CN109324017A - 一种提高近红外光谱分析技术建模光谱质量的方法 - Google Patents
一种提高近红外光谱分析技术建模光谱质量的方法 Download PDFInfo
- Publication number
- CN109324017A CN109324017A CN201811454135.XA CN201811454135A CN109324017A CN 109324017 A CN109324017 A CN 109324017A CN 201811454135 A CN201811454135 A CN 201811454135A CN 109324017 A CN109324017 A CN 109324017A
- Authority
- CN
- China
- Prior art keywords
- sample
- spectrum
- wave number
- modeling
- value
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000003595 spectral effect Effects 0.000 title description 8
- 238000005516 engineering process Methods 0.000 title description 3
- 238000010183 spectrum analysis Methods 0.000 title description 2
- 238000001228 spectrum Methods 0.000 claims abstract description 51
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000004497 NIR spectroscopy Methods 0.000 claims abstract description 5
- 230000031700 light absorption Effects 0.000 claims description 17
- 238000002835 absorbance Methods 0.000 claims description 14
- 238000009825 accumulation Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000006641 stabilisation Effects 0.000 claims description 3
- 238000011105 stabilization Methods 0.000 claims description 3
- 238000002331 protein detection Methods 0.000 claims description 2
- 102000004506 Blood Proteins Human genes 0.000 claims 1
- 108010017384 Blood Proteins Proteins 0.000 claims 1
- 239000002994 raw material Substances 0.000 abstract description 11
- 239000010836 blood and blood product Substances 0.000 abstract 1
- 229940125691 blood product Drugs 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 44
- 238000004458 analytical method Methods 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000004566 IR spectroscopy Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000006101 laboratory sample Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method 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
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
本发明属于近红外光谱建模领域,具体涉及一种提高近红外光谱建模预测能力的方法。通过对近红外光谱进行多次采集进行平均计算,并寻找平均处理的最佳点,随后建立PLS模型。对于原料人血浆样品的光谱来说,每份样品应采集11张光谱平均后能得到相对稳定的NIR光谱,后参与NIR建模。通过光谱建模比较结果证明了本发明中建立的近红外光谱模型明显优于普通NIR建模方法,在血液制品原料人血浆总蛋白含量的检测具有重要的应用价值。
Description
技术领域
本发明属于近红外光谱建模领域,具体涉及一种基于“数据均值化”提高近红外光谱技术建模预测能力的方法。
背景技术
近红外光谱(Near Infrared,NIR)是介于可见光(Vis)和中红外(MIR)之间的电磁辐射波,美国材料检测协会(ASTM)将近红外光谱区定义为780-2526nm的区域,是人们在吸收光谱中发现的第一个非可见光区,在制药、医学诊断、食品和农产品的质量控制,天文学以及治疗医学等领域都有应用。
近红外光谱定量分析是一种二级分析方法,其分析过程为:使用近红外光谱仪器测定样品近红外光谱;采用标准参考方法测定样品中特定成分的浓度或性质参考值;然后将测定的光谱数据和浓度或性质参考值进行预处理,选择合适的化学计量学方法,优化并建立校正模型。利用校正模型对未知含量或性质参考值的样品基于近红外光谱数据进行预测,以测定未知待测样品的浓度或性质参考值。根据预测结果评价模型的预测能力和有效性。从上述近红外光谱分析过程中可以发现,近红外采集原始光谱的稳定性,是制约近红外光谱模型性能优良的关键。对于生物制品的质控检测来说,由于生物制品背景复杂,例如总蛋白质含量测定方法的准确性高低不同,利用不同参考方法做出的一级数据建模后,造成模型性能不一致,存在差异。
同时对于近红外光谱来说,其谱带比较宽,具有多重共线性。在实际应用中,由于光谱仪器类型的影响,在某些波段下样品光谱信噪比比较低,光谱质量较差,同时由于环境的变化,上述因素使近红外模型光谱的定量不再是简单的线性体系,而是一个未知线性基础的灰度分析模型。一般研究人员倾向于认为多次平行测量取平均结果能够增加数据的准确性和稳定性,在NIR的常规建模中,通常平行测定3次,得到3张光谱取平均值的方法增加数据稳定性,这种方法得到数据稳定性具体如何并不明确。
“数据均值化”方法的提出是基于“统计学”中在实际测量没有系统误差的情况下,足够多次的测量值之平均值接近于真值。近红外作为一种二级定量方法,建模需要准确度较高的基础数据和吸光度稳定的光谱,“数据均值化”方法即运用数学统计学方法分析多次测量光谱,选择合适的光谱平均值,用于NIR建模,不断提高模型的预测能力。
发明内容
针对以上技术问题,本发明的目的在于提供一种能够提高近红外光谱建模预测能力的方法,基于“数值均值化”思想,提供一种建立预测能力更为准确的近红外光谱的方法。通过对光谱进行多次采集,寻找光谱平均结果稳定时(即接近真值时)的测量次数,随后建立PLS模型。
本发明第一方面,提供一种提高近红外光谱建模预测能力的方法,步骤如下
(1)利用傅里叶变换近红外光谱仪(FT-NIR)采集参与建模的样品谱图,每份样品平行采集n次,每份样品获得n张平行光谱,去除其中噪音较大及信号较弱的波数点,获得有效波数点。
(2)筛选后,每个样品的有效波数点下具有n个吸光度,计算其中最大吸光值与最小吸光值的差值,
F=Amax-Amin;
F:每个样品在每个有效波数点下吸光度波动值;
Amax:每个样品在每个有效波数点下吸光度的最大值;
Amin:每个样品在每个有效波数点下吸光度的最小值;
对各个波数点下的F值进行排序,筛选得到差值最大的g个波数点。
(3)重复采集光谱直至筛选的g个波数点累积平均值稳定,获得累积采集次数(m),对采集次数进行排序得到最大值(M)。
(4)对参与建模的样品,每个浓度进样M次,取M次测量累积平均值与样品浓度建立PLS模型。
优选的,步骤(1)中n≧10,进一步优选的,n≧15。
优选的,步骤(1)中去除噪声信号较弱波数点的方法为:对于某个波数点,存在某一份样品n张光谱在最大吸光值和最小吸光值的差值>0.1。
优选的,步骤(2)中g≧15,进一步优选的,g≧20。
优选的,步骤(3)中设定稳定数据的波动区间为±0.005,重复采集光谱,记录每个样品上述g个波数点吸光度的累积平均值,当累积平均值波动处于±0.005范围内时,获得计算平均吸光度的采集次数(m),g个有效波数点的m值中的最大值为M即为获得稳定光谱的平均张数。
本发明第二方面,提供上述方法建立的近红外光谱模型。
本发明第三方面,提供上述提高近红外光谱建模预测能力的方法及近红外光谱模型在蛋白检测方面的应用,优选的,在人血浆总蛋白测定方面的应用。
本发明第四方面,提供一种用于蛋白含量检测的计算装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该处理器执行程序时能够实现上述提高近红外光谱建模预测能力的方法。
本发明第五方面,提供一种计算机可读存储介质,该存储介质上有计算机程序,并且该程序被处理器执行时能够执行上述提高近红外光谱建模预测能力的方法。
本发明第六方面,提供一种用于提高近红外光谱建模预测能力的装置,包括近红外光谱检测器及计算装置,该计算装置为上述用于蛋白含量检测的计算装置。
本发明的有益效果
1.本发明提出一种基于“数据均值化”提高近红外光谱技术建模预测能力的方法,该方法适用于多种情况下实验人员进行自行优化,有助于生物制品企业对产品进行监测,提高了后期分级生产和智能化生产的可能,从而提高药物的安全性和有效性。
2.本领域中通常采用多次测量取平均的方式提高近红外光谱数据的准确性,但并没有相关研究证实具体重复测量多少次能够得到真正准确的数据。本发明针对现有技术中的空白,提出了一种确立重复测量次数的方法,该方法下建立的PLS模型经证实相比现有技术方案建立的模型具有更好的准确性,提升了实际应用中的效果。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为本发明获得稳定光谱的过程图(以7189.324cm-1波数下的吸光值分析过程为例);
图2为本发明UVE波段选择方法建立S11和S3近红外模型对比图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
正如背景技术所介绍的,现有技术中针对近红外光谱采集次数的确认并没有明确的方法,本申请提出了一种获得红外光谱准确值最佳测量次数,之后建立预测能力更为准确的PLS模型的方法。
为了使得本领域技术人员能够更加清楚地了解本申请的技术方案,以下将结合具体的实施例与对比例详细说明本申请的技术方案。
实施例1
利用傅里叶变换近红外光谱仪(FT-NIR)采集参与建模的20份原料人血浆样品光谱,每份样品平行采集15张光谱。采用傅里叶变换近红外光谱仪(FT-NIR)液体温控透射采样模块,控制温度为37℃下,采集原料人血浆样品光谱。光谱扫描范围为10000-4000cm-1,扫描次数为32次,分辨率为8cm-1,以空气为参比进行采集,每隔1小时校正一次背景。实验室环境为温度26℃,湿度30%。每个样品光谱共有1557个波数点,去除噪音较大,信号弱的波数点后,剩余1200个波数点。
对于每份样品的15张光谱来说,每份样品的每个波数点下有15个相近的吸光值,计算其中最小吸光值和最大吸光值差值。
F=Amax-Amin
F:每个样品15张光谱在每个波数点下吸光度波动值;
Amax:每个样品15张光谱在每个波数下吸光度的最大值;
Amin:每个样品15张光谱在每个波数下吸光度的最小值;
每个样品获得1200个F值,对其进行大小排序,选出F值最大的20个波数,将该20个波数下的吸光值单独调出,进行下一步处理。
对每个样品单独调出的20个波数下的15个吸光值做“数据均值化”处理,即求这15个吸光值的累积平均值。对F值最大的20个波数点进行分析,即只要波动最大的20个波数点达到数据稳定,其他的E值小的自然也就达到稳定。
随着吸光值的累积平均计算,其累积平均值也会趋于稳定,设定数据波动阈值为±0.005(即累积平均值若开始只在±0.005区间内波动,可认定为该累积平均值已开始稳定),记录每个样品20个波数点累积平均值达到±0.005波动阈值时,参与计算吸光度累积平均值的数据个数(m)。
取每个样品20个波数的m值中的最大值(M)作为该样品获得稳定光谱的平均张数,后再对20个样品的M值取最大值,即该NIR建模体系下,得到稳定光谱的平均张数。
利用“数据均值化”获得平均光谱,与普通三张光谱平均进行建模比较,进一步验证该方法的优良性。
1.近红外建模样品集划分
该方法的实验样品为20份原料人血浆样品,NIR建模前需要对样品进行校正集和验证集的划分,此处采用SPXY划分方法,20份人原料人血浆样品的划分结果如表1,其验证集的浓度范围居于校正集的浓度范围内,且校正集和验证集中的均值和标准偏差值也较为接近,符合近红外建模的样品划分要求。
表1校正集样品的统计结果
1.2获得稳定光谱
每一份原料人血浆样品采集了15张光谱,以第一份样品光谱为例,去除光谱噪声较大的光谱点后,剩余的1200个波数点计算F值如图1所示,F值最大的20个波数点被选出来进行数据均值化处理,比如图1中的7189.324cm-1这个波数点,其累积平均吸光值在第7次平均的时候达到±0.005波动阈值的稳定。然后再计算该样品取出的其他19个波数点,后其他样品也这样处理吸光值。20份原料人血浆样品的吸光值达稳定的累积平均次数如表2所示。M最大值为11,所以每份原料人血浆样品应取前11张光谱平均后(此时的平均光谱可称为S11)建模。
表2.原料人血浆样品的累积次数结果
为了验证相比于普通方法取三张光谱取平均,提出的数据均值化是否是一种有效的方法。本发明以凯氏定氮法所测的原料人血浆总蛋白含量作为近红外建模一级数据,在没有波段选择的情况下,建立S3和S11的模型进行比较,从表3中可得,S11的建模结果明显优于S3。
表3.不同平均光谱的建模比较
同时,也考察了波段选择下的近红外建模结果,波段选择方法分别为相关系数法(CC)和无变量选择法(UVE)。对于CC法,S11光谱和含量的相关系数为0.0483-0.8121,所以设置建模的相关关系从0.1开始到0.8,步长为0.1,得到NIR模型最小的RMSEP值为0.699g/L。S3光谱和含量的相关系数为0.1907-0.7897,所以设置建模的相关关系从0.1开始到0.7,步长为0.1,得到NIR模型最小的RMSEP值为0.8910g/L。S11光谱建模的最小RMSEP比S3的小,即S11的建模结果优于S3。对于UVE方法来说,蒙特卡洛模拟数和校正样品占总样品的比率将影响NIR建模结果,故将蒙特卡洛模拟数设置为从100到500,步长为100;校正样品的比率设置从0.5到0.9,步长为0.1。后运行算法,记录得到的所有RMSEP值,各种设置参数下的最小RMSEP值如图2所示。显然,S11光谱建模的RMSEP值比S3光谱建模的RMSEP值小,这也验证了数据均值化法能建模更优的NIR模型。基于上述CC法和UVE法的建模结果,数据均值化方法能够有效的提高NIR建模预测能力。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种提高近红外光谱建模预测能力的方法,其特征在于,步骤如下:
(1)利用傅里叶近红外光谱仪采集参与建模的样品谱图,每份样品平行采集n次,即每份样品获得n张平行光谱,去除其中噪音较大及信号较弱的波数点,获得有效波数点;
(2)对每个样品有效波数点下n个吸光值进行排序,计算其中最大吸光值与最小吸光值的差值;
F=Amax-Amin;
F:每个样品在每个有效波数点下吸光度波动值;
Amax:每个样品在每个有效波数点下吸光度的最大值;
Amin:每个样品在每个有效波数点下吸光度的最小值;
对各个波数点下的F值进行排序,筛选得到差值最大的g个波数点;
(3)重复采集光谱直至筛选的g个波数点累积平均值稳定,获得累积采集次数m,对采集次数进行排序得到最大值M;
(4)参与建模的样品,每个浓度进样M次,取M次测量累积平均值与样品浓度建立PLS模型。
2.如权利要求1所述的方法,其特征在于,步骤(1)中n≧10;优选的,n≧15。
3.如权利要求1所述的方法,其特征在于,步骤(2)中g≧15,优选的,g≧20。
4.如权利要求1所述的方法,其特征在于,步骤(3)中设定稳定数据的波动区间为±0.005,重复采集光谱,记录每个样品所述g个波数点吸光度的累积平均值,当累积平均值波动处于±0.005范围内时,获得计算平均吸光度的采集次数m,m值中的最大值M,即为获得稳定光谱的平均张数。
5.如权利要求1-4任一项所述方法建立的近红外光谱模型。
6.权利要求1-4任一项所述方法及权利要求5所述的近红外光谱模型在蛋白检测方面的应用。
7.如权利要求6所述的应用,其特征在于,所述应用为人血浆总蛋白测定方面的应用。
8.一种用于蛋白含量检测的计算装置,其特征在于,包括存储器、处理器及存储在存贮器上并可在处理器上运行的计算机程序,所述处理器执行程序时实行权利要求1-4所述提高近红外光谱建模预测能力的方法。
9.一种计算机可读存储介质,其特征在于,所述存储介质上有计算机程序,所述计算机程序被处理器执行时实现权利要求1-4所述提高近红外光谱建模预测能力的方法。
10.一种用于提高近红外光谱建模预测能力的装置,其特征在于,所述装置包括近红外光谱检测器及计算装置,所述计算装置为权利要求7所述用于蛋白含量检测的计算装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811454135.XA CN109324017B (zh) | 2018-11-30 | 2018-11-30 | 一种提高近红外光谱分析技术建模光谱质量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811454135.XA CN109324017B (zh) | 2018-11-30 | 2018-11-30 | 一种提高近红外光谱分析技术建模光谱质量的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109324017A true CN109324017A (zh) | 2019-02-12 |
CN109324017B CN109324017B (zh) | 2020-11-06 |
Family
ID=65255861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811454135.XA Active CN109324017B (zh) | 2018-11-30 | 2018-11-30 | 一种提高近红外光谱分析技术建模光谱质量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109324017B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113252580A (zh) * | 2021-05-11 | 2021-08-13 | 山东大学 | 原料血浆光谱采集系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5311444A (en) * | 1991-06-30 | 1994-05-10 | Shimadzu Corporation | Absorbance analyzer and data processing method for chromatograph |
JPH11254668A (ja) * | 1998-03-13 | 1999-09-21 | Toshiba Corp | インクジェット記録装置 |
US20020075758A1 (en) * | 2000-10-20 | 2002-06-20 | Kushibiki Jun-Ichi | Method and apparatus for measuring LSAW propagation characteristics |
CN101390309A (zh) * | 2004-09-07 | 2009-03-18 | 探索无线公司 | 无线移动单元定位系统 |
CN204794740U (zh) * | 2015-06-03 | 2015-11-18 | 深圳嘉睿悦能科技有限公司 | 一种快速充电器电源电路 |
CN106872396A (zh) * | 2016-12-28 | 2017-06-20 | 南京农业大学 | 一种不同近红外仪器测定葡萄糖度模型转换的方法 |
CN107036959A (zh) * | 2017-04-14 | 2017-08-11 | 攀钢集团研究院有限公司 | 钛白粉耐候性快速检测方法 |
-
2018
- 2018-11-30 CN CN201811454135.XA patent/CN109324017B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5311444A (en) * | 1991-06-30 | 1994-05-10 | Shimadzu Corporation | Absorbance analyzer and data processing method for chromatograph |
JPH11254668A (ja) * | 1998-03-13 | 1999-09-21 | Toshiba Corp | インクジェット記録装置 |
US20020075758A1 (en) * | 2000-10-20 | 2002-06-20 | Kushibiki Jun-Ichi | Method and apparatus for measuring LSAW propagation characteristics |
CN101390309A (zh) * | 2004-09-07 | 2009-03-18 | 探索无线公司 | 无线移动单元定位系统 |
CN204794740U (zh) * | 2015-06-03 | 2015-11-18 | 深圳嘉睿悦能科技有限公司 | 一种快速充电器电源电路 |
CN106872396A (zh) * | 2016-12-28 | 2017-06-20 | 南京农业大学 | 一种不同近红外仪器测定葡萄糖度模型转换的方法 |
CN107036959A (zh) * | 2017-04-14 | 2017-08-11 | 攀钢集团研究院有限公司 | 钛白粉耐候性快速检测方法 |
Non-Patent Citations (6)
Title |
---|
MAHENDRA KUMAR TRIVEDI 等: "Physicochemical,thermal and spectroscopic characterization of sodium selenate using XRD,PSD,DSC,TGA/DTG,UV-vis,and FT-IR", 《MARMARA PHARMACEUTICAL JOURNAL》 * |
MARK C.PHILLIPS 等: "Real-time trace gas sensing of fluorocarbons using a swept-wavelength external cavity quantum cascade laser", 《ANALYST》 * |
S. GARCIA-SANTAMARINA 等: "Conventional true values compared", 《ACCRED.QUAL.ASSUR.》 * |
王斐: "基于近红外光谱分析技术人血白蛋白生产过程关键环节控制研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
赵晓华 等: "《仪器分析》", 31 January 2015, 北京:中国轻工业出版社 * |
高金波 等: "《分析化学实验指导》", 29 February 2016, 北京:中国医药科技出版社 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113252580A (zh) * | 2021-05-11 | 2021-08-13 | 山东大学 | 原料血浆光谱采集系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109324017B (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Peng et al. | Qualitative and quantitative identification of components in mixture by terahertz spectroscopy | |
Zhang et al. | Rapid determination of leaf water content using VIS/NIR spectroscopy analysis with wavelength selection | |
CN102879353B (zh) | 近红外检测花生中蛋白质组分含量的方法 | |
US6983176B2 (en) | Optically similar reference samples and related methods for multivariate calibration models used in optical spectroscopy | |
Wang et al. | Model fusion for prediction of apple firmness using hyperspectral scattering image | |
Chen et al. | Determination of protein, total carbohydrates and crude fat contents of foxtail millet using effective wavelengths in NIR spectroscopy | |
CN104792722A (zh) | 一种沉香含油率近红外光谱预测模型的建立 | |
Ye et al. | Non-destructive prediction of protein content in wheat using NIRS | |
JP2004528083A (ja) | 非侵襲的血液検体予測のための局所化された較正モデルを構築する多段階方法 | |
CN102590129B (zh) | 近红外检测花生中氨基酸含量的方法 | |
CN107440684A (zh) | 用于预测分析物的浓度的方法和设备 | |
WO2001053804A1 (en) | Non-invasive in-vivo tissue classification using near-infrared measurements | |
JP2003524761A (ja) | 分光学的な較正モデルを作るための方法及び装置 | |
WO2017084119A1 (zh) | 一种具有无测点温度补偿功能的近红外物性参数测量方法 | |
Zhu et al. | Wavelength selection of hyperspectral scattering image using new semi-supervised affinity propagation for prediction of firmness and soluble solid content in apples | |
CN104990895B (zh) | 一种基于局部区域的近红外光谱信号标准正态校正方法 | |
CN111044483A (zh) | 一种基于近红外光谱的奶油中色素测定方法、系统和介质 | |
CN106018331B (zh) | 多通道光谱系统的稳定性评价方法及预处理优化方法 | |
CN106950192A (zh) | 一种基于近红外光谱分析技术的植物蛋白饮料中主要成分含量快速检测的方法 | |
Jiang et al. | Qualitative and quantitative analysis in solid-state fermentation of protein feed by FT-NIR spectroscopy integrated with multivariate data analysis | |
CN109374548A (zh) | 一种利用近红外快速测定大米中营养成分的方法 | |
CN110398473A (zh) | 一种农产品产地检测方法及系统 | |
CN108548794A (zh) | 一种生物制品近红外模型转移方法 | |
CN110210005A (zh) | 一种无参考值的光谱波数选择方法 | |
CN109324017A (zh) | 一种提高近红外光谱分析技术建模光谱质量的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |