ResD-Net:一种使用FT-IR光谱学快速预测根抗氧化活性的模型

科学领域:

• 植物化学 植物化学
• 分析化学 分析化学
• 计算化学计算化学

背景情况:

• 珍草因其宝贵的抗氧化特性而闻名.
• 目前评估根抗氧化活性的方法是破坏性的和低效的.
• 需要快速,非破坏性的分析技术.

研究的目的:

• 开发一种快速而准确的方法来预测根的抗氧化活性.
• 为了利用FT-IR光谱和化学测量来进行这种预测.
• 为了比较用于光谱数据分析的机器学习和深度学习模型.

主要方法:

• 福利埃变换红外 (FT-IR) 光谱法被采用,以从根样本中获取光谱数据.
• 化学测量方法,包括机器学习和深度学习模型,用于分析光谱数据.
• 一个深度学习模型,ResD-Net,结合双网和剩余连接,被开发和优化.

主要成果:

• 与传统的机器学习模型相比,深度学习模型表现出卓越的性能.
• ResD-Net模型实现了高精度,其中R2 = 0.933,RMSE = 0.02,RPD = 3.856.02,其中R2 = 0.933,RMSE = 0.02,RPD = 3.856.
• 改进的模型有效地提取特征,并减轻梯度消失问题.

结论:

• 拟议的FT-IR光谱与化学测量相结合,提供了一种快速而准确的方法来预测根的抗氧化活性.
• ResD-Net深度学习模型显示了植物产品定量分析的巨大潜力.
• 这种方法为传统测试提供了一个非破坏性的替代方案,使高效的质量控制和研究成为可能.