基于近红外光谱的安胎丸生产年份预测方法

陈 蓓，郑恩让*，马晋芳，葛发欢，肖环贤

1. 陕西科技大学电气与控制工程学院，陕西 西安 710021 2. 广州谱民信息科技有限公司，广东 广州 510006 3. 中山大学药学院，广东 广州 510006 4. 江西保利制药有限公司，江西 赣州 341900

引 言

安胎丸是经典古方，由当归、 白芍、 白术、 川穹、 黄芩等五味药材加工制成，具有安胎养血的功效[1]。随着人们经济和生活水平的提高，需求日益增加。市售安胎丸由于药品的原材料差异，并且随着药物生产和保存的时间、 储存环境不同等都使药效差别较大，会对患者带来一定的损失，制剂的批间差异是其质量考量的重要指标。卫生部药品标准中采用薄层色谱法对其中三味药材进行定性鉴别，王雪丽等[2-3]主要采用高效液相色谱(HPLC)化学检测方法对部分质控成分的进行定量检测，这些质控方法不仅会损耗样品，且检测时间长，检测成本高。中药制剂成分多样，发生反应机制复杂，部分成分尚不明确，单一或者几种成分含量测定具有片面性。近红外光谱(near infrared spectroscopy，NIRS)是利用近红外光对化学物质中不同含氢基团的吸收信息来进行分析、 检测的一种新型无损、 快速、 无污染的分析技术[4]，可作为一种整体质量评价的手段，在中医药质控领域，主要应用在品种鉴定、 产地鉴别、 品质分级和定量分析等方面[5-6]，对于药品生产年份质控方式的相关研究未见报道。

近红外光谱通常包含大量的波长变量，一定程度上还会引入噪声，通过筛选特征波长建立模型，可以降低模型的复杂程度，提高预测能力。常用的波长提取方法有遗传算法(GA)、 无信息变量消除法(UVE)、 连续投影算法(successive projection algorithm，SPA)等。王涛等[7]在预测胡杨叶含水量中建模对比，采用SPA波长选择算法预测精度和相关度都优于GA；经UVE筛选之后的波长变量数目仍然过于庞大，不能达到最终的简化目标，SPA算法能大大减少建模所需变量的数目，比GA和UVE算法得到的变量数目更少，可提高建模的效率和速度。有研究利用SPA结合支持向量机(support vector machine，SVM)有效地对玉米的霉变程度进行了判别，预测准确率达到了91.11%，但文中SVM参数是凭经验选取的合适参数，并不能保证参数是最佳的。鉴于此，本文提出一种基于近红外光谱技术的安胎丸生产年份预测方法，以某药厂三年的105粒安胎丸为研究对象，实验采集其近红外光谱，应用SPA算法去除光谱冗余信息，优选出样本的特征波长，结合粒子群优化(particle swarm optimization, PSO)算法对SVM分类模型进行参数寻优，建立PSOSVM分类预测模型。通过该方法可以区分安胎丸生产的不同年份，对药物的质量评价提供一种方法。

1 实验部分

1.1 仪器

SupNIR1500近红外光谱仪(聚光科技(杭州)有限公司)，Matlab2018(美国MathWorks公司)，Ultimate3000高效液相色谱仪(美国Thermo公司)。

1.2 样本采集

从2013年—2015年安胎丸中随机抽取样品15个批次，批号为：130501，130502，130601，130602，130701，131101，131201，140401，140402，140501，140502，141103，151001，151002和151101，总共105丸样品。

利用美国Thermo公司的Ultimate3000高效液相色谱仪，测定安胎丸中关键质量控制成分的含量，列表统计如表1所示。

表1 安胎丸中关键质控成分的含量测定统计表(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产的SupNIR1500近红外光谱仪采集安胎丸光谱，漫反射模式，波长扫描范围是1 000～1 799 nm。每丸样品重复扫描三次，得到平均的光谱数据保存。105个样品的光谱如图1所示。从图1可以看出来，近红外光谱信息重叠严重，特别是2013年和2014年的光谱，很难从峰值位置直观鉴别各样品的特征信息。因此，必须采用合适的特征提取办法，才能对安胎丸样品进行年份的鉴别。

图1 105个安胎丸样本的光谱图Fig.1 The spectra of 105Antai pills samples

1.3 数据预处理

根据年份不同，对安胎丸样品对应的光谱数据进行分类，可以将样品分为三类，得到的具体分类表如表2。

表2 样本根据年份分类表Table 2 The table of sample classification according to year

从表1中数据可以看出，生产年份不同，存放的时间不同，关键质控指标成分里的含量也不同，体现了生产年份与安胎丸的质量有密切关系，进一步说明按年份分类研究对药物的质量控制有一定的意义。

1.4 建模方法与模型评价

近红外光谱测量得到的数据数量庞大，光谱波长较多，相邻波长间存在较多的冗余信息和相关性，如果直接用全光谱建模，必然会使得建模的时间和模型的复杂度增加，模型的预测正确率和稳定性降低。

具体的实验建模分析过程如图2所示。先使用连续投影算法(SPA)对采集到的波长进行优化，对输入进行降维，最大程度的消除干扰。得到降维后的光谱数据输入到PSOSVM分类模型中，进行分类预测。利用分类正确率作为模型的评价准则，其定义为

图2 实验数据处理流程图Fig.2 The flow chart of processing experimental data

(1)

在式(1)中N为测试集样本数量，Ni为识别第i类分类正确的样本数量。

1.4.1 波长优化选择算法SPA

连续投影算法[8](successive projection algorithm，SPA)属于前向选择变量算法，首先选择一个波长变量作为初始值，计算该变量在未选变量上的投影，将最大投影向量对应的波长作为新的待选变量，依次迭代，直到内部交互验证均方根误差(RMSECV)达到最小，选出最佳波长变量数N及波长变量集合Y。SPA算法实现步骤如下：

(1) 光谱矩阵Xn×p(其中n为样本数，p为待选波长变量)标准化；

(2) 随机选取初始迭代波长：从X中随机选择一个列向量Xj，记为列向量Xk(0)，k(0)=1，2，3…，p；

(3)将光谱矩阵X中剩余的列向量记为S，S={j，1≤j≤p，j∉k(0)，k(1)，…，k(n-1)}；

(4) 分别计算xj对剩余列向量S的投影Pxj，

(2)

(5)定义k(n)=arg[max(‖Pxj‖，k∈s)]为N-1个投影值中的最大；

(6)将最大投影值对应的波长变量作为下次迭代的初始值：

xj=Pxj，j∈S

(7) 令i=i+1，如果i

(8) 将优化降维后得到的所有波长组合在一起，表示为集合Y：

Y={xk(n)：n=1，2，…，N-1}

SPA算法可以从全部波段里提取出特征波长，能够几乎消除原始光谱矩阵中的冗余信息，将优化降维后的特征波长输入到后面的建模中，能够显著增加模型正确率和运算速度。

1.4.2 分类建模算法PSOSVM

支持向量机(support vector machine，SVM)是在统计学的VC维理论基础上发展起来的机器学习方法，在1995年由Vapnik首先提出[9]，具有理论完备、 分类准确率高、 泛化性能好等优点，能够解决小样本、 非线性和高维数据划分的问题，主要用于模式识别和非线性回归，它的思想是建立一个分类超平面作为决策曲面，使正例和反例之间的隔离边缘最大化。SVM引入核函数K(x，xi)巧妙地解决了非线性分类问题，SVM有很多不同的核函数，由于径向基RBF核函数能够逼近任何非线性函数，具有很好的学习能力，因此选择RBF核函数，表达式如式(3)

K(x，xi)=exp(-γ‖x-xi‖2)，γ>0

(3)

但是，SVM模型中惩罚参数C和核函数参数γ的选取对分类的正确率影响很大。仅依赖于经验值的试凑是不可行的。

粒子群优化(particle swarm optimization，PSO)算法是计算智能领域基于群体智能的优化算法之一，算法概念源于对人工生命和鸟群捕食行为的研究[10]，采用仿生智能算法进行参数寻优，不用遍历所有参数组，目前已经广泛应用于神经网络、 函数优化等其他算法中。

PSOSVM算法的流程如图3所示，将PSO算法用于支持向量机的参数优化，可以降低优化过程的计算代价，提高分类的正确率[11]。

图3 PSOSVM算法的流程图Fig.3 Flow chart of the PSOSVM algorithm

2 结果与讨论

2.1 优选特征波长

实验采集的近红外光谱波长扫描范围1 000～1 799 nm，共有800个波长变量，如果直接作为分类模型的输入，输入量过大，训练时间过长。SPA通过最小化变量之间的共线性，实现了最优波长的选择，通过SPA对近红外光谱数据进行降维。

针对上述105丸样品，随机选择80个作为训练集，25个为测试集，数据随机分布，符合建模要求。选取质控成分中含量最高，且含量聚类与年份分类吻合的黄芩苷的含量为基准，根据测试集的内部交叉验证均方根误差值最小，由图4可看出，提取最佳的特征波长有11个，分别是：{1 692，1 714，1 405，1 001，1 114，1 478，1 514，1 788，1 202，1 014，1 164} nm，其重要程度依次递减。

图4 优选特征波长分布图Fig.4 The distribution map of preferred characteristic wavelength

2.2 分类模型分析对比

利用训练集80个样本的光谱数据及年份分类，采用SPA-PSOSVM算法建立安胎丸生产年份鉴别的分析模型，以分类的正确率作为评价准则。随机给定SVM分类模型参数，其中惩罚参数C=1和核函数参数γ=1，同时将建模结果与SVM和SPA-SVM两种算法作对比，得到的测试集的分类结果对比如图5—图7所示。

图5 基于SVM的测试集分类结果Fig.5 The graph of test classification result based on SVM

图6 基于SPA-SVM的测试集分类结果Fig.6 The graph of test classification result based on SPA-SVM

图7 基于SPA-PSOSVM的测试集分类结果Fig.7 The graph of test classification result based on SPA-PSOSVM

为更清楚地对比三种方法的效果，汇总仿真中部分变量、 参数和结果，如表3所示(其中黑体字表示本文所用方法)。

从表3对比可知，近红外光谱数据通过三种方法分类建模测试，第一种方法，单一的SVM建模参与变量数目最多，正确率最低；第二种方法，全光谱数据经过SPA降维后，变量数目从800个降到11个，再利用SVM建模，正确率提高到92%，模型耗时大大缩短，体现了SPA算法可有效提高正确率和降低建模时间；第三种方法，即本方法，光谱经SPA降维后，再通过PSO寻优，SVM分类算法的最佳惩罚参数C和核函数参数γ(BestC=16.406 4,γ=0.773 39)，正确率达到了100%，由于寻优过程消耗时间，模型耗时高于单一的SVM分类方法。综合考虑，基于近红外光谱结合SPA-PSOSVM建立安胎丸的年份分类预测模型正确率最高，性能较好(见图7)。

表3 三种方法测试效果对比表Table 3 Table of testcomparison of three methods

3 结 论

对安胎丸近红外光谱数据进行SPA优化降维，在全波段提取了11个特征波长，占全部波长的1.375%，建立了PSOSVM分类模型，预测模型正确率达到了100%，表明SPA算法是一种比较有效的特征波长提取办法，建立的SPA-PSOSVM分类模型正确率明显高于SVM和SPA-SVM，可以有效地用于安胎丸的生产年份分类预测，为药材原材料的优选、 厂家生产工艺的革新和伪劣过期药品的判别提供参考和依据。根据中药的主要质控成分含量随存储时间的变化特点，本方法可为中药的质量评价提供一种快速无损的判定方式。