在Xuefu Zhuyu口服液提取过程中在线检测Q标记度,使用多源跨度NIR注意力融合神经网络
Daolong Liu1, Lele Gao2, Zihao Cui1
1School of Mechanical Engineering, Shandong University, Jinan 250061, China; Key Laboratory of High Efficiency and Clean Mechanical Manufacture, Ministry of Education, Jinan 250061, China.
概括
一个新的多源跨度注意力融合网络 (MSCAF-Net) 改进了近红外 (NIR) 光谱技术,用于中国传统医学 (TCM) 的质量控制. 这种先进的模型提高了TCM提取物中关键化合物的实时监测准确度.
科学领域:
- 分析化学 分析化学
- 频谱学是一种光谱学.
- 过程分析技术 (PAT) 是一种分析技术.
背景情况:
- 近红外 (NIR) 光谱对于传统中医 (TCM) 生产的实时质量监测至关重要.
- 工业环境引入噪音和温度波动等干扰因素,降低NIR模型的准确性和一致性.
- 现有的方法与光谱数据的不稳定性和基线漂移作斗争,限制了可靠的质量控制.
研究的目的:
- 开发一种先进的深度学习模型,用于对TCM提取物中的质量标记物 (Q-Marker) 度进行强大而准确的实时预测.
- 通过融合来自多个来源的数据来克服单光谱仪NIR模型的局限性.
- 提高工艺分析技术 (PAT) 在TCM制造中的精度和可靠性.
主要方法:
- 提出了一个多源跨尺度注意力融合网络 (MSCAF-Net),集成来自两个不同的NIR光谱仪的光谱数据.
- 实施了跨尺度特征提取模块和多头注意力机制,以实现有效的特征融合.
- 采用了三层卷积神经网络,用于基于回归的Q标志物度预测.
主要成果:
- 在Xuefu Zhuyu口服液 (XZOL) 中的naringin,paeoniflorin和amygdalin的定量预测中,MSCAF-Net表现出卓越的性能.
- 在三个Q标记器中获得了高R2值 (0.9870,0.9723,0.8953),超过了单光谱仪和最近的基于融合的方法.
- 该模型有效地降低了信号噪声比,并提高了预测准确性和稳定性.
结论:
- 通过有效地融合多源NIR光谱数据,MSCAF-Net为TCM生产的实时质量控制提供了重大进步.
- 拟议的网络架构在具有挑战性的工业环境中提高了NIR光谱分析的稳定性和准确性.
- 这种方法具有实际价值,可以确保TCM制造中的批量一致性和质量保证.
