一个MA-SSA优化的XGBoost-MLP框架使用LIBS快速分类和定量分析传统中医药中的重金属
Abulimiti Yasen1, Yuxia Zhou1, Wenhan Gao2
1Xinjiang Key Laboratory for Luminescence Minerals and Optical Functional Materials, School of Physics and Electronic Engineering, Xinjiang Normal University, Urumqi 830054, China.
Journal of pharmaceutical and biomedical analysis
|December 6, 2025
概括
本研究介绍了用于激光诱导分解光谱 (LIBS) 分析的先进机器学习框架. 这种新的方法显著提高了基本检测的准确性和效率,克服了关键的光谱干扰挑战.
科学领域:
- 分析化学 分析化学
- 频谱学是一种光谱学.
- 机器学习 机器学习
背景情况:
- 激光诱导分解光谱 (LIBS) 提供了快速的元素检测,但面临着光谱干扰,矩阵效应和高维数据的挑战.
- 在LIBS中进行准确的定量分析受到复杂的光谱干扰和依赖于矩阵的信号变化所阻碍.
研究的目的:
- 开发一种新的机器学习框架,以提高LIBS.中的定量分析的准确性和效率.
- 为了解决LIBS数据分析中的光谱干扰和矩阵效应挑战.
主要方法:
- 一个混合机器学习框架,集成XGBoost用于特征选择和多层感知器 (MLP) 用于回归分析.
- 使用多维自适应搜索算法 (MA-SSA) 的MLP模型的超参数优化.
- XGBoost用于自动化光谱变量选择,以减少维度,同时保留关键信息.
主要成果:
- 提出的方法在多类分类任务中实现了100%的准确性,超过了传统方法.
- 在量化检测中,MA-SSA优化的MLP模型显示了4.43μg/g的低根平均平方误差 (RMSE).
- 与其他优化算法相比,该框架显著提高了模型稳定性,预测准确性和融合效率.
结论:
- 集成的XGBoost和MA-SSA优化的MLP框架为LIBS定量分析提供了强大的和高效的解决方案.
- 该研究强调了先进机器学习技术的潜力,以克服LIBS光谱数据分析的局限性.
- 开发的方法为各种领域的实时定量元素检测提供了广泛的应用.
