NIRS的分析流程

导演叫我趴下脸着地

2020/09/10
Love to share

私聊

近红外光谱（NIR）

NIRS的分析流程

近红外光谱技术的分析流程，主要包括：光谱采集、一级数据的测定、异常数据的剔除、光谱有效信息的提取、模型的建立、模型的评价和模型的应用。

（1）原始光谱的采集

原始光谱的采集有不同采集方式，一般透明液体采用透射方式采集，固体颗粒、粉末等采用漫反射采集方式，半透明液体或者固体采用漫透射采集方式。根据具体制药过程的特性（如设备的运动状态、目标设备的几何配置）以及被追踪样品的特性（如成分组成、物理特征、状态等），原始光谱的采集又分为在线和离线两种采集方式。

（2）一级数据的测定

由于NIRS为二级测量方法，故需要与相应的标准方法测量的一级数据一一对应关联后进行建模，一级数据的准确性是保证后续模型准确的基础。

（3）异常数据的剔除

①异常光谱数据的剔除

制药过程中工艺参数的变化、测量环境的改变以及近红外仪器本身测量角度的变化等干扰因素都会导致测量误差的出现，这是异常光谱产生的主要原因。异常光谱的出现，会使模型的精度降低。移除某些远离样本中心的光谱，能够避免建模光谱的明显偏差，明显降低干扰因素的影响，提高模型的稳健性和准确性。

②异常一级数据的剔除

根据统计学检测，高杠杆点样本对建模结果及后续的模型应用会产生较大的影响，这类参考值在校正集中是“危险”的，会使模型变得不可靠，须对这类参考值进行剔除。如果这些参考值不通过相应的算法进行剔除，建立的模型会出现不可估量的误差，给生产和检验带来不可估量的损失。

（4）光谱有效信息的提取

原始光谱中包含物质的广泛的理化信息，不但包括与CQAs相关的信息还包括随机噪音等一些与待测CQAs无关的信息，这些信息很可能掩盖有效信息，所以需要预处理及波段选择对光谱进行“净化”[29]，不同的预处理及不同的预处理组合都会产生不同的结果，甚至预处理方法顺序不同也会产生不同的结果，故需要不断地尝试来提高模型的预测能力。由于变量选择的原理不尽相同，选出来的变量也不一样，因此在实际的数据处理过程中，为了选出最佳变量组合也需要不断尝试。常用的预处理及波段选择方法及相应的作用如表1-1和1-2.

表1-1常用的预处理方法及相应的作用

预处理	预处理作用
均值中心化	放大光谱间的差异，增加了光谱特异性波段对目标物质相关信息的灵敏度
SNV	消除颗粒散射带来的效应，消除或者减弱颗粒大小变异的影响、物料动态特性造成的测量距离的变化带来的影响以及多种因素带来的基线漂移
导数	光谱的基线校正以及提高光谱的分辨率，导数在提高分辨率的同时会产生噪音，故常与平滑结合对光谱进行预处理
Savitzky-Golay (SG)平滑	消除导数预处理等带来的噪音

表1-2常用的波段选择方法及相应的原理作用

波段选择方法	原理及作用
UVE	是基于PLS回归系数b的算法，用于消除与CQAs变化无关的变量
CARS	是将蒙特卡罗采样方法与PLSR回归系数b结合的波段选择方法
CC	是用光谱矩阵中的每列吸光度数值与一级数据之间进行回归，得出每个变量点对应的吸光度与一级数据的回归系数R，然后根据\|R\|来进行波段选择
VIP	VIP算法是基于PLS回归中参数VIP的算法，用于挑选出VIP得分响应较高的变量点

（5）模型的建立

模型的建立是NIRS分析流程的核心，模型的建立方法会影响模型的预测能力及稳健性，因此建模方法的选择至关重要。常用的定量建模方法[30]有：多元线性回归（Multiple Linear Regression, MLR）、主成分回归（Principal Component Regression, PCR）、偏最小二乘回归（Partial Least Squares, PLSR）[31]、局部权重回归（Locally Weighted Regression, LWR）[32]等。

（6）模型的评价

建立的NIRS模型需要一些参数对其进行评，主要包括：

①校正集决定系数(Rc2)

（1-1）