深度学习辅助的拉曼光谱量化Curcuma kwangsiensis中全部烯的量化

科学领域:

• 分析化学 分析化学
• 化学测量 化学测量 化学测量
• 频谱学是一种光谱学.

背景情况:

• 烯是中国传统医学 (TCM) 中的重要化合物,如Curcuma kwangsiensis.
• 精确量化总烯含量对于TCM质量控制和地理可追溯性至关重要.
• 对于复杂的自然产品,现有的方法可能耗时或缺乏效率.

研究的目的:

• 开发一种快速有效的策略来量化Curcuma kwangsiensis.中的总烯含量.
• 建立一个强大的定量工具来评估TCM和支持现场质量控制.
• 探索先进化学测量模型在天然产品分析中的应用.

主要方法:

• 结合拉曼光谱与残余-挤压-激发一维卷积神经网络 (Res-SE 1D-CNN).
• 从26个批次的6个生产领域构建了1400个频谱的数据集.
• 使用高性能液态染色学 (HPLC) 验证的主要类,并使用基于紫外线的总含量作为参考.
• 执行密度函数理论 (DFT) 计算以验证拉曼峰和光谱赋值.

主要成果:

• 该Res-SE 1D-CNN模型实现了卓越的预测准确性 (R2 = 0.998,RMSE = 0.360).
• 与部分最小平方回归,支持向量机和反向传播神经网络模型相比,表现明显更好.
• 成功验证了Germacrone的理论拉曼峰,支持光谱带分配.

结论:

• 开发的Res-SE 1D-CNN策略提供了一个强大的,准确的方法,用于在Curcuma kwangsiensis.
• 这种方法为TCM的地理可追溯性和快速现场质量控制提供了实际支持.
• 该方法有可能扩展到其他自然产品的多标记分析.