[基于高光谱成像技术的Magnoliae Officinalis Cortex的地理原产地歧视]

科学领域:

• 化学测量 化学测量 化学测量
• 频谱学是一种光谱学.
• 药理学是指药理学,即药理学是指药理学.

背景情况:

• 马格诺莉亚 (Magnoliae Officinalis Cortex,MOC) 是一种广泛使用的药用树皮,其质量因地理来源而有显著差异.
• 由于微妙的差异,使用传统的宏观方法来区分MOC起源是具有挑战性的.
• 准确的来源识别对于确保MOC质量和治疗疗效至关重要.

研究的目的:

• 开发和评估高光谱成像与化学测量方法相结合,以区分MOC的省份来源.
• 为了比较不同机器学习模型和原产地歧视数据预处理技术的性能.
• 研究特征波长选择的有效性,以提高模型效率和准确性.

主要方法:

• 从26个生产区域的MOC样品的外表面,横截面和内表面收集了超光谱数据.
• 应用了六种光谱预处理算法进行denoising,随后使用部分最小平方差异分析,支持向量机,随机森林和极端梯度提升进行建模.
• 用竞争性适应性重权取样,连续投影算法和非信息变量消除来提取特征波长.

主要成果:

• 最优的单面模型利用了内部表面数据 (95.68%的准确度),而双面模型则结合了内部和横截面数据 (95.99%的准确度).
• 三面组合模型 (内部,截面,外部) 实现了最高的预测准确率97.22%.
• 特性波长模型的准确性与全频段模型相似,三面组合模型的准确性达到97.53%.

结论:

• 超光谱成像与机器学习相结合,提供了一种快速有效的方法来区分MOC的起源.
• 来自多个表面 (内部,截面,外部) 的数据的结合显著提高了原产地歧视的准确性.
• 特性波长选择可以保持高预测准确度,同时提高模型效率,为MOC质量控制提供强大的方法.