
下面通过具体实施方式来进一步说明本发明的技术方案。本领域技术人员应该明了,所述实施例仅仅是帮助理解本发明,不应视为对本发明的具体限制。
实施例1
在本实施例中,使用的仪器与软件如下:
VERTEX 70傅里叶变换近红外光谱仪(德国Bruker公司),检测器为铟镓砷(InGaAS);RT-04A型高速粉碎机(香港泓荃制药机械公司)。光谱数据预处理采用OPUS 6.5软件(德国Bruker公司),连续投影算法、Kennard-Stone算法的运行和BP神经网络的建立采用Matlab R2014a软件(美国Mathworks公司),聚类分析和判别分析采用SPSS 21.0软件(美国IBM公司)。
在本实施例中,使用的样品如下:
收集皂角刺(Gleditsia sinensis Lam.)32批,山皂角刺(Gleditsia japonicaMiq.)4批,野皂角刺(Gleditsia microphylla Gordon ex Y.T.Lee)3批,悬钩子(Rubuscochinchinensis Tratt.)4批,共计43批样品。以上样品均经鉴定,确认为中药皂角刺正品及其各类典型伪品。干燥、粉碎过50目筛备用。样品来源信息见表1。
表1
对中药皂角刺的真伪进行化学模式识别的方法具体包括以下步骤:
(1)采用光纤探头对皂角刺及其伪品山皂角刺、野皂角刺和悬钩子样品进行光谱采集,光谱采集范围为12000~4000cm-1,仪器分辨率为4cm-1,扫描次数为32次。扣除内置参比背景,每个样品表面采集三个不同位置的光谱,得到平均光谱作为原始光谱。原始平均近红外光谱如图1所示。
(2)剔除干扰峰12000~11800cm-1与4200~4000cm-1、水峰7500~6500cm-1与5500~5000cm-1后,全谱段被分为3个区间11800~7500cm-1、6500~5500cm-1以及5000~4200cm-1。
对原始平均近红外光谱进行预处理
首先对预处理方法进行了筛选,筛选的预处理方法包括Savitzky-Golay(SG)平滑、矢量归一化(Vector Normalization,VN)、最小最大归一化(Min Max Normalization,MMN)、一阶导数(First Derivative,1st D)、二阶导数(Second Derivative,2nd D)方法,使用这些预处理方法以及其中一些方法的组合对样本原始光谱进行预处理,考察不同预处理方法对建模准确率的影响。预处理后的光谱见图2。
采用连续投影算法筛选出各区间范围内的特征波数点(特征变量),采用连续投影算法提取后的数据作为自变量建立逐步判别分析方法,以Wilks'Lambda作为逐步引入变量的指标建立典型判别函数方程,根据皂角刺及其伪品的典型函数的判别得分确定皂角刺正品及各类伪品判别分类的概率。各方法项下分类准确率见表2。由表2可知,当谱段为5000~4200cm-1时,采用原始光谱、SG+VN、一阶导数预处理数据建立判别分析模型,皂角刺及其伪品的分类准确率均为100%。
表2判别分析的分类准确率
为了验证判别模型的有效性,采用内部交叉验证方法考察判别结果,如表3所示,当选择谱段5000~4200cm-1并采用原始光谱时,悬钩子存在1例错判为皂角刺正品,交叉验证准确率为96.9%;选择谱段5000~4200cm-1并采用SG+VN预处理方法时,山皂角刺存在3例错判,分别为1例错判为皂角刺正品、1例错判为野皂角刺以及1例错判为悬钩子,交叉验证准确率为90.6%;选择谱段5000~4200cm-1并采用一阶导数预处理方法时,不存在误判,交叉验证准确率为100%。可见判别模型具有很好的有效性。
表3判别分析的交叉验证准确率
其中,GS:皂角刺;GJ:山皂角刺;GM:野皂角刺;RC:悬钩子。
由如上对预处理方法对建模准确率的考察,可以得出利用一阶导数预处理方法时可以使得判别更加准确,因此采用一阶导数预处理方法对5000~4200cm-1谱段峰进行预处理。
(3)采用连续投影算法筛选一阶导数预处理5000~4200cm-1范围内的特征波数点,根据特征波数点,采用Kennard-Stone算法将待判别的皂角刺及其伪品山皂角刺、野皂角刺和悬钩子分为训练集样品和试验集样品,所述训练集样品包括32批样品,其中包括24批皂角刺、3批山皂角刺、2批野皂角刺和3批悬钩子,所述试验集样品包括11批样品,其中包括8批皂角刺、山1批皂角刺、1批野皂角刺和1批悬钩子;
(4)以训练集样品建立判别模型,利用步进法提取出x8、x13、x16、x19、x21共5个特征波数点,引入以上5个特征波数点建立如下判别函数:
F1=36387.907x8+24242.533x13+9262.246x16+11456.025x19+13209.943x21+3.210
F2=-43757.506x8+40701.987x13+24623.897x16+28906.269x19-20234.651x21+4.496;
(5)采用试验集样品的x8、x13、x16、x19、x21共5个特征波数点代入步骤(4)得到的判别函数以判别皂角刺及其伪品的判别准确率。即将试验集11批样品代入判别函数判别皂角刺及其伪品的分类情况,结果见表4,其中11批样品判别准确率为100%,表明所建典型判别函数可以准确的识别皂角刺及其伪品的分类。
表4判别分析的外部验证结果
其中符号代表含义为:GS:皂角刺;GJ:山皂角刺;GM:野皂角刺;RC:悬钩子。
(6)聚类分析
为了进一步验证筛选特征波数的科学性以及判别分析模型的合理性,对步进法提取的5个特征变量进行系统聚类分析,聚类方法为离差平方和法,距离测度为平方欧式距离,聚类结果树状图见图3。由图3可见,1-32号正品皂角刺聚为I类,33-43号伪品聚为II类,伪品中33-36号为山皂角刺样品,聚为III类、37-39号为野皂角刺样品,聚为IV类,40-43号为悬钩子样品,聚为V类,聚类结果均与性状鉴别结果一致。聚类结果表明,提取的5个特征波数可以准确有效的区分皂角刺正品与伪品并且能够区分不同类别的伪品。
(7)BP神经网络分析
采用连续投影算法提取后的特征变量作为神经网络的输入,输入层含有的节点为特征变量数、隐藏层含有10个节点、输出层含有4个节点,建立三层BP神经网络模型。皂角刺的代码为[1 0 0 0],山皂角刺的代码为[0 1 0 0],野皂角刺的代码为[0 0 1 0],悬钩子的代码为[0 0 0 1]。神经网络的学习算法为共轭梯度算法,训练规则选择Levenberg-Marquardt算法,随机法分配样本集为训练集、验证集、测试集。为筛选出最佳建模条件,采用训练集数据分别在不同谱段范围与不同预处理方法下建立BP神经网络模型;为了进一步检验BP神经网络模型的预测效果,采用验证集与测试集的样本验证BP神经网络模型的识别能力,分类结果见表5。结果显示,光谱区间选择为5000~4200cm-1,采用一阶导数预处理方法,模型对训练集、验证集以及测试集的分类准确率均为100%,表明所建BP人工神经网络模型可以有效的识别皂角刺正品与伪品。
表5BP神经网络分类识别结果
通过如上所述分析,可以看出,本发明通过近红外光谱采集法以及连续投影算法、一阶导数预处理方法、Kennard-Stone算法以及步进算法的结合使得判别方法的结果准确可靠,可以准确区分皂角刺及其伪品。
在本发明中,应用光纤探头采样可造成首尾谱段的噪声干扰,因此剔除12000~11800cm-1与4200~4000cm-1谱段的杂峰。水分在6897cm-1和5181cm-1有较强且较宽的吸收峰,为避免水峰信息与样品信息重叠,剔除7500~6500cm-1、5500~5000cm-1区间的水吸收峰。
本发明中近红外光谱数据量冗杂,光谱区间11800~7500cm-1包含变量2230个,区间6500~5500cm-1包含变量519个,区间5000~4200cm-1包含变量416个,采用连续投影算法对数据进行有效压缩以消除共线性数据对模型的干扰,大大降低模型的复杂程度,有利于建模。在逐步判别分析方法中进一步采用步进法逐步引入变量,步进规则采用最小F值法,F值大于3.84时加入对分类影响大的变量,F值小于2.71时剔除对分类影响小的变量。降低了误判率,提高模型的精度。
采用Savitzky-Golay平滑法能够有效平滑高频噪音,提高信噪比;矢量归一化和最小最大归一化用来校正样品因颗粒散射而引起的光谱的误差;一阶导数和二阶导数分别用于消除光谱中基线的平移和漂移,提高分辨率和灵敏度。在预处理方法的考察中,发现使用一阶导数预处理法对模型判别结果更加准确。
聚类分析结果表明,皂角刺正品主要分为两类:来自湖北武汉、河南各地、北京、河北新乐、山东泰安和安徽亳州的10、11、21、18、25、26、27、28、29、30、31、32、22、4、23号样品聚为一类,表明以上产区的皂角刺质量比较接近;来自河南洛阳等地、山东枣庄等地、陕西柞水、山西运城、、湖北襄阳和广西各地的12、13、14、15、16、17、19、20、5、6、7、8、1、2、3、9、24号样品聚为一类,表明以上样品产区的皂角刺质量相近。上述差异可能是由皂角刺的生长年限、产地气温、光照和降雨量等因素导致,有待深入研究。
BP神经网络分析结果表明,采用BP人工神经网络建模效果较好。由表5可见,各组模型对训练集的分类准确率范围为82.6~100%。其中,由不同条件建立的15组模型中有11组的训练集分类准确率达到100%;各组模型对验证集的预测正确率范围为63.6~100%,对测试集的预测正确率范围为44.4~100%。其中,分别存在多组100%准确分类验证集与测试集的模型。经过优化筛选,光谱范围选择5000~4200cm-1,数据预处理采用一阶导数,建立的模型为最佳BP神经网络模型,其训练集、验证集以及测试集的分类准确率均为100%。
本发明通过上述实施例来说明本发明对中药皂角刺的真伪进行化学模式识别的方法,但本发明并不局限于上述实施例,即不意味着本发明必须依赖上述实施例才能实施。所属技术领域的技术人员应该明了,对本发明的任何改进,对本发明所选用原料的等效替换及辅助成分的添加、具体方式的选择等,均落在本发明的保护范围和公开范围之内。
Claims (10)
1.一种基于近红外光谱技术对中药皂角刺的真伪进行化学模式识别的方法,其特征在于,所述方法包括以下步骤:
(1)采集皂角刺及其伪品样品的近红外光谱,扣除内置参比背景,每个样品表面采集三个不同位置的光谱,得到平均光谱作为原始光谱;
(2)剔除原始光谱中的干扰峰,得到11800~7500cm-1、6500~5500cm-1以及5000~4200cm-1谱段峰,选择5000~4200cm-1谱段峰作为模型分析峰,并采用一阶导数预处理方法对5000~4200cm-1谱段峰进行预处理;
(3)采用连续投影算法筛选一阶导数预处理5000~4200cm-1范围内的特征波数点,根据特征波数点,采用Kennard-Stone算法将待判别的皂角刺及其伪品分为训练集样品和试验集样品;
(4)以训练集样品建立判别模型,利用步进法提取出x8、x13、x16、x19、x21共5个特征波数点,引入以上5个特征波数点建立如下判别函数:
F1=36387.907x8+24242.533x13+9262.246x16+11456.025x19+13209.943x21+3.210,
F2=-43757.506x8+40701.987x13+24623.897x16+28906.269x19-20234.651x21+4.496;
(5)采用试验集样品的x8、x13、x16、x19、x21共5个特征波数点代入步骤(4)得到的判别函数以判别皂角刺及其伪品的判别准确率。
2.根据权利要求1所述的基于近红外光谱技术对中药皂角刺的真伪进行化学模式识别的方法,其特征在于,步骤(1)所述伪品为山皂角刺、野皂角刺和悬钩子。
3.根据权利要求1或2所述的基于近红外光谱技术对中药皂角刺的真伪进行化学模式识别的方法,其特征在于,步骤(3)所述训练集样品包括32批样品,其中包括24批皂角刺、3批山皂角刺、2批野皂角刺和3批悬钩子,所述试验集样品包括11批样品,其中包括8批皂角刺、山1批皂角刺、1批野皂角刺和1批悬钩子。
4.根据权利要求1-3中任一项所述的基于近红外光谱技术对中药皂角刺的真伪进行化学模式识别的方法,其特征在于,步骤(1)所述近红外光谱的采集范围为12000~4000cm-1,仪器分辨率为4cm-1,扫描次数为32次。
5.根据权利要求1-4中任一项所述的基于近红外光谱技术对中药皂角刺的真伪进行化学模式识别的方法,其特征在于,步骤(2)所述干扰峰为12000~11800cm-1、4200~4000cm-1、7500~6500cm-1和5500~5000cm-1谱段的峰。
6.根据权利要求1-5中任一项所述的基于近红外光谱技术对中药皂角刺的真伪进行化学模式识别的方法,其特征在于,采用聚类分析对步骤(4)所述步进法提取的5个特征波数点进行系统聚类分析,以验证判别函数的判别准确性。
7.根据权利要求6所述的基于近红外光谱技术对中药皂角刺的真伪进行化学模式识别的方法,其特征在于,所述聚类分析采用离差平方和法,距离测度为平方欧式距离。
8.根据权利要求1-7中任一项所述的基于近红外光谱技术对中药皂角刺的真伪进行化学模式识别的方法,其特征在于,采用BP神经网络模型对步骤(3)得到特征波点数进行模式识别的结果准确性进行验证。
9.根据权利要求8所述的基于近红外光谱技术对中药皂角刺的真伪进行化学模式识别的方法,其特征在于,所述BP神经网络模型为采用连续投影算法提取的特征波数点作为神经网络的输入,输入层含有的节点为特征波数点数、隐藏层含有10个节点、输出层含有4个节点,建立得到BP神经网络模型。
10.根据权利要求1-9中任一项所述的基于近红外光谱技术对中药皂角刺的真伪进行化学模式识别的方法,其特征在于,所述方法包括以下步骤:
(1)采集皂角刺及其伪品山皂角刺、野皂角刺和悬钩子样品的近红外光谱,采集范围为12000~4000cm-1,仪器分辨率为4cm-1,扫描次数为32次,扣除内置参比背景,每个样品表面采集三个不同位置的光谱,得到平均光谱作为原始光谱;
(2)剔除原始光谱中位于12000~11800cm-1、4200~4000cm-1、7500~6500cm-1和5500~5000cm-1谱段的干扰峰,得到11800~7500cm-1、6500~5500cm-1以及5000~4200cm-1谱段峰,选择5000~4200cm-1谱段峰作为模型分析峰,采用一阶导数预处理方法对5000~4200cm-1谱段峰进行预处理;
(3)采用连续投影算法筛选一阶导数预处理5000~4200cm-1范围内的特征波数点,根据特征波数点,采用Kennard-Stone算法将待判别的皂角刺及其伪品山皂角刺、野皂角刺和悬钩子分为训练集样品和试验集样品,所述训练集样品包括32批样品,其中包括24批皂角刺、3批山皂角刺、2批野皂角刺和3批悬钩子,所述试验集样品包括11批样品,其中包括8批皂角刺、山1批皂角刺、1批野皂角刺和1批悬钩子;
(4)以训练集样品建立判别模型,利用步进法提取出x8、x13、x16、x19、x21共5个特征波数点,引入以上5个特征波数点建立如下判别函数:
F1=36387.907x8+24242.533x13+9262.246x16+11456.025x19+13209.943x21+3.210
F2=-43757.506x8+40701.987x13+24623.897x16+28906.269x19-20234.651x21+4.496;
(5)采用试验集样品的x8、x13、x16、x19、x21共5个特征波数点代入步骤(4)得到的判别函数以判别皂角刺及其伪品的判别准确率;
(6)采用聚类分析对步骤(4)所述步进法提取的5个特征波数点进行系统聚类分析以对得到的判别函数的判别准确性进行验证,以及采用BP神经网络模型对步骤(3)得到的特征波点数进行模式识别的结果准确性进行验证。所述聚类分析采用离差平方和法,距离测度为平方欧式距离,所述BP神经网络模型为采用连续投影算法提取的特征波数点作为神经网络的输入,输入层含有的节点为特征波数点数、隐藏层含有10个节点、输出层含有4个节点,建立得到BP神经网络模型。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810290323.7A CN108509997A (zh) | 2018-04-03 | 2018-04-03 | 一种基于近红外光谱技术对中药皂角刺的真伪进行化学模式识别的方法 |
PCT/CN2019/080873 WO2019192433A1 (zh) | 2018-04-03 | 2019-04-01 | 一种基于近红外光谱技术对中药皂角刺的真伪进行化学模式识别的方法 |
US17/043,325 US11656176B2 (en) | 2018-04-03 | 2019-04-01 | Near-infrared spectroscopy-based method for chemical pattern recognition of authenticity of traditional Chinese medicine Gleditsiae spina |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810290323.7A CN108509997A (zh) | 2018-04-03 | 2018-04-03 | 一种基于近红外光谱技术对中药皂角刺的真伪进行化学模式识别的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108509997A true CN108509997A (zh) | 2018-09-07 |
Family
ID=63380013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810290323.7A Pending CN108509997A (zh) | 2018-04-03 | 2018-04-03 | 一种基于近红外光谱技术对中药皂角刺的真伪进行化学模式识别的方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11656176B2 (zh) |
CN (1) | CN108509997A (zh) |
WO (1) | WO2019192433A1 (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110082308A (zh) * | 2019-05-06 | 2019-08-02 | 中国科学院西北高原生物研究所 | 一种基于近红外光谱判别模型的秦艽类别识别方法 |
CN110220863A (zh) * | 2019-06-25 | 2019-09-10 | 湖南中医药大学 | 一种基于atr-ftir的金银花和山银花中药制剂的鉴别方法 |
WO2019192433A1 (zh) * | 2018-04-03 | 2019-10-10 | 深圳市药品检验研究院(深圳市医疗器械检测中心) | 一种基于近红外光谱技术对中药皂角刺的真伪进行化学模式识别的方法 |
CN110514611A (zh) * | 2019-09-25 | 2019-11-29 | 深圳市药品检验研究院(深圳市医疗器械检测中心) | 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 |
CN111830173A (zh) * | 2020-08-04 | 2020-10-27 | 甘肃省药品检验研究院 | 皂角刺饮片中掺杂野皂角刺含量的内标法检测方法 |
CN111879710A (zh) * | 2020-07-23 | 2020-11-03 | 中冶建筑研究总院(深圳)有限公司 | 钢结构涂层防腐性能评定方法、系统、服务器和存储介质 |
CN112945900A (zh) * | 2021-02-03 | 2021-06-11 | 广东药科大学 | 一种快速检测莪术质量的检测模型及方法 |
CN113624874A (zh) * | 2021-08-05 | 2021-11-09 | 天津中医药大学 | 一种鉴别鹅不食草的方法 |
CN116010861A (zh) * | 2022-12-13 | 2023-04-25 | 淮阴工学院 | 一种形似中药的分类方法 |
CN117033993A (zh) * | 2022-04-29 | 2023-11-10 | 华东交通大学 | 一种基于最小角排序选择的优选训练集的方法 |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114076745A (zh) * | 2020-08-20 | 2022-02-22 | 成都市食品药品检验研究院 | 一种基于云端-互联便携式近红外技术的西红花鉴别方法及其掺伪品定量预测方法 |
CN112132129A (zh) * | 2020-09-21 | 2020-12-25 | 天津科技大学 | 一种基于外观图像的枸杞子道地性ai识别方法 |
CN112669915B (zh) * | 2020-11-06 | 2024-03-29 | 西安理工大学 | 一种基于神经网络与近红外光谱的梨无损检测方法 |
CN112684023A (zh) * | 2020-12-02 | 2021-04-20 | 太极集团重庆涪陵制药厂有限公司 | 一种厚朴药材质量的快速检测方法和厚朴药材的筛选方法 |
CN113176227A (zh) * | 2021-04-27 | 2021-07-27 | 皖西学院 | 一种快速预测河南石斛掺伪霍山石斛的方法 |
CN113655019B (zh) * | 2021-08-10 | 2024-04-26 | 南京富岛信息工程有限公司 | 一种管输原油的混油界面检测方法 |
CN113588590B (zh) * | 2021-08-11 | 2024-04-16 | 苏州泽达兴邦医药科技有限公司 | 一种基于数据挖掘的中药提取过程质量控制方法 |
CN114166764A (zh) * | 2021-11-09 | 2022-03-11 | 中国农业科学院农产品加工研究所 | 基于特征波长筛选的光谱特征模型的构建方法及装置 |
CN114184727B (zh) * | 2021-11-24 | 2023-04-25 | 天津中医药大学 | 源自皂荚的三种药材的鉴别方法及其应用 |
CN114280180B (zh) * | 2021-12-21 | 2023-11-14 | 山西大学 | 一种实时精确检测中成药品中成分种类与含量的方法 |
CN114783539A (zh) * | 2022-04-28 | 2022-07-22 | 山东大学 | 一种基于光谱聚类的中药成分分析方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103776797A (zh) * | 2014-02-25 | 2014-05-07 | 河北大学 | 一种近红外光谱鉴别平利绞股蓝的方法 |
CN103837492A (zh) * | 2014-02-24 | 2014-06-04 | 西北农林科技大学 | 一种基于近红外光谱技术的猕猴桃膨大果无损检测方法 |
CN107121406A (zh) * | 2017-05-24 | 2017-09-01 | 福州大学 | 一种基于近红外光谱的葡萄籽油掺假鉴别方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4893253A (en) | 1988-03-10 | 1990-01-09 | Indiana University Foundation | Method for analyzing intact capsules and tablets by near-infrared reflectance spectrometry |
CN108509997A (zh) | 2018-04-03 | 2018-09-07 | 深圳市药品检验研究院(深圳市医疗器械检测中心) | 一种基于近红外光谱技术对中药皂角刺的真伪进行化学模式识别的方法 |
CN109444066B (zh) * | 2018-10-29 | 2020-04-14 | 山东大学 | 基于光谱数据的模型转移方法 |
CN110514611B (zh) * | 2019-09-25 | 2023-01-20 | 深圳市药品检验研究院(深圳市医疗器械检测中心) | 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 |
CN113762208B (zh) * | 2021-09-22 | 2023-07-28 | 山东大学 | 一种近红外光谱与特征图谱的图谱转换方法及其应用 |
-
2018
- 2018-04-03 CN CN201810290323.7A patent/CN108509997A/zh active Pending
-
2019
- 2019-04-01 US US17/043,325 patent/US11656176B2/en active Active
- 2019-04-01 WO PCT/CN2019/080873 patent/WO2019192433A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103837492A (zh) * | 2014-02-24 | 2014-06-04 | 西北农林科技大学 | 一种基于近红外光谱技术的猕猴桃膨大果无损检测方法 |
CN103776797A (zh) * | 2014-02-25 | 2014-05-07 | 河北大学 | 一种近红外光谱鉴别平利绞股蓝的方法 |
CN107121406A (zh) * | 2017-05-24 | 2017-09-01 | 福州大学 | 一种基于近红外光谱的葡萄籽油掺假鉴别方法 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019192433A1 (zh) * | 2018-04-03 | 2019-10-10 | 深圳市药品检验研究院(深圳市医疗器械检测中心) | 一种基于近红外光谱技术对中药皂角刺的真伪进行化学模式识别的方法 |
US11656176B2 (en) | 2018-04-03 | 2023-05-23 | Shenzhen Institute For Drug Control (Shenzhen Testing Center Of Medical Devices) | Near-infrared spectroscopy-based method for chemical pattern recognition of authenticity of traditional Chinese medicine Gleditsiae spina |
CN110082308A (zh) * | 2019-05-06 | 2019-08-02 | 中国科学院西北高原生物研究所 | 一种基于近红外光谱判别模型的秦艽类别识别方法 |
CN110082308B (zh) * | 2019-05-06 | 2021-12-03 | 中国科学院西北高原生物研究所 | 一种基于近红外光谱判别模型的秦艽类别识别方法 |
CN110220863A (zh) * | 2019-06-25 | 2019-09-10 | 湖南中医药大学 | 一种基于atr-ftir的金银花和山银花中药制剂的鉴别方法 |
CN110514611B (zh) * | 2019-09-25 | 2023-01-20 | 深圳市药品检验研究院(深圳市医疗器械检测中心) | 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 |
CN110514611A (zh) * | 2019-09-25 | 2019-11-29 | 深圳市药品检验研究院(深圳市医疗器械检测中心) | 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 |
WO2021056814A1 (zh) | 2019-09-25 | 2021-04-01 | 深圳市药品检验研究院(深圳市医疗器械检测中心) | 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 |
US11710541B2 (en) | 2019-09-25 | 2023-07-25 | Shenzhen Institute For Drug Control (Shenzhen Testing Center Of Medical Devices) | Chemical pattern recognition method for evaluating quality of traditional Chinese medicine based on medicine effect information |
EP3907493A4 (en) * | 2019-09-25 | 2023-02-15 | Shenzhen Institute for Drug Control (Shenzhen Testing Center of Medical Devices) | CHEMICAL PATTERN RECOGNITION PROCEDURE FOR ASSESSING THE QUALITY OF TRADITIONAL CHINESE MEDICINE BASED ON DRUG EFFECT INFORMATION |
CN111879710A (zh) * | 2020-07-23 | 2020-11-03 | 中冶建筑研究总院(深圳)有限公司 | 钢结构涂层防腐性能评定方法、系统、服务器和存储介质 |
CN111879710B (zh) * | 2020-07-23 | 2023-07-11 | 中冶建筑研究总院(深圳)有限公司 | 钢结构涂层防腐性能评定方法、系统、服务器和存储介质 |
CN111830173A (zh) * | 2020-08-04 | 2020-10-27 | 甘肃省药品检验研究院 | 皂角刺饮片中掺杂野皂角刺含量的内标法检测方法 |
CN111830173B (zh) * | 2020-08-04 | 2022-10-18 | 甘肃省药品检验研究院 | 皂角刺饮片中掺杂野皂角刺含量的内标法检测方法 |
CN112945900B (zh) * | 2021-02-03 | 2022-12-30 | 广东药科大学 | 一种快速检测莪术质量的检测模型及方法 |
CN112945900A (zh) * | 2021-02-03 | 2021-06-11 | 广东药科大学 | 一种快速检测莪术质量的检测模型及方法 |
CN113624874A (zh) * | 2021-08-05 | 2021-11-09 | 天津中医药大学 | 一种鉴别鹅不食草的方法 |
CN117033993A (zh) * | 2022-04-29 | 2023-11-10 | 华东交通大学 | 一种基于最小角排序选择的优选训练集的方法 |
CN116010861A (zh) * | 2022-12-13 | 2023-04-25 | 淮阴工学院 | 一种形似中药的分类方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2019192433A1 (zh) | 2019-10-10 |
US20210025815A1 (en) | 2021-01-28 |
US11656176B2 (en) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108509997A (zh) | 一种基于近红外光谱技术对中药皂角刺的真伪进行化学模式识别的方法 | |
CN101961360B (zh) | 三七的近红外光谱鉴别方法 | |
CN107219188B (zh) | 一种基于改进dbn的近红外光谱分析纺织品棉含量的方法 | |
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 | |
CN107677647A (zh) | 基于主成分分析和bp神经网络的中药材产地鉴别方法 | |
CN102375000B (zh) | 一种基于氢核磁共振-模式识别技术对椰岛鹿龟酒的检测方法 | |
CN106841083A (zh) | 基于近红外光谱技术的芝麻油品质检测方法 | |
CN103674884A (zh) | 基于近红外光谱信息的烟叶风格特征的随机森林分类方法 | |
CN108844917A (zh) | 一种基于显著性假设检验和偏最小二乘法的近红外光谱数据分析方法 | |
CN103364359A (zh) | Simca模式识别法在近红外光谱识别大黄药材中的应用 | |
CN108593592A (zh) | 一种基于近红外光谱技术的半夏掺伪鉴别方法 | |
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 | |
CN108760677A (zh) | 一种基于近红外光谱技术的法半夏掺伪鉴别方法 | |
Li et al. | Multi-information based on ATR-FTIR and FT-NIR for identification and evaluation for different parts and harvest time of Dendrobium officinale with chemometrics | |
Liu et al. | An identification method of herbal medicines superior to traditional spectroscopy: Two-dimensional correlation spectral images combined with deep learning | |
CN106770607B (zh) | 一种利用hs‐imr‐ms鉴别卷烟真伪的方法 | |
CN109358022A (zh) | 一种快速判别烟用爆珠类型的方法 | |
CN110334714A (zh) | 一种基于人工神经网络技术的机采眉茶车色样品等级预测方法 | |
CN108564099A (zh) | 基于标识纤维随机分布的图像识别区分药用植物的方法 | |
CN110108661B (zh) | 一种模糊极大熵聚类的茶叶近红外光谱分类方法 | |
CN110736718B (zh) | 一种烤烟烟丝的产地及等级识别方法 | |
CN107389598B (zh) | 一种鉴定槐花品质的近红外光谱分析方法 | |
CN106442399A (zh) | 一种近红外光谱判别不同栽培环境同一品种茶鲜叶的方法 | |
Lucio-Gutiérrez et al. | Expeditious identification and semi-quantification of Panax ginseng using near infrared spectral fingerprints and multivariate analysis | |
CN107860739A (zh) | 一种模糊k调和网络聚类的茶叶中红外光谱分类方法 |
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 |