多種光譜變量篩選算法在紅參提取近紅外建模中的應用

陳 蓓，鄭恩讓*，郭 拓

1. 陜西科技大學電氣與控制工程學院，陜西 西安 710021 2. 陜西科技大學電子信息與人工智能學院，陜西 西安 710021

引 言

紅參屬于傳統的名貴中藥材，國內外廣泛應用于中醫臨床和中藥制劑，具有補氣、 安神、 強心、 抗癌等功效[1]。在紅參提取過程中，由于原料來源、 年份、 工藝、 提取過程質量的控制等差異，會影響中藥材的利用率、 藥物雜質的浸出量和中成藥藥效成分的含量，引起紅參提取物成分含量的批間差異，對后續產品的質量產生重要的影響[2]。按照《中國藥典》2020年版有關規定[3]，用高效液相色譜(HPLC)法測定紅參中人參皂苷含量來評估紅參的質量，該方法具有很高的準確度，但需要化學試劑和一系列的樣品預處理[4]，過程相對復雜、 污染環境且耗時較長，無法滿足紅參提取生產過程現場監控的需求。

近年來，近紅外光譜技術由于環保和快速性等優點，已經成功地應用于食品[5]、 制藥[6]、 化工[7]等領域。劉喚等[8]對近紅外光譜技術在紅參質量控制方面的研究進行了詳細的綜述，肖雪等[9]利用近紅外光譜測定了紅參提取過程中的人參皂苷的成分含量，對1提和2提過程分別建模，含量較低的Rc模型精度有待完善。以上研究證明了近紅外光譜技術在紅參提取過程中對人參皂苷含量監測的可行性，但建模都依賴于儀器本身自帶的光譜分析軟件，精度無法滿足實際需要。呂曉菡等[10]在用近紅外檢測辣椒素的含量中，采用SPA，UVE和CARS三種方法提取特征波長再PLS建模，并于全光譜進行了對比分析。但多種智能的光譜篩選算法結合近紅外光譜技術，應用于中藥提取過程建模鮮有研究。

本文在紅參乙醇回流提取過程中，在線采集提取液的近紅外光譜，結合高效液相測定的人參皂苷含量參照值，以提取液中高含量的Rg1和含量低的Rc為對象，剔除異常樣本，進行光譜預處理，利用競爭適應性重加權采樣法、 無信息變量消除法、 隨機蛙跳算法和連續投影算法優選波長變量，再建立PLS模型，實現紅參提取生產過程中質控成分的在線監控，選出最優的波長篩選算法，并對比驗證了該算法的穩健性，為實現快速簡便的紅參提取液質量監測提供技術參數。

1 實驗部分

1.1 儀器和材料

SupNIR4510型近紅外光譜儀(聚光科技(杭州)有限公司)，Ultimate3000型高效液相色譜儀(美國Thermo公司)，Mill-Q純水系統(美國Milllipore公司)，XS-105型電子天平(Mettler-Toledo公司)，Matlab2018(美國MathWorks公司)，紅參藥材樣品(神威藥業有限公司)，人參皂苷Rg1和Rc對照品(成都曼斯特生物科技有限公司)，乙腈(色譜純，美國Fisher公司)。

1.2 數據采集

藥材經過選擇，清洗，精制等初步處理，通過與一定濃度的乙醇水溶液加熱回流提取。采用NIRS在線儀器對紅參提取過程進行監控。采集了提取過程中的三批樣本，所有樣本均為前兩次提取過程的提取液，總共128個。光譜儀的掃描范圍為1 000～2 499 nm，每四分鐘采樣一次，分辨率為1 nm，采用透射方式，每個樣品掃描三次，將平均值作為最終原始光譜數據，并將導出數據存儲在EXCEL表格中。

在近紅外光譜儀監控的同時，對所采集的紅參提取液進行HPLC分析。以提取液中人參皂苷含量高的Rg1、 和含量低的Rc為參考對象，使用比色法在207 nm的檢測波長為下進行測量，并讀出待測樣品的含量，將其作為近紅外光譜分析的對照值。

1.3 建模方法和評價

近紅外光譜分析技術是一種間接的分析手段，采集光譜數據的同時，必須通過國家標準的方法檢測出成分含量作為參考值，剔除異常點和對光譜進行預處理，然后應用光譜篩選算法優選波長變量，再應用偏最小二乘(partial least squares，PLS)建立定量模型并評價可行性，最后再用所建模型對未知的樣品進行定量分析，紅參提取液的人參皂苷成分建模的步驟如圖1所示。

1.3.1 光譜波長變量篩選

近紅外光譜包含有關樣品性質的豐富信息，每個光譜都包含了許多波長點，但其存在譜帶寬、 不同組分的峰信息重疊且彼此干擾，因此直接用近紅外光譜建模是困難的，必須先進行特征波長優選，然后才能將其用于定量建模。本文中采用的特征波長篩選算法有競爭適應性重加權采樣法、 無信息變量消除法、 連續投影算法、 隨機蛙跳算法。

競爭適應性重加權采樣法(competitive adaptive reweighted sampling, CARS)是由梁逸曾教授的課題組在2009年提出的[11]。當CARS使用MC采樣時，在每次迭代中都會再次隨機選擇校正集樣品，使用指數衰減函數強制選擇波長，然后使用自適應性重加權方法優化波長變量，挑選交互驗證均方根誤差最小的變量子集。無信息變量消除法[12](uninformative variable elimination，UVE)基本原理是在原始近紅外光譜之后添加人工白噪聲信號，再根據噪聲信號的穩定性給定一個閾值，然后刪除波長變量中比此閾值小的變量，并保留其余的波長變量。連續投影算法[13](successive projection algorithm，SPA)屬于前向選擇變量算法，首先選擇一個波長變量作為初始值，計算該變量在其余變量上的投影，將最大投影向量對應的波長作為新的待選變量，依次迭代，直到內部交互驗證均方根誤差達到最小，能最大限度地消除光譜變量之間的共線性。隨機蛙跳算法(random frog, RF)是一種后啟發式群體優化算法，是Eusuff等[14]為解決組合優化問題而提出的。該算法也是以優化校正模型的預測精度為目標，把各波長在循環計算中被選擇的概率作為基準，通過循環迭代，選擇概率最高的前十個特征波長建立預測模型。

圖1 紅參提取近紅外光譜技術建模過程流程圖Fig.1 Flow chart of NIRS modeling process ofred ginseng extraction

1.3.2 模型評價

采用下列評價參數[15]：

(1)交叉驗證均方根誤差和預測均方根誤差

(2)決定系數R2

(3)預測相對分析誤差(residual predictive deviation, RPD)

式中，n為校正集或者驗證集的樣本數量，ypi為模型預測值，yi為樣本真實值。通常，好的定量分析模型應具有較低的RMSECV和RMSEP，較高的R2和RPD值。

2 結果與討論

2.1 數據預處理

將在線采集到的128個紅參提取液樣本光譜，用matlab軟件畫出原始光譜如圖2所示。兩次提取液人參皂苷含量差距較大，但從光譜數據中并不能直接區分。

圖2 128份紅參樣品的近紅外原始光譜圖Fig.2 NIR spectra of 128 red ginseng samples

異常樣本的存在會在一定程度上影響模型的適應性和準確性，采用蒙特卡洛采樣法剔除4個奇異數據，剩余124個樣本用作建模。并根據KS(Kennard-Stone)法，按照3∶1對數據集分類，分得校正集93個樣本，驗證集31個樣本，樣本的具體劃分結果及數據統計如表1所示，校正集和驗證集的濃度范圍、 平均值和標準差也非常接近，滿足了對建模樣本進行劃分的要求。

表1 樣本劃分統計表Table 1 Statistical table of sample division

對于紅參提取液的原始光譜，選擇不同的波段并利用標準正態變換(SNV)、 多元散射校正(MSC)、 求導、 卷積、 差分等10種方法對光譜進行預處理，并建立PLS模型驗證。對比最終選擇1 000～2 099 nm波段作為建模的全光譜，1 100個波長，標準正態變換(SNV)預處理方法用來建模。

2.2 篩選特征波長

將SNV預處理后的紅參提取液的近紅外全光譜數據，再利用CARS，UVE，SPA和RF四種方法進行波長篩選，從圖3中可以看出來，四種分析方法，篩選出的波長數目和分布各不相同。

四種方法篩選出的特征波長數目分別為： 57，430，8和10，波長數目大幅度下降，從全光譜的1 100個，分別下降為全光譜的5.2%，39.1%，0.7%和0.9%。

2.3 建模分析對比

2.3.1 不同光譜篩選算法建模效果對比

利用前面提到的四種特征波長篩選算法提取的特征波長，分別建立PLS模型，建模效果對比如表2所示。

圖3 人參皂苷Rg1含量檢測波長優選分布對比圖Fig.3 Comparison of optimal detection wavelength distribution of ginsenoside Rg1 content

表2 不同的特征波長篩選算法PLS模型對紅參皂苷含量建模及性能評價結果Table 2 Different characteristic wavelength variable selection and performanceevaluation results of red ginsenoside content based on PLS model

從表2對比可以看出，全光譜經UVE，CARS和SPA三種算法篩選后，建模波長數目大大降低，簡化了模型，但精度有所下降； 利用RF算法篩選后，不僅剔除了冗余波長和干擾變量，建模效率和精度還得到了提高。

為了進一步驗證和對比建模的效果，以紅參提取液中含量較高的人參皂苷Rg1為例，將驗證集數據輸入不同光譜篩選方法下的PLS模型，得到散點圖如圖4所示。

散點圖上點落在對角線上表示建模預測所得的預測值和真實值相同，樣本點值越接近于對角線說明預測結果越準確。從圖4可以看出，左下為第二次提取液，右上為第一次提取液，兩次紅參提取液的濃度差距明顯。加入波長篩選四種方法，建模精度都有所提升，特別是圖4(b) RF-PLS模型的樣本點更接近于對角線，預測能力比其他幾種方法的精度高，并且對于兩次提取液Rg1含量預測RF-PLS建模精度都很高，可以進一步證明RF波長篩選算法是一種有效的近紅外光譜定量分析建模方法。

圖4 不同建模方法人參皂苷Rg1含量預測集散點圖Fig.4 Distribution diagrams of ginsenoside Rg1 content predicted by different modeling methods

2.3.2 不同波長篩選算法的穩健性分析

為了對比不同的波長篩選算法的穩健性，在原始光譜、 全光譜、 SNV預處理后的全光譜三種光譜數據上采用波長篩選算法進行對比建模，以RF和CARS兩種波長篩選算法為例，在紅參提取液近紅外建模性能結果如表3和表4所示。

將表3和表4中數據對比可以看出，對三種光譜數據采用兩種波長篩選算法建模后，光譜范圍和光譜預處理方法，對CARS算法的建模性能影響較大，RPD數值變化范圍達2.2以上，對RF波長篩選算法變化較小，RF波長篩選后PLS建模，整體性能都較好，模型評價參數針對不同的光譜處理跳躍性不大，說明RF算法具有很好的穩健性。

表3 RF算法對不同光譜PLS建模性能評價結果Table 3 PLS modeling and performance evaluation of different spectra based on RF algorithm

表4 CARS算法對不同光譜PLS建模性能評價結果Table 4 PLS modeling and performance evaluation of different spectra based on CARS algorithm

3 結 論