有效的人工智能算法用于现场对Angelica sinensis进行歧视
Jianan Yue1, Tingting Feng1, Liang Zhong1
1NMPA Key Laboratory for Technology Research and Evaluation of Drug Products, School of Pharmaceutical Sciences, Cheeloo College of Medicine, Shandong University, Jinan 250012, China; Key Laboratory of Chemical Biology (Ministry of Education), Shandong University, Jinan 250012, China.
Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
|September 21, 2025
概括
近红外 (NIR) 光谱学有效地识别了安吉利卡辛尼斯的药用部分. 一个卷积神经网络 (CNN) 模型在不同的光谱仪中展示了多功能性,以准确地分类传统中国医学.
科学领域:
- 分析化学 分析化学
- 化学测量 化学测量 化学测量
- 药理学是指药理学,即药理学是指药理学.
背景情况:
- 天使是一种有价值的传统中医药 (TCM),具有独特的药用部分 (身体,头部,尾部).
- 不同的Angelica sinensis部分之间存在化学组成和药理作用的显著差异,需要准确的识别.
- 目前对TCM部件的分类方法缺乏明确的特征,影响质量控制和有效性.
研究的目的:
- 开发和评估快速分类方法,以识别Angelica sinensis的药用部分.
- 为了比较本次分类任务的基板和微型近红外 (NIR) 光谱仪的性能.
- 评估经典机器学习算法的有效性和用于光谱分析的卷积神经网络 (CNN).
主要方法:
- 使用了基板和四个微型近红外 (NIR) 谱仪来采集光谱数据.
- 应用了经典的机器学习算法,包括部分最小平方区分分析 (PLSDA) 和支持向量机 (SVM).
- 开发了一个卷积神经网络 (CNN) 分类模型,用于识别Angelica sinensis的三个药用部分.
主要成果:
- 在NIR光谱仪中,性能各不相同,一些微型设备在准确分类TCM材料方面存在局限性.
- 拟议的CNN框架在不同的光谱仪配置中展示了多功能性.
- 富里埃变换和微型NIR光谱仪,加上化学分类器,都被证明适合评估Angelica sinensis的部分.
- 通过消除复杂的参数调整,CNN模型有效地减少了计算负担.
结论:
- 近红外 (NIR) 谱学,特别是使用CNN等先进的化学测量模型,是快速准确识别Angelica sinensis药用部件的可行工具.
- 微型NIR光谱仪看起来很有前途,但对于特定的TCM分类任务需要仔细选择和验证.
- 开发的CNN方法为TCM质量控制中的光谱分析提供了一个强大的和可适应的解决方案,适用于各种光谱仪器.
