基于红外光谱数据的中药药性识别研究

目的 探讨中药红外光谱与药性的相关性.方法 以红外光谱数据为分类指标,用主成分分析提取主成分,然后采用交叉验证法对不同药性中药进行交叉训练,建立中药药性的预测模型.结果 该模型对预测集中平性药的识别正确率为83.33%,对非平性药的识别正确率为82.5%,总正确率82.89%,结论中药红外光谱与药性具有一定的相关性.     

基于近红外漫反射光谱和PCA-SVM算法快速鉴别炉甘石

目的:利用主成分分析(PCA)和支持向量机(SVM)算法,建立炉甘石生品、伪品及炮制品的近红外漫反射光谱(NIRS)鉴别模型。方法:采集炉甘石生品、伪品及炮制品的NIRS,选取特征谱段,优选光谱预处理方法及最佳主成分数,建立PCA-SVM鉴别模型。结果:在7 500～4 000 cm-1谱段,以一阶导数法(FD)为最佳光谱预处理方法,PCA提取的光谱前5个主成分为最佳主成分,并经网格搜索算法确定惩罚因子c=0. 25,核函数参数g=8为最佳SVM内部参数,建立炉甘石PCA-SVM鉴别模型。该模型五折交叉验证准确率100%,且模型对训练集和测试集样品预测正确率亦均达100%。结论:基于PCASVM算法所建立的炉甘石NIRS鉴别模型预测准确率高,结合固体粉末漫反射技术无损、快速的优点,该模型可用于炉甘石生品、伪品及炮制品的无损、快速鉴别。     

基于拉曼光谱技术的白芍药汤剂的光谱特性分析

目的:分析测定单味白芍饮片汤剂中的化学成分.方法:分别采集7批次白芍饮片、5批次白芍药材、5批次赤芍饮片制备所得汤剂的拉曼光谱,并进行初步谱峰归属,分析白芍饮片汤剂与白芍药材汤剂的拉曼光谱,对比白芍饮片汤剂和同属药物赤芍饮片汤剂的拉曼光谱.结果:白芍饮片汤剂拉曼光谱在637,783,847,981,1 091,1 128,1 336,1 458,1 636cm-1处出现9个拉曼信号.白芍药材汤剂拉曼光谱中的783,981,1 128,1 336,1 458 cm-15个拉曼峰同样存在于白芍饮片汤剂的拉曼光谱中,633,1 633 cm-1拉曼峰发生微小频移,而716,737,835,916,1 072,1 271,1 600 cm-1等拉曼峰消失.此外白芍饮片汤剂和同属药物赤芍饮片汤剂的拉曼光谱存在较大差异.结论:拉曼光谱可能为白芍药或其他中药汤剂提供一种快速的化学成分检测方法.     

基于NIRS技术和PCA-SVM算法6种树脂及其他类中药的快速鉴别

目的:利用近红外漫反射光谱(NIRS)法,结合主成分分析(PCA)和支持向量机(SVM)联用算法,建立6种树脂及其他类中药安息香(Benzoinum),琥珀(Succinum),没药(Myrrha),乳香(Olibanum),松香(Colophonium),天竺黄(Bambusaen Concretio Silicea)的NIR模式识别模型,用于该6味中药的快速鉴别。方法:收集上述6种中药样品,经性状鉴别和理化分析确定正品药材55批,粉碎成均匀粉末,在4 000~12 000 cm~(-1)光谱区,采集各样品粉末的NIR光谱,选取特征谱段9 000~5 400,5 000~4 000 cm~(-1)为建模谱段,分别采用矢量归一化法(vector normalization,VN),一阶导数法(first derivative,FD),二阶导数法(second derivative,SD)3种不同光谱预处理方法进行预处理并分别进行PCA降维。根据主成分空间散点图,优选最佳预处理方法。利用最佳预处理方法处理后光谱的PCA降维数据,建立SVM模式识别模型,SVM模型参数c和g采用网格搜索法结合五折交叉验证进行寻优。对比不同主成分数所建PCA-SVM模型的预测准确率,确定最佳的主成分数,最终建立6种中药NIR快速鉴别模型。结果:在9 000~5 400,5 000~4 000 cm~(-1)建模谱段,确定最佳光谱预处理方法为SD,SD预处理光谱PCA降维后,确定最佳主成分数为3个,累计贡献率达93.57%。经网格搜索法确定最佳SVM建模参数组为c=65 536,g=512。所建PCA-SVM模型对训练集和验证集样品预测正确率均达100%,模型五折交叉验证准确率亦达100%。结论:所建的6种中药NIR光谱PCA-SVM鉴别模型,预测准确率高,模型预测能力强,结合NIRS技术无损、快速的优点,该模型可用于上述6种中药的无损、快速鉴别。     

SVM方法在《伤寒论》方小样本分类识别中的应用

支持向量机(Support Vector Machine,SVM)方法是V.N.Vapnik等人20世纪60年代提出的基于统计学习理论的新型学习方法,到90年代中期,这一理论才开始受到越来越广泛的重视,并且这一新的理论方法在解决模式识别中小样本、非线性及高维识别问题中表现出独特的优势和良好的应用前景[1].对于SVM方法用于分类研究的高效性和准确率,国外有人已经将其与16种已有的分类方法进行了比较,得出SVM方法最优的结论[2].目前该方法已在很多领域得到了广泛应用,如人脸检测[3]、文本自动分类[4]、生物信息学[5]、医疗诊断[6]等等.笔者针对<伤寒论>类方小样本分类识别问题,对该方法进行了初步实验,结果表明该方法具有较好的识别性能.     

便携式拉曼光谱仪用于解热镇痛类药品主成分识别的研究

 目的研究便携式拉曼光谱仪对解热镇痛类药品主成分的识别能力。方法应用TruScan便携式拉曼光谱仪,采用对照品建立图谱库,并检测相应制剂的拉曼光谱,通过图谱比对以识别主成分。结果该类药品主成分对照品图谱峰形良好,特征性强,均可成功建库;测试表明,原料药均可准确识别,制剂中主成分的准确识别率达到82%,另外18%受主成分含量较小及制剂中辅料强荧光干扰的影响而未能识别出主成分。结论便携式拉曼光谱仪以其检测速度快、准确率高、使用简便、无样品前处理且数据处理识别自动化等显著优势,有望成为药品日常监督中一种有效的鉴别手段。     

基于支持向量机的中药升降浮沉药性识别模型

目的 中药升降浮沉药性判别,建立中药升降浮沉药性与中药成分的相关关系。方法 依据已有结论“中药寒热药性的物质基础是中药成分”提出假说：中药升降浮沉药性的物质基础也是中药成分。实验筛选54味升降浮沉药性明确的中药作为研究对象,通过紫外指纹图谱表征中药成分,应用主成分分析(PCA)提取药性相关的成分信息,引入支持向量机(SVM)算法建立具有中医药特色的中药升降浮沉药性判别模型。结果 基于交叉验证和网格寻优算法,支持向量机算法参数c和g都为0.5时模型最优,训练集分类准确率为80.77%,测试集分类准确率为80%,模型稳定性评价的ROC曲线下面积为0.832。结论 经实验验证,此实验构建的判别模型稳定性较好,判别模型可行有效。     

矿物药白硇砂和紫硇砂的XRD、拉曼及近红外光谱特征研究

目的:分析矿物药白硇砂和紫硇砂的X衍射(XRD)、拉曼(Raman)和近红外(NIR)光谱特征,明确其物相组成,为该两种药材及其易混淆品提供快速有效的鉴别方法。方法:采集白硇砂、紫硇砂共17批样品的XRD图谱,通过寻峰和物相检索确定其物相组成;在此基础上,分析样品的拉曼光谱特征,计算白硇砂和紫硇砂的平均光谱数值和相关系数,建立二者的拉曼光谱标准图谱。此外,还对二者的近红外光谱鉴别方法进行了初步探索。结果:XRD分析显示,白硇砂主要成分为氯化铵,尚含较多氯化钠;紫硇砂主要成分为氯化钠。同种药材之间,拉曼光谱相似度较高(相关系数均大于0.9)。此外,白硇砂近红外光谱特征峰明显且峰型较好,紫硇砂则无显著特征峰。结论:XRD分析可快速确定矿物药白硇砂和紫硇砂的物相组成;二者拉曼光谱具有良好的专属性,适于建立标准对照光谱特征图。白硇砂和紫硇砂的光谱特征的建立,为今后安全有效地应用该药材提供了有效依据。     

基于拉曼光谱的平性中药辨识研究

目的：秉承中医药整体观念,开展平性药拉曼谱图与平性的相关性分析,实现平性辨识。方法：以中药拉曼光谱数据为分类指标,基于平均基尼系数降低度开展特征拉曼数据筛选,结合随机森林（RF）、支持向量机（SVM）、逻辑回归（LR）、人工神经网络（ANN）、贝叶斯网络（NN）算法建立平性辨识模型,同时采用交叉验证法对建立的辨识模型进行分析。结果：与SVM、LR、ANN、NN模型相比,以基尼系数排名前100的拉曼数据所建立的RF模型展现出最佳的辨识效果,准确度和精确度均大于0.93,受试者工作特征曲线下面积（AUC）>0.95。结论：平性药拉曼谱图与平性之间具有显著相关性,可作为药性表征,结合随机森林算法高效、准确地辨识平性中药,为平性的客观存在、可入性味提供有力依据。     

基于支持向量机的中药片剂包衣质量分析

目的:为片剂包衣质量建立基于支持向量机的近红外快速检测方法。方法:以乳块消片的糖衣层为研究对象,采集其包衣过程中的近红外光谱数据,以sample set partitioning based on jointx-ydistance(SPXY)法选取训练集样本,以间隔主成分分析法(internal PCA,iPCA)选择最佳波长范围,建立基于支持向量机的快速定性模型,并对不同的光谱预处理方法进行了比较。结果:预测正确率为98.81%。结论:所建模型正确率高,外推能力强,该方法可用于片剂包衣质量的快速质量评价。     

基于支持向量机的中风病中医证候分类

目的:研究基于机器学习的中风病中医证候分类模型,推进中医证候分类的数字化、自动化与智能化.方法:利用支持向量机(SVM)、BP神经网络与梯度提升决策树(GBDT),以年龄、性别、身高、体质量与临床中风病常见的症状,包括中风主要症状、舌象、脉象数据作为输入,以中风临床常见证候——气虚血瘀证的判断作为输出,建立中风病中医证...     

基于1H-NMR的灵芝产地分类与识别方法研究

目的:通过核磁共振波谱(NMR)识别灵芝产地。方法:利用正交偏最小二乘判别分析(OPLS-DA)对四个不同产地128个灵芝样品的¹H-NMR核磁数据进行分析,并导入支持向量机(SVM)模型进行识别计算。结果:不同产地灵芝按地理来源全部正确分类,模型主成分累计贡献率R²X高达0.968,Q²值达到了0.917,表明所构模型区分能力和预测能力较好,基于核磁数据分类方法可行。进一步将灵芝核磁积分数据导入支持向量机(SVM)进行模式识别,测试集数据100%正确识别,输出数字结果。结论:核磁共振技术与支持向量机联用提供了一种灵芝产地识别的快捷方法,该方法可为中药材的品质分析提供借鉴。     

结合PLS-DA与SVM的近红外光谱软测量方法

为了提高近红外光谱分析精度,提出结合偏最小二乘判别分析(PLS-DA)与支持向量机(SVM)的软测量方法(PLS-DA-SVM).该方法利用一组由不同类别组成的训练样本,引入二叉树进行多重分类,节点分类器由PLS-DA方法建立;利用偏最小二乘支持向量机(PLS-SVM)建立每类样本的定量模型.预测时,用PLS-DA分类树对待测样本进行分类,选择相应的PLS-SVM模型进行定量分析.实验利用PLS-DA-SVM方法和近红外光谱数据建立汽油的研究法辛烷值软测量模型,针对2个批次共计57个成品汽油样本进行蒙特卡洛交叉检验.结果表明,对汽油牌号进行识别,平均分类错误率为0.07％,低于其他常用分类方法;对研究法辛烷值进行预测,均方误差达到0.243,复相关系数达到0.991,较PLS、LS-SVM等方法有显著提高.     

基于拉曼光谱的绞股蓝总皂苷色谱洗脱过程在线监测方法研究

目的 为实现绞股蓝总皂苷(Gynostemma pentaphyllum saponins,GPS)色谱洗脱过程实时监测,保障纯化过程绞股蓝总皂苷质量一致性。方法 采集色谱洗脱过程7批共计237个样本的拉曼光谱,将其中5批用于建模,2批用于外部测试,以总皂苷质量浓度、总固体量和人参皂苷Rb3(Rb3)质量浓度为指标,采用高斯过程回归(Gaussian process regression,GPR)法建立定量模型,并将GPR模型与偏最小二乘回归及支持向量机回归定量模型进行性能对比。结果 基于拉曼光谱技术结合GPR,建立了其洗脱过程的多指标定量校正模型。总皂苷质量浓度、总固体量和Rb₃质量浓度3个指标的GPR模型均具有更高的决定系数(R2),训练集R2均为1.00,验证集R2分别为0.953、0.986、0.939,以及更低的误差均方根(root mean square error,RMSE),训练集RMSE分别为70.4、224.0、31.6μg/mL,验证集RMSE分别为3.02、2.03、1.19 mg/mL。GPR模型在外部测试集的结果为总皂苷质量浓度、总固体...     

基于拉曼光谱的中药辛味辨识方法研究

目的：基于中药拉曼光谱的检测分析,测得拉曼光谱数据进行特征选择并建立辛味辨识模型。方法：132种辛味中药及156种非辛味中药经样品前处理后,利用SEED 3000拉曼光谱仪分析,得到每味中药的拉曼谱图,并以1 cm-1为单位量化;对量化后的拉曼数据进行基于随机森林（RF）和极端梯度提升（XGBoost）算法的特征选择,筛选出与辛味密切相关的特征拉曼位移及其峰强,然后基于RF、K近邻（KNN）、梯度提升算法（GBM）、朴素贝叶斯（GNB）、自适应提升算法（AdaBoost）5种分类算法建立辨识模型并对模型进行评价。结果：相较于非辛味中药,辛味中药在2 500~3 000 cm-1范围内呈现出高强度的拉曼散射;基于RF算法和XGBoost算法筛选重要性排序在前100的拉曼位移数据为特征,在所有模型中GBM算法所建立的分类模型表现出最佳效能,曲线下面积（AUC）为0.978,准确率为0.943,精确度为0.970。结论：中药拉曼谱图与辛味药性具有显著的相关性,可作为辛味药性整体量化表征,结合GBM算法可以进行高效、准确地对药性进行辨识分析。     

中药指纹图谱识别的机器学习算法研究

研究中药指纹图谱的模式识别问题,首先要通过提取图谱特征参数建立不同批类中药样本的映射关系模型,再根据智能模式分类方法,对待识别药材样本的质量、真伪、药物性状等特征进行判别.本文对机器学习算法进行了深入的研究,对其中最有代表性的人工神经网络与支持向量机等方法进行了分析,与常见的聚类分析法和近邻法进行了比较,并指出各自的优点和不足.     

基于拉曼光谱的中药归肝经辨识方法研究

目的 基于归肝经（含其他经）与非肝经（不含肝经的其他经）中药拉曼谱图的比对分析,获取肝经量化表征精准数据,建立肝经辨识模型并展开分析。方法 以120味非肝经（不含肝经的其他经）中药为空白对照,120味肝经（含其他经）中药为试验药,经处理后分别进行拉曼光谱检测,得到240味中药的拉曼谱图,并以1 cm-1为单位进行量化处理。然后结合随机森林（Random Forest,RF）、人工神经网络（Artificial Neural Network,ANN）等算法建立肝经量化表征辨识模型。结果 与非肝经（不含肝经的其他经）中药相比,含肝经中药的拉曼强度普遍较低,尤其在200-1100 cm-1范围内;以拉曼量化数据结合ANN呈现出最佳辨识效果,准确度和精确度>0.871,绘制受试者工作特征曲线（Receiver operating characteristic curve,ROC）,并获取相对应曲线下面积（Area under ROC curve,AUC）,AUC>0.921。结论 中药拉曼谱图与肝经具有显著相关性,可作为肝经整体量化表征,结合ANN高效、准确地开展辨识分析,有利于解...     

基于AOTF-近红外光谱技术的川贝母药材即时快速鉴别研究

目的探索建立一种针对川贝母药材的即时快速分析方法。方法收集贝母类药材共81批,应用便携式AOTF近红外光谱仪采集其光谱,通过主成分分析法(PCA)分别对贝母类药材、川贝母类药材及商品"松贝"与伪品进行快速鉴别。结果该方法实现了川贝母类药材与非川贝母药材的快速鉴别,能有效区分川贝母类药材,并可快速甄别"松贝"及其混伪品。结论该方法是一种简便、快速、低耗、无损的新型分析技术,能用于川贝母类药材的快速鉴别。     

近红外光谱技术结合化学计量学应用于川贝母真伪与规格的快速辨识研究

目的 探究近红外光谱技术应用于川贝母Fritillariae Cirrhosae Bulbus快速辨识的可行性。方法 收集80个川贝母待测样品(含炉贝、松贝、青贝及川贝母伪品等),为获取上述样品的真伪和规格信息,首先进行传统人工鉴别(M₁法)与《中国药典》法鉴别(M₂法),并以M₁法和M₂法相结合的辨识结果作为标杆信息(Y);近红外光谱仪采集待测样品粉末的光谱信息(X),结合主成分分析-判别分析(principal component analysis-discriminant analysis,PCA-DA)、偏最小二乘-判别分析(partial least squares discriminant analysis,PLS-DA)、最小二乘支持向量机(least squares support vector machines,LS-SVM)3种化学计量学方法建立并优化真伪及商品规格辨识模型[Y=M(X)](M₃法)。结果 80个样品均参与真伪辨识,经留一法交互验证,结果发现...     

基于稳定同位素技术的竹节参产地识别研究

目的 利用稳定同位素质谱测定6个产区的竹节参Panax Japonicus中碳、氮、氢、氧4种同位素比率。方法 采用基于机器学习分类器的线性判别法（LD）,高斯核支持向量机（SVM）和基于神经网络工具箱的模式识别反向传播学习算法（BPN）对竹节参的产地进行判别。结果 结果表明,稳定同位素碳（d¹³C）具有明显的地域特征,可有效地区分竹节参产地;LD法和BPN法均能区分6个产地的竹节参,判定准确率均达100%。结论 基于稳定同位素技术并结合LD和BPN法能有效进行竹节参的产地溯源。