在Stephania tetrandra根中进行现场原产区分和化物量化

科学领域:

• 分析化学
• 光谱学
• 化学测量

背景情况:

• 确保药用植物的质量和安全需要在整个供应链中使用强大的选工具.
• 目前的原产地和成分分析方法可能耗时且具有破坏性.

研究的目的:

• 开发一个便携式近红外光谱系统,用于药用植物的快速,非破坏性分析.
• 区分地理来源和量化Stephania tetrandra根中的化合物成分.

主要方法:

• 开发一个便携式NIR光谱系统.
• 化学测量技术的应用包括光GBM,部分最小平方回归 (PLSR),反向传播神经网络 (BPNN) 和随机森林 (RF).
• 数据预处理方法,如萨维茨基-戈莱 (S-G) 滑和第二导数 (2nd der. 使用了多尺度卷积神经网络 (MSC) 和标准化正常变量 (SNV).

主要成果:

• 轻GBM分类器实现了100%的准确性和地理来源歧视的F1分数为1.
• 最佳模型 (CARS-MSC-RF,全MSC-BPNN,全SNV + 2nd der.-BPNN) 准确预测了马格诺,素和四氨酸的度.
• 配对的T测试显示预测和实际化物值之间没有显著差异 (p > 0.05).

结论:

• 便携式NIR光谱为药用植物的地理来源提供了一种高效可靠的方法.
• 这项技术可以准确量化类成分,对于工业质量控制至关重要.
• 开发的系统支持从田间到市场的整个药用植物供应链.