红外光谱数据融合对栽培滇重楼产地鉴别*

目的 多样的环境因素使得不同产地栽培滇重楼的化学成分也丰富多样，不同居群栽培滇重楼的甾体皂苷类成分具有很大的差异，多源数据融合分析能更全面的表征药材化学信息，建立一个高效而准确的产地鉴别模型，为其资源合理开发利用提供依据。方法 以来自云南和四川的8个产地（保山、楚雄、大理、红河、丽江、成都、文山、玉溪）共366份栽培滇重楼根茎为实验材料，采集其傅里叶变换近红外光谱（FT-NIR）和衰减全反射-傅里叶变换中红外光谱（ATR-FTMIR）数据。采用Kennard-Stone算法将不同产地的样品分为2/3的训练集和1/3的预测集，基于4种特征变量提取方法（CARS、VIP、SPA、SO-Covsel）结合2种数据融合策略（低级数据融合和中级数据融合），建立偏最小二乘产地判别分析模型。根据模型参数交叉验证均方根误差（RMSECV）和预测均方根误差（RMSEP）评估模型的稳定性，模型训练集和预测集准确率（ACC）评估模型分类性能。结果 近红外光谱和中红外光谱均能反应不同产地栽培滇重楼的化学成分差异，在中级数据融合中，基于VIP和SPA提取的特征变量建立的模型正确率均大于94%。相较于中级数据融合，低级数据融合模型得到了最为满意的结果，其预测集分类正确率达到100%。结论 根据近红外和中红外数据建立的低级数据融合PLS-DA模型，能够用于栽培滇重楼的产地鉴别分析。     

基于灰色关联-TOPSIS法的“金银花”类药材品质评价及其多元光谱基原识别研究北大核心CSCD

该研究使用灰色关联-TOPSIS法评价不同基原“金银花”类药材品质,并应用傅里叶变换近红外和中红外光谱技术,结合化学计量学和光谱融合策略,建立不同基原“金银花”类药材识别模型。通过采用高效液相色谱测定6种不同基原“金银花”类药材中新绿原酸、绿原酸、隐绿原酸、咖啡酸、断氧化马钱苷、异槲皮苷、异绿原酸B、异绿原酸A、异绿原酸C的含量,采用灰色关联-TOPSIS法对它们的品质进行评价。此外,采集6种不同基原“金银花”类药材(忍冬、灰毡毛忍冬、红腺忍冬、黄褐毛忍冬、华南忍冬、细毡毛忍冬)的近红外与中红外光谱数据,结合主成分分析(PCA)、支持向量机(SVM)及光谱数据融合技术,确定“金银花”类药材基原识别的最佳方法。结果表明,不同基原“金银花”类药材品质存在差异,其中忍冬与其他5种基原存在显著性差异(P<0.01),细毡毛忍冬与黄褐毛忍冬、灰毡毛忍冬、红腺忍冬的品质存在显著差异(P=0.008、0.027、0.01),而红腺忍冬与华南忍冬品质亦存在显著差异(P=0.001)。基于单一光谱建立的PCA、SVM模型二维图均无法用于“金银花”类药材的有效识别;数据融合结合SVM模型进一步提高识别正确率,中级融合的识别准确率为100%。可见灰色关联-TOPSIS法能用于不同基原“金银花”类药材的品质评价;同时,基于红外光谱数据融合策略,SVM化学计量学模型,能够对不同基原的“金银花”类药材进行准确识别,为该类药材的基原鉴定提供了一种新方法。