基于傅里葉近紅外特征光譜的血流感染致病菌鑒別研究

王建明， 王 武， 李祥輝， 李玉榕

(1. 福州大學(xué)電氣工程與自動(dòng)化學(xué)院， 福建 福州 350116； 2. 福建省醫(yī)療器械和醫(yī)藥技術(shù)重點(diǎn)實(shí)驗(yàn)室， 福建 福州 350002； 3. 福建醫(yī)科大學(xué)醫(yī)學(xué)技術(shù)與工程學(xué)院， 福建 福州 350004)

基于傅里葉近紅外特征光譜的血流感染致病菌鑒別研究

王建明1, 2， 王 武1, 2， 李祥輝3， 李玉榕1, 2

(1. 福州大學(xué)電氣工程與自動(dòng)化學(xué)院， 福建 福州 350116； 2. 福建省醫(yī)療器械和醫(yī)藥技術(shù)重點(diǎn)實(shí)驗(yàn)室， 福建 福州 350002； 3. 福建醫(yī)科大學(xué)醫(yī)學(xué)技術(shù)與工程學(xué)院， 福建 福州 350004)

利用傅里葉變換近紅外光譜(FT-NIR)收集1 000～1 852 nm范圍內(nèi)3種常見病原菌大腸桿菌(ATCC 25922)、 金黃色葡萄球菌(ATCC 29213)、 銅綠假單胞菌(ATCC 27853)的近紅外透射光譜， 采用競爭性自適應(yīng)重加權(quán)算法(CARS)對波長變量進(jìn)行篩選， 并分別結(jié)合偏最小二乘判別分析(PLS-DA)、 最小二乘-支持向量機(jī)(LS-SVM)建立鑒別模型. 比較兩種鑒別模型在進(jìn)行波長變量優(yōu)選前后的性能發(fā)現(xiàn), 采用全波段建模的PLS-DA與LS-SVM兩種模型的預(yù)測性能較低; 利用CARS對波長變量進(jìn)行篩選后， 對優(yōu)選的24個(gè)特征波長分別建立兩種鑒別模型， 模型預(yù)測性能明顯提高， 其中以LS-SVM模型最優(yōu)， 3種病原菌準(zhǔn)確率分別為85.0%， 100%和100%. 研究結(jié)果表明， 利用CARS能夠有效去除光譜無用信息， 減少模型復(fù)雜度， 增強(qiáng)模型預(yù)測性能， 結(jié)合LS-SVM可為臨床利用近紅外快速檢測血流感染病原菌提供一種新的方法.

血流感染； 傅里葉變換近紅外光譜； 偏最小二乘判別分析； 最小二乘-支持向量機(jī)； 競爭性自適應(yīng)重加權(quán)算法； 病原菌鑒別

0 引言

血流感染是由于病原微生物侵入人體血液中并繁殖， 釋放出毒素與代謝產(chǎn)物引起全身感染、 中毒癥狀的常見感染性疾病， 具有發(fā)病急、 死亡率高的特點(diǎn)， 致死率高達(dá)35.0%[1]， 目前隨著各種廣譜抗生素、 免疫制劑等抗菌藥物的濫用， 因病原菌感染血液的患者逐年增加， 發(fā)病率僅次于呼吸道和泌尿道感染[2].

血流感染病原體的鑒定中， 準(zhǔn)確地識(shí)別病原菌對于臨床診斷和治療、 減少抗菌藥物濫用、 降低患者死亡率方面有很大的幫助. 微生物鑒定方法包括表型鑒定法和分子遺傳學(xué)鑒定法兩大類. 血培養(yǎng)法屬于表型鑒定法， 根據(jù)微生物的形態(tài)、 生理生化特性和營養(yǎng)特性[3]， 雖然鑒定的結(jié)果準(zhǔn)確、 可靠， 但血培養(yǎng)周期長， 往往導(dǎo)致診斷不及時(shí)而引起患者進(jìn)一步的感染， 不利于臨床早期診斷[4-5]. 分子遺傳學(xué)鑒定法如聚合酶鏈反應(yīng)(polymerase chain reaction， PCR)對微生物的DNA序列進(jìn)行分析已經(jīng)得到廣泛認(rèn)可， 但存在操作復(fù)雜、 專業(yè)程度高、 試劑昂貴、 耗時(shí)長等缺點(diǎn)， 因此極大限制了PCR方法的廣泛應(yīng)用[6].

光譜技術(shù)具有分析速度快、 操作簡單、 效率高等特點(diǎn)， 逐步應(yīng)用于微生物的快速鑒定. 近年來， 分子振動(dòng)類光譜， 如傅里葉變換紅外光譜(FT-IR)、 傅里葉變換近紅外光譜(FT-NIR)、 拉曼光譜(Raman spectra)等， 在化學(xué)、 生物和醫(yī)學(xué)等領(lǐng)域廣泛應(yīng)用， 逐漸發(fā)展成為新一代檢測技術(shù)[7]. 目前， FT-NIR結(jié)合化學(xué)計(jì)量學(xué)對于微生物的分類和鑒定有一定研究， 如Rodriguez-Saona等[8]利用FT-NIR技術(shù)結(jié)合PCA在快速評估大腸桿菌、 解淀粉芽孢桿菌、 綠膿桿菌、 蠟樣芽孢桿菌、 無害李斯特菌污染過的液體等有著良好的效果. Alexandrakis等[9]通過近紅外光譜結(jié)合PCA、 PLS-DA、 軟獨(dú)立模式分類(soft independent modeling of class analogies， SIMCA)對5種不同的細(xì)菌種間鑒定， 其中PLS-DA模型對5種不同細(xì)菌懸液種間鑒定以及假單胞菌的屬內(nèi)種間鑒定準(zhǔn)確率達(dá)到了100 %.

由于近紅外光譜信息重疊嚴(yán)重并且?guī)в性肼暎?提取有用信息、 剔除無關(guān)變量能夠加強(qiáng)模型的預(yù)測性能. 常見的波長選擇方法主要有區(qū)間偏最小二乘法[10]、 組合間隔偏最小二乘法[11]、 載荷值法[12]、 回歸系數(shù)法[13]、 遺傳算法[14]、 退火算法[15]等， 其中區(qū)間偏最小二乘法和組合間隔偏最小二乘法能夠得到光譜的特征區(qū)間但無法確定關(guān)鍵變量， 載荷法與回歸系數(shù)法需要根據(jù)主觀經(jīng)驗(yàn)進(jìn)行閾值的選擇， 遺傳算法和退火算法搜索過程耗時(shí)并且不穩(wěn)定. 競爭性自適應(yīng)重加權(quán)算法(competitive adaptive reweighted sampling， CARS)是一種新近提出的變量選擇理論， 該方法能夠?qū)庾V無用信息進(jìn)行有效去除同時(shí)保證減少共線性變量， 最終得到對應(yīng)預(yù)測性能最佳的特征波長變量組合. 本研究以血流感染中最常見革蘭氏陽性菌的金黃色葡萄球菌、 革蘭氏陰性菌的大腸桿菌和銅綠假單胞菌3種病原菌為研究對象， 結(jié)合偏最小二乘判別分析(partial least squares-discriminant analysis， PLS-DA)、 最小二乘-支持向量機(jī)(least square-support vector machine， LS-SVM)兩種模型進(jìn)行鑒別， 分析比較CARS變量篩選對兩種鑒別模型性能的影響.

1 實(shí)驗(yàn)部分

1.1 菌種與培養(yǎng)基

菌種：Escherichiacoli(E.coli, ATCC 25922) 大腸桿菌；Staphylococcusaureus(S.aureus, ATCC 29213) 金黃色葡萄桿菌;Pseudomonasaeruginosa(P.aeruginosa, ATCC 27853) 銅綠假單胞菌.

培養(yǎng)基： 哥倫比亞血瓊脂平板.

1.2 微生物培養(yǎng)及樣品制備

將4 ℃環(huán)境下儲(chǔ)存的3種標(biāo)準(zhǔn)菌株取出， 在符合生物安全保護(hù)的要求下進(jìn)行無菌操作， 將3種標(biāo)準(zhǔn)菌株置于哥倫比亞血瓊脂平板上， 在37 ℃下恒溫培養(yǎng)24 h， 觀測菌種的生長情況， 如未生長， 應(yīng)當(dāng)繼續(xù)培養(yǎng). 待生長完， 用無菌接種環(huán)收集單獨(dú)的孤立菌落， 并直接用質(zhì)量分?jǐn)?shù)為0.9%的無菌生理鹽水作為稀釋劑， 配置標(biāo)準(zhǔn)菌株實(shí)驗(yàn)樣本. 采用人血清作為稀釋劑， 在實(shí)驗(yàn)前需要進(jìn)行鈍化補(bǔ)體等一系列預(yù)處理， 存在干擾因素多、 操作復(fù)雜等缺點(diǎn)， 因此實(shí)驗(yàn)直接用生理鹽水稀釋. 本研究參考臨床微生物檢驗(yàn)方法， 將致病菌落稀釋至生理鹽水中， 繼而采集標(biāo)本的近紅外光譜圖， 既保證包含病原菌的全部信息， 又能有效降低檢測背景信號(hào).

1.3 光譜采集

在溫度25 ℃、 濕度30%左右條件下， 利用Nicolet 6700傅里葉變換近紅外光儀(Thermo Fisher公司， 美國)采集150例樣品病原菌懸液的透射光譜圖， 掃描范圍1 000～1 852 nm， 分辨率為16 cm-1， 掃描32次. 在采集每例樣品譜圖之間， 將石英比色皿用75%(體積分?jǐn)?shù))乙醇處理， 防止交叉污染.

1.4 光譜預(yù)處理與模型建立

將收集的光譜圖數(shù)據(jù)導(dǎo)入Matlab(Version R2010a， 美國)， 對光譜數(shù)據(jù)進(jìn)行預(yù)處理， 采用多元散射校正方法對光譜進(jìn)行基線校正， 消除基線漂移的影響. 并利用K-S算法[12]將3種病原菌懸液各50組的光譜數(shù)據(jù)隨機(jī)選取30組作為校正集， 剩余20組做預(yù)測集， 依次交替， 確保所有樣本均被預(yù)測模型驗(yàn)證. 對校正集的數(shù)據(jù)分別建立PLS-DA、 LS-SVM鑒別模型. 校正集與預(yù)測集樣本分布如表1所示.

表1 校正集和預(yù)測集Tab.1 Calibration group and prediction group

1.5 CARS變量優(yōu)選

CARS算法是模擬達(dá)爾文進(jìn)化論中“適者生存”原則進(jìn)行篩選波長變量， 算法分為以下4步：

1) 采用蒙特卡羅采樣(MCS)法采樣N次， 每次從樣品集中隨機(jī)抽取80%的樣本作為校正集， 建立PLS模型.

2) 設(shè)大腸桿菌、 金黃色葡萄球菌、 銅綠假單胞菌標(biāo)簽分別為1、 2、 3， 建立標(biāo)簽矩陣y(m×1)與光譜矩陣X(m×p)的PLS模型， 其中m代表樣本數(shù)，p為變量數(shù).

其中：b=Wc=[b1,b2, …,bp]T，W代表組合系數(shù)，c為回歸系數(shù)，e為預(yù)測殘差；b中第i個(gè)元素的絕對值|bi|(1≤i≤p)代表第i個(gè)波長變量對y的貢獻(xiàn)率， 其值越大表示對應(yīng)波長變量在預(yù)測樣本種類中越重要.

利用指數(shù)衰減函數(shù)強(qiáng)行去除|bi|較小的波長變量， 在MSC第i次采樣后， 變量點(diǎn)的保留率通過下式得到：

其中:a與k計(jì)算如下:

本研究的病原菌樣本波長變量數(shù)為597， 設(shè)定MSC采樣次數(shù)為50次， 因此，a和k分別為1.12和0.116.

3) 采用自適應(yīng)重加權(quán)采樣技術(shù)(ARS)篩選波長變量， 其中篩選每個(gè)變量點(diǎn)的標(biāo)準(zhǔn)如下：

4) 每次新產(chǎn)生的變量子集建立PLS模型， 選取RMSEC值最小的變量子集為最優(yōu)變量子集.

2 結(jié)果與討論

2.1 病原菌懸液近紅外光譜分析

圖1 大腸埃希氏菌、 金黃色葡萄球菌、 銅綠假單胞菌近紅外光譜圖 Fig.1 FT-NR spectra of E. coli, S. aureus and P. aeruginosa

圖1為大腸桿菌、 金黃色葡萄球菌和銅綠假單胞菌在1 000～1 852 nm范圍內(nèi)經(jīng)過MSC預(yù)處理后的光譜圖. 從圖1可看出， 大腸桿菌和銅綠假單胞菌的光譜幾乎完全重疊， 金黃色葡萄球菌的光譜在1 400及1 600 nm的吸收峰明顯高于前兩者. 其中1 400 nm附近為O-H鍵的第一倍頻的吸收峰， 1 600 nm附近為N-H的一級倍頻峰. 大腸桿菌和銅綠假單胞菌屬于革蘭氏陰性菌， 而金黃色葡萄球菌屬于革蘭氏陽性菌， 兩者在細(xì)胞壁組成上有顯著差異， 革蘭氏陽性菌的細(xì)胞壁由一層厚而致密的肽聚糖和磷壁酸構(gòu)成， 革蘭氏陰性菌的細(xì)胞壁是一層薄薄的肽聚糖層， 肽聚糖的主要成分為N-乙酰葡萄糖胺和N-乙酰胞壁酸， 這兩種物質(zhì)結(jié)構(gòu)中存在大量O-H及N-H共價(jià)鍵， 這與光譜結(jié)果一致. 而在1 724～1 785 nm和1 111～1 333 nm范圍內(nèi)， 3種病原菌的平均光譜幾乎是重疊的， 微生物信息主要集中在1 333～1 852 nm， 但也可以看出3種病原菌存在微乎其微的差異， 需要進(jìn)一步借助化學(xué)計(jì)量學(xué)來進(jìn)行辨識(shí).

2.2 基于PLS-DA與LS-SVM鑒別模型

偏最小二乘判別分析(PLS-DA)是一種用于判別分析的多變量統(tǒng)計(jì)分析方法， 適用于樣本之間存在多重共線、 自變量數(shù)目多、 樣本觀測數(shù)少的場合. 最小二乘-支持向量機(jī)(LS-SVM)是經(jīng)典支持向量機(jī)(SVM)方法的改進(jìn)， 能夠進(jìn)行線性非線性的多元建模， 與SVM相比， 訓(xùn)練時(shí)間更短， 泛化能力更強(qiáng). 兩種模型的詳細(xì)流程參考文獻(xiàn)[16-17]. 將3種病原菌的全波段(1 000～1 852 nm)樣本分別建立PLS-DA與LS-SVM鑒別模型， 如表2所示.

從表2得出， PLS-DA模型對3種病原菌的預(yù)測準(zhǔn)確率分別為90.0%， 100%和76.7%， 而LS-SVM模型的預(yù)測準(zhǔn)確率分別為80.0%， 100%和66.7%， 可以看出兩種鑒別的預(yù)測性能有待提高， 由于全光譜的波長變量多達(dá)597個(gè)， 部分變量包含了無關(guān)信息， 造成模型冗余， 導(dǎo)致預(yù)測精度降低. 所以降低模型的復(fù)雜度， 提取與樣本有關(guān)的信息波長變量能夠得到更好的分類模型.

表2 PLS-DA和LS-SVM模型鑒別結(jié)果Tab.2 Discriminant results of PLS-DA model and LS-SVM model

2.3 基于CARS的波長變量優(yōu)選

利用CARS對三種病原菌的波長變量進(jìn)行優(yōu)選， 所提取的最大因子數(shù)由蒙特卡洛交叉驗(yàn)證得到， 蒙特卡洛采樣次數(shù)為50次， 采用10折交叉驗(yàn)證進(jìn)行PLS建模， 波長變量的篩選過程如圖2所示. 圖2(a)、 (b)和(c)代表隨著采樣的次數(shù)的增加， 波長變量數(shù)的變化、 交叉驗(yàn)證均方根誤差(RMSECV)的變化和波長變量回歸系數(shù)變化. 由圖2看出， 隨著采樣次數(shù)的增加， 波長變量數(shù)是逐漸減少， 體現(xiàn)出CARS中剔除波長變量是按照指數(shù)衰減趨勢先粗選后精選過程. RMSECV在前24次采樣過程中呈現(xiàn)下降趨勢而后逐漸升高， 表明先剔除了對于建模無用的波長變量導(dǎo)致RMSECV下降， 而24次后剔除了有關(guān)波長變量導(dǎo)致RMSECV上升. 波長變量回歸系數(shù)對應(yīng)RMSECV的最小， 選取RMSECV最小的波長變量組合作為3種病原菌的鑒別特征波長， 24個(gè)波長變量依次為： 1 256， 1 257， 1 258， 1 259， 1 261， 1 262， 1 267， 1 268， 1 269， 1 272， 1 274， 1 286， 1 287， 1 288， 1 289， 1 291， 1 413， 1 596， 1 630， 1 670， 1 677， 1 685， 1 696， 1 751 nm.

將CARS所提取的特征波長采用PLS-DA與LS-SVM建模方法， 鑒別結(jié)果列于表3. 由表3可以看出， 經(jīng)過CARS的變量篩選， 兩種模型的預(yù)測性能分別得到了提升， 其中PLS-DA模型對于3種病原菌的預(yù)測準(zhǔn)確率分別為90.0%、 100%和85.0%， 而LS-SVM的預(yù)測準(zhǔn)確率分別為85.0%、 100%、 100%. 由此可以看出, 選取特征的波長變量不僅能夠減低模型復(fù)雜度并且能夠加強(qiáng)鑒別模型預(yù)測精度， 從預(yù)測準(zhǔn)確率看， LS-SVM模型鑒別能力更強(qiáng). 由于臨床中血流感染的病原菌種類眾多， 以常見的3種病原菌為例， 實(shí)際中臨床的多種血流感染病原菌利用CARS方法也能夠得到相應(yīng)特征波長變量， 為臨床中利用近紅外檢測提供一種思路.

圖2 CARS變量篩選過程圖Fig.2 Diagram of CARS variable selecting process

表3 經(jīng)CARS篩選后PLS-DA和LS-SVM模型的鑒別結(jié)果Tab.3 Discriminant results of PLS-DA model and LS-SVM model after variable selecting by CARS

3 結(jié)語

不同種類的病原菌在分子組成上差異會(huì)反應(yīng)在近紅外光譜圖上， 研究證明了利用FT-NIR技術(shù)結(jié)合化學(xué)計(jì)量學(xué)分析方法來快速鑒定細(xì)菌種類是可行的. 以3種常見病原菌大腸桿菌、 銅綠假單胞菌、 金黃色葡萄球菌為研究對象， 分別建立PLS-DA、 LS-SVM兩種鑒別模型， 并利用CARS對波長變量進(jìn)行優(yōu)選， 比較兩種模型對變量優(yōu)選前后模型的預(yù)測性能. 結(jié)果證明， 基于全波段建模， 由于模型里含有無用的波長變量， 兩種模型的預(yù)測性能較低. 借助CARS進(jìn)行變量優(yōu)選， 對比PLS-DA與LS-SVM 模型發(fā)現(xiàn)， 兩種模型的預(yù)測性能均得到提升， 其中LS-SVM有較好預(yù)測性能， 3種病原菌的準(zhǔn)確率分別為85.0%， 100%和100%， 說明CARS能夠剔除光譜中無信息變量， 同時(shí)能夠?qū)簿€性的變量進(jìn)行壓縮去除， 降低模型的復(fù)雜性. 研究表明， 基于近紅外光譜技術(shù)結(jié)合CARS變量優(yōu)選與LS-SVM模型能夠有效鑒別病原菌， 為實(shí)驗(yàn)室快速診斷提供了一種快速鑒定病原菌的方法， 不僅可以指導(dǎo)臨床合理使用抗菌藥物, 而且可以為臨床感染性疾病的診斷、 治療和流行病學(xué)調(diào)查以及院內(nèi)感染的監(jiān)控提供可靠的依據(jù).

[1] 趙憶文, 朱召芹, 蔡金鳳, 等. 上海某醫(yī)院 2011 年 1至 5月住院病例2 044 份血及體液標(biāo)本血培養(yǎng)結(jié)果分析[J]. 檢驗(yàn)醫(yī)學(xué), 2014, 29(2): 100-103.

[2] 阿祥仁, 趙生秀. 血流感染病原學(xué)診斷對臨床診療的意義[J]. 中華檢驗(yàn)醫(yī)學(xué)雜志, 2014, 37(1): 76-77.

[3] MAQUELIN K, KIRSCHNER C, CHOO-SMITH L P,etal. Identification of medically relevant microorganisms by vibrational spectroscopy[J]. Journal of Microbiological Methods, 2002, 51(3): 255-271.

[4] KARCHMER A W. Nosocomial bloodstream infections: organisms, risk factors, and implications[J]. Clinical Infectious Diseases, 2000, 31(Supp4): S139-S143.

[5] 毛美麗, 汪瑞忠. 血培養(yǎng)單、 雙側(cè)采血陽性率比較及病原菌分布和耐藥性分析[J]. 檢驗(yàn)醫(yī)學(xué), 2009, 24(12): 911-913.

[6] SAFDAR N, FINE J P, MAKI D G. Meta-analysis: methods for diagnosing intravascular device-related bloodstream infection[J]. Annals of Internal Medicine, 2005, 142(6): 451-466.

[7] YUE T L, WANG J, YUAN Y H,etal. Rapid identification of microorganisms based on Fourier transform near infrared spectroscopy[J]. Spectroscopy and Spectral Analysis, 2010, 30(11): 2 945-2 949.

[8] RODRIGUEZ-SAONA L E, KHAMBATY F M, FRY F S,etal. Rapid detection and identification of bacterial strains by Fourier transform near-infrared spectroscopy[J]. Journal of Agricultural and Food Chemistry, 2001, 49(2): 574-579.

[9] ALEXANDRAKIS D, DOWNEY G, SCANNELL A G. Detection and identification of bacteria in an isolated system with near-infrared spectroscopy and multivariate analysis[J]. Journal of Agricultural and Food Chemistry, 2008, 56(10): 3 431-3 437.

[10] NORGAARD L, SAUDLAND A, WAGNER J,etal. Interval partial least-squares regression (iPLS): a comparative chemometric study with an example from near-infrared spectroscopy[J]. Applied Spectroscopy, 2000, 54(3): 413-419.

[11] 蔡健榮, 萬新民, 陳全勝. 近紅外光譜法快速檢測豬肉中揮發(fā)性鹽基氮的含量[J]. 光學(xué)學(xué)報(bào), 2009, 29(10): 2 808-2 812.

[12] LIU F, HE Y, WANG L,etal. Feasibility of the use of visible and near infrared spectroscopy to assess soluble solids content and pH of rice wines[J]. Journal of Food Engineering, 2007, 83(3): 430-435.

[13] WU D, HE Y, FENG S. Short-wave near-infrared spectroscopy analysis of major compounds in milk powder and wavelength assignment[J]. Anal ChimActa, 2008, 610(2): 232-242.

[14] JOUAN-RIMBAUD D, MASSART D L, LEARDI R,etal. Genetic algorithms as a tool for wavelength selection in multivariate calibration[J]. Analytical Chemistry, 1995, 67(23): 4 295-4 301.

[15] KALIVAS J H, ROBERTS N, SUTTER J M. Global optimization by simulated annealing with wavelength selection for ultraviolet-visible spectrophotometry[J]. Analytical Chemistry, 1989, 61(18): 2 024-2 030.

[16] ERIKSSON L, JOHANSSON E, KETTANEH-WOLD N,etal. Multi-and megavariate data analysis: principles and applications[M]. Umea: Umetrics Academ, 2001.

[17] WU D, HE Y, FENG S J,etal. Application of infrared spectra technique based on LS-support vector machines to the non-destructive measurement of fat content in milk powder[J]. Journal of Infrared and Millimeter Waves, 2008, 27(3): 180-184.

ResearchonidentificationofbacteriainbloodstreaminfectionsbasedonFT-NIRcharacteristicspectrumselection

WANG Jianming1, 2， WANG Wu1, 2， LI Xianghui3， LI Yurong1, 2

(1. College of Electrical Engineering and Automation, Fuzhou University, Fuzhou, Fujian 350116, China；2. Fujian Key Lab of Medical Instrument and Pharmaceutical Technology, Fuzhou, Fujian 350002, China；3. Medical Technology and Engineering College, Fujian Medical University, Fuzhou, Fujian 350004, China)

Fourier transform near-infrared spectroscopy (FT-NIR) was used to collect the range from 1 000 to 1 852 nm near-infrared spectra of the three common pathogen bacteria which includedEscherichiacoli,Pseudomonasaeruginosa, andStaphylococcusaureus. Competitive adaptive reweighted sampling (CARS) algorithm to be used to select the characteristic wavelength variables which were used to build the PLS-DA model and LS-SVM model. Moreover, performance of PLS-DA and LS-SVM model built by the characteristic wavelength variables were also compared with PLS-DA and LS-SVM model built by full spectra. Studies showed that full spectra model had poor prediction performance due to some wavelength variables contains irrelevant information. The prediction performance of PLS-DA model and LS-SVM had improved significantly by using 24 characteristic wavelengths selected by CARS. Meanwhile, LS-SVM model achieved the optimal performance which the correct rate of three pathogen bacteria was 85.0%, 100%, 100% respectively. The results showed that CARS can remove useless information, reducing model complexity, enhanced model prediction performance and combined with LS-SVM can accurately identify clinical pathogens.

bloodstream infections； FT-NIR； PLS-DA； LS-SVM； CARS; pathogen bacteria discriminate

10.7631/issn.1000-2243.2017.05.0713

1000-2243(2017)05-0713-06

O657.33

A

2016-08-29

王 武(1973-)， 教授， 主要從事網(wǎng)絡(luò)控制、 生物建模等方面的研究， wangwu@fzu.edu.cn

國家自然科學(xué)基金資助項(xiàng)目(61403319)； 福建省科技廳國際合作資助項(xiàng)目(2015I003)； 福建省教育廳科技資助項(xiàng)目(JK2014001)

(責(zé)任編輯： 洪江星)