浅谈近红外分析

蜗壳小张

2018/10/12
Chinfo近红外小分队

私聊

近红外光谱（NIR）

1. 从光谱维度观看样品
近红外光谱的对象是样品。对样品的定义和标记，可以有千万种，例如从样品的理化属性，在光、电、磁场刺激的响应，样品的聚集形式，各类谱图，甚至人为定义的各种编码。大部分对样品的定义变成了分析化学工作者手中具体的任务，例如密度、折光率、红外、紫外、核磁和近红外等的测量。样品从一个抽象的对象实例化为具体的物质，就注定了其独一无二的属性。人以群分，物以类聚，相似的样品可能体现在相似的元素构成、分子结构、构象、晶型等上面。而分析工作者所要做的就在各种条件下，当存在各种干扰时，准确通过样品的某些属性，获取样品中组分的浓度，或者根据组分对样品进行聚类或判别。因此能够充分描述样品组分差异、获取成本低是大部分优秀的检测手段的特征。
近红外光谱从分子水平上为人们打开了一扇通往样品组成的窗户。近红外光谱是样品在复色光照射下，在780-2526 nm范围内的光谱吸收曲线，包含了了大量含氢集团的信息。通常气态和液态样品采样近红外吸收光谱法，而固态或不透明膏状样品采用近红外漫反射光谱。而近红外漫反射的优势决定了只需要简单的粉碎、混匀等样品处理、甚至可以直接检测光谱。近红外光谱的这些优势奠定了在快检领域的重要地位。
2. 近红外光谱建模的基础
朗伯比尔定律是近红外光谱分析的基础。组分浓度与光谱吸收强度在一定范围内呈线性关系。因此，理论上，近红外光谱可以和大部单变量分析光谱一样，通过某个波长的吸收和对应官能团建立工作曲线。然而，每种含氢基团在近红外区响应并非是离散的点，而是具有一定宽度，形状介于高斯曲线和洛伦兹曲线的吸收带。近红外区丰富的信息导致了大量基团的吸收带都互相重叠，从而难以分理处每个基团纯净的吸收。相较于单变量校正，多变量校正具有两大显著优势。1）多元校正一般是对多个变量同时拟合的残差平方和的最小化。而同基团的多个变量相当于单个变量的多次量测（背景干扰在后面讨论，在此忽略），而量测噪声则相互独立，因此量测结果通过多次重复测量得到提升。2）多元校正能够对抵抗校正集中出现的部分干扰。单变量校正不能抵抗干扰组分，即使出现干扰组分，也必须要求其浓度不随样本变化，才能在工作曲线中通过截距项将其干扰抵消。而大部分分析任务很难保证所有样本的干扰组分都固定不变，而多元校正试图通过一列线性组合的系数，该系数尽可能与干扰组分光谱正交，而与目标组分光谱平行。因此即使干扰组分光谱强度有一定的变量，由于其与系数正交，最终仍然难以对校正结果产生较大影响。
3. 近红外光谱分析的发展
3.1高维数据分析
多变量分析（多元校正）在近红外光谱分析中取得了很大的成功。然而在更复杂的分析任务中，干扰组分可能并不一定出现在校正集中。高维数据分析的出现大大提高了近红外光谱解析的准确性。样本中各组分在光谱维度上的分布为深入物质内部观察打开一扇窗户，温度、PH值、电场、磁场扰动等为近红外光谱分析打开了另一扇窗。从此，近红外分析不再是平面，而是立体的。高维数据分解通过提出样品在不同维度上唯一的轮廓实现。尽管高维数据表现出在分解中物理意义明确、解唯一、抗干扰等优势，但是在实际应用中，仍然存在不符合实际的情况。例如，外加的扰动程度不足以得到唯一的可行解。或者解析轮廓在某些扰动下存在畸变，导致数据失去线性规律。
3.2多种数据融合
高维数据分析是拓宽了分析的维度、而数据融合则延伸了分析的深度。所谓数据融合是将样本不同类型的量测数据同时分析的一种方法。任何一种技术都难以对物质属性进行足够充分的描述，而互补的另一种技术可能为单一数据分析带来质的飞跃。多种数据通过一种纽带（例如：浓度）连接，在数据分解上可能将原来无法区分的组分分离。进而带来更准确和稳健的分析结果。

分
该帖子已被版主-Kevin加10积分，加2经验;加分理由:鼓励原创