近红外高光谱成像技术是一种集成了近红外光谱技术和成像技术的高级分析工具,近年来在农业、食品科学以及传统中药领域的应用日趋广泛。这项技术通常利用光谱仪在成百上千个波长下获取样本的光谱信息。研究者们付出大量努力,目的是识别出那些能为分析提供有用信息的波长(即变量)。选择波长是利用拉曼光谱(Raman)、近红外光谱(NIRS)或高光谱成像(HSI)进行数据分析时的一个关键步骤。
在本研究中,研究人员对识别不同产地的麦冬(Ophiopogon japonicus)的10种不同的波长选择方法进行了比较。所测试的波长选择算法包括连续投影算法(SPA)、载荷权重(LW)、回归系数(RC)、非信息变量消除(UVE)、UVE-SPA、竞争性自适应重加权采样(CARS)、区间偏最小二乘回归(iPLS)、反向iPLS(BiPLS)、前向iPLS(FiPLS)以及遗传算法(GA-PLS)。为了评估识别效果,研究人员建立了一种线性技术,即偏最小二乘判别分析(PLS-DA)。同时,为了对比效果,也提供了一种非线性校准模型,即支持向量机(SVM)。
文章中提到的研究方法均用于分析和选择那些对于麦冬鉴定来说最敏感的波长。这些波长能够反映出麦冬的化学成分和物理特性上的差异,从而帮助区分不同产地的麦冬样本。例如,UVE算法通过消除包含噪声或者不提供有用信息的变量来改善模型的预测能力;CARS算法通过寻找变量的最佳组合来减少冗余,提高模型的效率和准确性;而遗传算法(GA-PLS)则是一种全局搜索算法,能够优化波长选择并提高模型的泛化能力。
麦冬是一种在中医中常用的药材,具有养阴清热、润肺止咳等功效,其质量的好坏直接关系到临床治疗效果的优劣。因此,通过高光谱成像技术来鉴别麦冬的产地和质量就显得尤为重要。准确地选择波长,不仅可以提高鉴定过程的效率和准确性,还能够为中药的标准化生产提供技术支持。
支持向量机(SVM)是一种强大的机器学习算法,它可以用来进行分类或回归分析,已被证明在很多领域都有很好的应用效果。使用SVM与线性技术如PLS-DA进行比较,有助于分析各种模型在麦冬鉴别中的适用性和准确性,从而为高光谱成像技术在中药鉴定方面的应用提供理论依据和实践指导。
总体而言,这项研究为近红外高光谱成像技术在麦冬鉴别中的波长选择提供了参考,并且对于该技术在其他类似药材鉴别应用中同样具有借鉴意义。通过科学的方法和技术手段来提升中药的质量控制水平,是推动传统中药现代化、国际化的重要手段之一。