基于近紅外光譜的安胎丸生產(chǎn)年份預(yù)測(cè)方法

陳 蓓，鄭恩讓*，馬晉芳，葛發(fā)歡，肖環(huán)賢

1. 陜西科技大學(xué)電氣與控制工程學(xué)院，陜西 西安 710021 2. 廣州譜民信息科技有限公司，廣東 廣州 510006 3. 中山大學(xué)藥學(xué)院，廣東 廣州 510006 4. 江西保利制藥有限公司，江西 贛州 341900

引 言

安胎丸是經(jīng)典古方，由當(dāng)歸、 白芍、 白術(shù)、 川穹、 黃芩等五味藥材加工制成，具有安胎養(yǎng)血的功效[1]。隨著人們經(jīng)濟(jì)和生活水平的提高，需求日益增加。市售安胎丸由于藥品的原材料差異，并且隨著藥物生產(chǎn)和保存的時(shí)間、 儲(chǔ)存環(huán)境不同等都使藥效差別較大，會(huì)對(duì)患者帶來(lái)一定的損失，制劑的批間差異是其質(zhì)量考量的重要指標(biāo)。衛(wèi)生部藥品標(biāo)準(zhǔn)中采用薄層色譜法對(duì)其中三味藥材進(jìn)行定性鑒別，王雪麗等[2-3]主要采用高效液相色譜(HPLC)化學(xué)檢測(cè)方法對(duì)部分質(zhì)控成分的進(jìn)行定量檢測(cè)，這些質(zhì)控方法不僅會(huì)損耗樣品，且檢測(cè)時(shí)間長(zhǎng)，檢測(cè)成本高。中藥制劑成分多樣，發(fā)生反應(yīng)機(jī)制復(fù)雜，部分成分尚不明確，單一或者幾種成分含量測(cè)定具有片面性。近紅外光譜(near infrared spectroscopy，NIRS)是利用近紅外光對(duì)化學(xué)物質(zhì)中不同含氫基團(tuán)的吸收信息來(lái)進(jìn)行分析、 檢測(cè)的一種新型無(wú)損、 快速、 無(wú)污染的分析技術(shù)[4]，可作為一種整體質(zhì)量評(píng)價(jià)的手段，在中醫(yī)藥質(zhì)控領(lǐng)域，主要應(yīng)用在品種鑒定、 產(chǎn)地鑒別、 品質(zhì)分級(jí)和定量分析等方面[5-6]，對(duì)于藥品生產(chǎn)年份質(zhì)控方式的相關(guān)研究未見(jiàn)報(bào)道。

近紅外光譜通常包含大量的波長(zhǎng)變量，一定程度上還會(huì)引入噪聲，通過(guò)篩選特征波長(zhǎng)建立模型，可以降低模型的復(fù)雜程度，提高預(yù)測(cè)能力。常用的波長(zhǎng)提取方法有遺傳算法(GA)、 無(wú)信息變量消除法(UVE)、 連續(xù)投影算法(successive projection algorithm，SPA)等。王濤等[7]在預(yù)測(cè)胡楊葉含水量中建模對(duì)比，采用SPA波長(zhǎng)選擇算法預(yù)測(cè)精度和相關(guān)度都優(yōu)于GA；經(jīng)UVE篩選之后的波長(zhǎng)變量數(shù)目仍然過(guò)于龐大，不能達(dá)到最終的簡(jiǎn)化目標(biāo)，SPA算法能大大減少建模所需變量的數(shù)目，比GA和UVE算法得到的變量數(shù)目更少，可提高建模的效率和速度。有研究利用SPA結(jié)合支持向量機(jī)(support vector machine，SVM)有效地對(duì)玉米的霉變程度進(jìn)行了判別，預(yù)測(cè)準(zhǔn)確率達(dá)到了91.11%，但文中SVM參數(shù)是憑經(jīng)驗(yàn)選取的合適參數(shù)，并不能保證參數(shù)是最佳的。鑒于此，本文提出一種基于近紅外光譜技術(shù)的安胎丸生產(chǎn)年份預(yù)測(cè)方法，以某藥廠三年的105粒安胎丸為研究對(duì)象，實(shí)驗(yàn)采集其近紅外光譜，應(yīng)用SPA算法去除光譜冗余信息，優(yōu)選出樣本的特征波長(zhǎng)，結(jié)合粒子群優(yōu)化(particle swarm optimization, PSO)算法對(duì)SVM分類模型進(jìn)行參數(shù)尋優(yōu)，建立PSOSVM分類預(yù)測(cè)模型。通過(guò)該方法可以區(qū)分安胎丸生產(chǎn)的不同年份，對(duì)藥物的質(zhì)量評(píng)價(jià)提供一種方法。

1 實(shí)驗(yàn)部分

1.1 儀器

SupNIR1500近紅外光譜儀(聚光科技(杭州)有限公司)，Matlab2018(美國(guó)MathWorks公司)，Ultimate3000高效液相色譜儀(美國(guó)Thermo公司)。

1.2 樣本采集

從2013年—2015年安胎丸中隨機(jī)抽取樣品15個(gè)批次，批號(hào)為：130501，130502，130601，130602，130701，131101，131201，140401，140402，140501，140502，141103，151001，151002和151101，總共105丸樣品。

利用美國(guó)Thermo公司的Ultimate3000高效液相色譜儀，測(cè)定安胎丸中關(guān)鍵質(zhì)量控制成分的含量，列表統(tǒng)計(jì)如表1所示。

表1 安胎丸中關(guān)鍵質(zhì)控成分的含量測(cè)定統(tǒng)計(jì)表(mg·pill-1)Table 1 Statistical table for determination of key quality control indicator components in Antaipills (mg·pill-1)

利用聚光科技有限公司生產(chǎn)的SupNIR1500近紅外光譜儀采集安胎丸光譜，漫反射模式，波長(zhǎng)掃描范圍是1 000～1 799 nm。每丸樣品重復(fù)掃描三次，得到平均的光譜數(shù)據(jù)保存。105個(gè)樣品的光譜如圖1所示。從圖1可以看出來(lái)，近紅外光譜信息重疊嚴(yán)重，特別是2013年和2014年的光譜，很難從峰值位置直觀鑒別各樣品的特征信息。因此，必須采用合適的特征提取辦法，才能對(duì)安胎丸樣品進(jìn)行年份的鑒別。

圖1 105個(gè)安胎丸樣本的光譜圖Fig.1 The spectra of 105Antai pills samples

1.3 數(shù)據(jù)預(yù)處理

根據(jù)年份不同，對(duì)安胎丸樣品對(duì)應(yīng)的光譜數(shù)據(jù)進(jìn)行分類，可以將樣品分為三類，得到的具體分類表如表2。

表2 樣本根據(jù)年份分類表Table 2 The table of sample classification according to year

從表1中數(shù)據(jù)可以看出，生產(chǎn)年份不同，存放的時(shí)間不同，關(guān)鍵質(zhì)控指標(biāo)成分里的含量也不同，體現(xiàn)了生產(chǎn)年份與安胎丸的質(zhì)量有密切關(guān)系，進(jìn)一步說(shuō)明按年份分類研究對(duì)藥物的質(zhì)量控制有一定的意義。

1.4 建模方法與模型評(píng)價(jià)

近紅外光譜測(cè)量得到的數(shù)據(jù)數(shù)量龐大，光譜波長(zhǎng)較多，相鄰波長(zhǎng)間存在較多的冗余信息和相關(guān)性，如果直接用全光譜建模，必然會(huì)使得建模的時(shí)間和模型的復(fù)雜度增加，模型的預(yù)測(cè)正確率和穩(wěn)定性降低。

具體的實(shí)驗(yàn)建模分析過(guò)程如圖2所示。先使用連續(xù)投影算法(SPA)對(duì)采集到的波長(zhǎng)進(jìn)行優(yōu)化，對(duì)輸入進(jìn)行降維，最大程度的消除干擾。得到降維后的光譜數(shù)據(jù)輸入到PSOSVM分類模型中，進(jìn)行分類預(yù)測(cè)。利用分類正確率作為模型的評(píng)價(jià)準(zhǔn)則，其定義為

圖2 實(shí)驗(yàn)數(shù)據(jù)處理流程圖Fig.2 The flow chart of processing experimental data

(1)

在式(1)中N為測(cè)試集樣本數(shù)量，Ni為識(shí)別第i類分類正確的樣本數(shù)量。

1.4.1 波長(zhǎng)優(yōu)化選擇算法SPA

連續(xù)投影算法[8](successive projection algorithm，SPA)屬于前向選擇變量算法，首先選擇一個(gè)波長(zhǎng)變量作為初始值，計(jì)算該變量在未選變量上的投影，將最大投影向量對(duì)應(yīng)的波長(zhǎng)作為新的待選變量，依次迭代，直到內(nèi)部交互驗(yàn)證均方根誤差(RMSECV)達(dá)到最小，選出最佳波長(zhǎng)變量數(shù)N及波長(zhǎng)變量集合Y。SPA算法實(shí)現(xiàn)步驟如下：

(1) 光譜矩陣Xn×p(其中n為樣本數(shù)，p為待選波長(zhǎng)變量)標(biāo)準(zhǔn)化；

(2) 隨機(jī)選取初始迭代波長(zhǎng)：從X中隨機(jī)選擇一個(gè)列向量Xj，記為列向量Xk(0)，k(0)=1，2，3…，p；

(3)將光譜矩陣X中剩余的列向量記為S，S={j，1≤j≤p，j?k(0)，k(1)，…，k(n-1)}；

(4) 分別計(jì)算xj對(duì)剩余列向量S的投影Pxj，

(2)

(5)定義k(n)=arg[max(‖Pxj‖，k∈s)]為N-1個(gè)投影值中的最大；

(6)將最大投影值對(duì)應(yīng)的波長(zhǎng)變量作為下次迭代的初始值：

xj=Pxj，j∈S

(7) 令i=i+1，如果i

(8) 將優(yōu)化降維后得到的所有波長(zhǎng)組合在一起，表示為集合Y：

Y={xk(n)：n=1，2，…，N-1}

SPA算法可以從全部波段里提取出特征波長(zhǎng)，能夠幾乎消除原始光譜矩陣中的冗余信息，將優(yōu)化降維后的特征波長(zhǎng)輸入到后面的建模中，能夠顯著增加模型正確率和運(yùn)算速度。

1.4.2 分類建模算法PSOSVM

支持向量機(jī)(support vector machine，SVM)是在統(tǒng)計(jì)學(xué)的VC維理論基礎(chǔ)上發(fā)展起來(lái)的機(jī)器學(xué)習(xí)方法，在1995年由Vapnik首先提出[9]，具有理論完備、 分類準(zhǔn)確率高、 泛化性能好等優(yōu)點(diǎn)，能夠解決小樣本、 非線性和高維數(shù)據(jù)劃分的問(wèn)題，主要用于模式識(shí)別和非線性回歸，它的思想是建立一個(gè)分類超平面作為決策曲面，使正例和反例之間的隔離邊緣最大化。SVM引入核函數(shù)K(x，xi)巧妙地解決了非線性分類問(wèn)題，SVM有很多不同的核函數(shù)，由于徑向基RBF核函數(shù)能夠逼近任何非線性函數(shù)，具有很好的學(xué)習(xí)能力，因此選擇RBF核函數(shù)，表達(dá)式如式(3)

K(x，xi)=exp(-γ‖x-xi‖2)，γ>0

(3)

但是，SVM模型中懲罰參數(shù)C和核函數(shù)參數(shù)γ的選取對(duì)分類的正確率影響很大。僅依賴于經(jīng)驗(yàn)值的試湊是不可行的。

粒子群優(yōu)化(particle swarm optimization，PSO)算法是計(jì)算智能領(lǐng)域基于群體智能的優(yōu)化算法之一，算法概念源于對(duì)人工生命和鳥群捕食行為的研究[10]，采用仿生智能算法進(jìn)行參數(shù)尋優(yōu)，不用遍歷所有參數(shù)組，目前已經(jīng)廣泛應(yīng)用于神經(jīng)網(wǎng)絡(luò)、 函數(shù)優(yōu)化等其他算法中。

PSOSVM算法的流程如圖3所示，將PSO算法用于支持向量機(jī)的參數(shù)優(yōu)化，可以降低優(yōu)化過(guò)程的計(jì)算代價(jià)，提高分類的正確率[11]。

圖3 PSOSVM算法的流程圖Fig.3 Flow chart of the PSOSVM algorithm

2 結(jié)果與討論

2.1 優(yōu)選特征波長(zhǎng)

實(shí)驗(yàn)采集的近紅外光譜波長(zhǎng)掃描范圍1 000～1 799 nm，共有800個(gè)波長(zhǎng)變量，如果直接作為分類模型的輸入，輸入量過(guò)大，訓(xùn)練時(shí)間過(guò)長(zhǎng)。SPA通過(guò)最小化變量之間的共線性，實(shí)現(xiàn)了最優(yōu)波長(zhǎng)的選擇，通過(guò)SPA對(duì)近紅外光譜數(shù)據(jù)進(jìn)行降維。

針對(duì)上述105丸樣品，隨機(jī)選擇80個(gè)作為訓(xùn)練集，25個(gè)為測(cè)試集，數(shù)據(jù)隨機(jī)分布，符合建模要求。選取質(zhì)控成分中含量最高，且含量聚類與年份分類吻合的黃芩苷的含量為基準(zhǔn)，根據(jù)測(cè)試集的內(nèi)部交叉驗(yàn)證均方根誤差值最小，由圖4可看出，提取最佳的特征波長(zhǎng)有11個(gè)，分別是：{1 692，1 714，1 405，1 001，1 114，1 478，1 514，1 788，1 202，1 014，1 164} nm，其重要程度依次遞減。

圖4 優(yōu)選特征波長(zhǎng)分布圖Fig.4 The distribution map of preferred characteristic wavelength

2.2 分類模型分析對(duì)比

利用訓(xùn)練集80個(gè)樣本的光譜數(shù)據(jù)及年份分類，采用SPA-PSOSVM算法建立安胎丸生產(chǎn)年份鑒別的分析模型，以分類的正確率作為評(píng)價(jià)準(zhǔn)則。隨機(jī)給定SVM分類模型參數(shù)，其中懲罰參數(shù)C=1和核函數(shù)參數(shù)γ=1，同時(shí)將建模結(jié)果與SVM和SPA-SVM兩種算法作對(duì)比，得到的測(cè)試集的分類結(jié)果對(duì)比如圖5—圖7所示。

圖5 基于SVM的測(cè)試集分類結(jié)果Fig.5 The graph of test classification result based on SVM

圖6 基于SPA-SVM的測(cè)試集分類結(jié)果Fig.6 The graph of test classification result based on SPA-SVM

圖7 基于SPA-PSOSVM的測(cè)試集分類結(jié)果Fig.7 The graph of test classification result based on SPA-PSOSVM

為更清楚地對(duì)比三種方法的效果，匯總仿真中部分變量、 參數(shù)和結(jié)果，如表3所示(其中黑體字表示本文所用方法)。

從表3對(duì)比可知，近紅外光譜數(shù)據(jù)通過(guò)三種方法分類建模測(cè)試，第一種方法，單一的SVM建模參與變量數(shù)目最多，正確率最低；第二種方法，全光譜數(shù)據(jù)經(jīng)過(guò)SPA降維后，變量數(shù)目從800個(gè)降到11個(gè)，再利用SVM建模，正確率提高到92%，模型耗時(shí)大大縮短，體現(xiàn)了SPA算法可有效提高正確率和降低建模時(shí)間；第三種方法，即本方法，光譜經(jīng)SPA降維后，再通過(guò)PSO尋優(yōu)，SVM分類算法的最佳懲罰參數(shù)C和核函數(shù)參數(shù)γ(BestC=16.406 4,γ=0.773 39)，正確率達(dá)到了100%，由于尋優(yōu)過(guò)程消耗時(shí)間，模型耗時(shí)高于單一的SVM分類方法。綜合考慮，基于近紅外光譜結(jié)合SPA-PSOSVM建立安胎丸的年份分類預(yù)測(cè)模型正確率最高，性能較好(見(jiàn)圖7)。

表3 三種方法測(cè)試效果對(duì)比表Table 3 Table of testcomparison of three methods

3 結(jié) 論

對(duì)安胎丸近紅外光譜數(shù)據(jù)進(jìn)行SPA優(yōu)化降維，在全波段提取了11個(gè)特征波長(zhǎng)，占全部波長(zhǎng)的1.375%，建立了PSOSVM分類模型，預(yù)測(cè)模型正確率達(dá)到了100%，表明SPA算法是一種比較有效的特征波長(zhǎng)提取辦法，建立的SPA-PSOSVM分類模型正確率明顯高于SVM和SPA-SVM，可以有效地用于安胎丸的生產(chǎn)年份分類預(yù)測(cè)，為藥材原材料的優(yōu)選、 廠家生產(chǎn)工藝的革新和偽劣過(guò)期藥品的判別提供參考和依據(jù)。根據(jù)中藥的主要質(zhì)控成分含量隨存儲(chǔ)時(shí)間的變化特點(diǎn)，本方法可為中藥的質(zhì)量評(píng)價(jià)提供一種快速無(wú)損的判定方式。