一种基于光谱检测灵芝提取物多糖含量的方法技术

本发明专利技术公开了一种基于光谱检测灵芝提取物多糖含量的方法，采集灵芝提取物样品的主、从机仪器光谱，依次进行多元散射校正、Savitzky‑Golay卷积平滑和MSC+S‑G的光谱预处理，并生成二维相关光谱；然后采用最佳二维小波基对二维相关光谱进行多尺度分解并各层分别重构；然后应用分段直接标准化对重构每一层光谱进行校正，接着建立基于偏最小二乘法和留一法交叉验证的预测模型，最后通过计算出的权重将所有的预测模型融合并进行评价，具有精细，精确、高效的优点，可直接应用于灵芝提取物多糖含量的在线检测，具有广阔的应用及发展前景。

【技术实现步骤摘要】

本专利技术涉及食品安全检测
，具体涉及一种基于光谱检测灵芝提取物多糖含量的方法。
技术介绍
中国的食用菌资源丰富，也是最早栽培、利用食用菌的国家之一。食用菌提取物中含有丰富的蛋白质和氨基酸，其含量是一般蔬菜和水果的几倍到几十倍。食用菌提取物中还富含多种矿质元素：磷、钾、钠、钙、铁、锌、镁、锰、等及其他一些微量元素。灵芝提取物具有很高的药用价值，在提高人体非特异性免疫功能、抗氧化、抗肿瘤、抗辐射、抗衰老、降血糖、降血脂方面具有显著的作用。灵芝提取物中的活性物质多为多糖和萜类物质。灵芝提取物由灵芝工艺提取，主要活性成分是灵芝三萜类化合物和灵芝多糖。灵芝多糖类化合物是灵芝所含重要生理活性成分，深受医药科技工作者的重视，灵芝多糖可抑制肿瘤细胞的无限、快速分裂能力，目前，灵芝多糖已被用作治疗肿瘤的药物之一。现已证明：灵芝多糖还具有提高机体免疫力，提高机体耐缺氧能力，降血糖作用、降血脂作用、抗放射和抗衰老作用。由于灵芝提取物的提取和加工工艺较为成熟，生产灵芝提取物的厂家也越来越多，市面上生产灵芝提取物的厂商规模大小不一、良莠不齐，导致灵芝提取物产品的品质有较大的差别。灵芝提取物中多糖含量也是灵芝提取物中重要的质量指标。不同性质的灵芝提取物品种在外观上差异较小，而其内在品质的差异比较大，价格方面的差异也很大。就考虑其多糖含量而言，随着气候、产地以及提取条件不同往往有较为明显的差异。灵芝多糖含量的测量大多采用可见分光光度计，其分析步骤相当繁琐，样品要经过一系列的萃取、醇沉、提取、离心等的预处理，耗时耗力，同时样品预处理时一般会引起所分析指标成分的减少，导致最终结果的精确性受到影响，运用常规的理化分析后的样品受到一定程度的污染，样本将无法继续使用。为了在研究和生产过程中进行快速在线分析，研究部分有效成分含量快速检测的方法对提升控制质量水平具有很重要的意义。
技术实现思路
为解决上述问题，本专利技术提供了一种基于光谱检测灵芝提取物多糖含量的方法，采用的双树复小波与直接标准化相结合的方法，同时具有精细，精确、高效的优点，能广泛应用于近红外和拉曼光谱等领域。为实现上述目的，本专利技术采取的技术方案为：一种基于光谱检测灵芝提取物多糖含量的方法，包括如下步骤：S1、选择并设定两台光谱仪器分别作为主、从仪器，分别采集灵芝提取物样品的主、从机仪器光谱；S2、对所采集的原始光谱依次进行多元散射校正、Savitzky-Golay卷积平滑和MSC+S-G的光谱预处理，然后选择并设定训练集和测试集；S3、生成步骤S2所得光谱的二维相关光谱，并结合二维小波变换和二维相关光谱的特性，选择最佳小波基对二维相关光谱进行二维小波多尺度分解，得二维小波系数；S4、对不同仪器的光谱的分解后的二维小波系数分别进行重构，得到各层重构的光谱；S5、使用直接标准化(PDS)算法对重构的从机光谱进行校正，然后使用重构的训练集的主机光谱与步骤S1采集光谱的化学真值浓度，建立基于偏最小二乘法和留一法交叉验证的预测模型；S6、将步骤S5校正后的测试集从机光谱输入所得的基于偏最小二乘法和留一法交叉验证的预测模型，得到预测结果，并得到每个预测模型的交叉验证均方根误差；S7、通过交叉验证均方根误差计算步骤S6所得的预测模型的权值；S8、使用权值将所得的所有的预测模型进行模型融合，并计算模型预测值与化学真值之间的偏差和相关系数。其中，所述步骤S1中所采集的原始光谱是对同一样品在不同温度条件下采集同一仪器的光谱，其中的变化的温度条件对于不同的样品需要保证相同。其中，所述步骤S6所述的交叉验证均方根误差通过以下公式计算： R M S E C V = Σ 1 n ( C N I R - C R E F ) 2 Σ 1 n C R E F 2 ]]>式中：RMSECV为交叉验证均方根误差；n为测试集样品数，CNIR为样品的多糖含量矩阵；CREF为预测出的样品多糖含量矩阵。其中，所述模型预测值与化学真值之间的偏差通过以下公式计算： R M S E P = Σ 1 n ( C N I R - C R E F ) 2 n ]]>式中：RMSEP为模型预测值与化学真值之间的偏差，n是测试集样品数，CNIR为样品的多糖含量矩阵；CREF为预测出的样品多糖含量矩阵。其中，本文档来自技高网...

【技术保护点】
一种基于光谱检测灵芝提取物多糖含量的方法，其特征在于，包括如下步骤：S1、选择并设定两台光谱仪器分别作为主、从仪器，分别采集灵芝提取物样品的主、从机仪器光谱；S2、对所采集的原始光谱依次进行多元散射校正、Savitzky‑Golay卷积平滑和MSC+S‑G的光谱预处理，然后选择并设定训练集和测试集；S3、生成步骤S2所得光谱的二维相关光谱，并结合二维小波变换和二维相关光谱的特性，选择最佳小波基对二维相关光谱进行二维小波多尺度分解，得二维小波系数；S4、对不同仪器的光谱的分解后的二维小波系数分别进行重构，得到各层重构的光谱；S5、使用直接标准化(PDS)算法对重构的从机光谱进行校正，然后使用重构的训练集的主机光谱与步骤S1采集光谱的化学真值浓度，建立基于偏最小二乘法和留一法交叉验证的预测模型；S6、将步骤S5校正后的测试集从机光谱输入所得的基于偏最小二乘法和留一法交叉验证的预测模型，得到预测结果，并得到每个预测模型的交叉验证均方根误差；S7、通过交叉验证均方根误差计算步骤S6所得的预测模型的权值；S8、使用权值将所得的所有的预测模型进行模型融合，并计算模型预测值与化学真值之间的偏差和相关系数。...

【技术特征摘要】
1.一种基于光谱检测灵芝提取物多糖含量的方法，其特征在于，包括如下步骤：S1、选择并设定两台光谱仪器分别作为主、从仪器，分别采集灵芝提取物样品的主、从机仪器光谱；S2、对所采集的原始光谱依次进行多元散射校正、Savitzky-Golay卷积平滑和MSC+S-G的光谱预处理，然后选择并设定训练集和测试集；S3、生成步骤S2所得光谱的二维相关光谱，并结合二维小波变换和二维相关光谱的特性，选择最佳小波基对二维相关光谱进行二维小波多尺度分解，得二维小波系数；S4、对不同仪器的光谱的分解后的二维小波系数分别进行重构，得到各层重构的光谱；S5、使用直接标准化(PDS)算法对重构的从机光谱进行校正，然后使用重构的训练集的主机光谱与步骤S1采集光谱的化学真值浓度，建立基于偏最小二乘法和留一法交叉验证的预测模型；S6、将步骤S5校正后的测试集从机光谱输入所得的基于偏最小二乘法和留一法交叉验证的预测模型，得到预测结果，并得到每个预测模型的交叉验证均方根误差；S7、通过交叉验证均方根误差计算步骤S6所得的预测模型的权值；S8、使用权值将所得的所有的预测模型进行模型融合，并计算模型预测值与化学真值之间的偏差和相关系数。2.根据权利要求1所述的一种基于光谱检测灵芝提取物多糖含量的方法，其特征在于，所述步骤S1中所采集的原始光谱是对同一样品在不同温度条件下采集同一仪器的光谱，其中的变化的温度条件对于不同的样品需要保证相同。3.根据权利要求1所述的一种基于光谱检测灵芝提取物多糖含量的方法，其特征在于，所述步骤S6所述的交叉验证均方根误差通过以下公式计算： R M S E C V = Σ 1 n ( C N I R - C R E F ) 2 Σ 1 n C R E F 2 ]]>式中：RMSECV为交叉验证均方根误差；n为测试集样品数，GNIR为样品的多糖含量矩阵；CREF为预测出的样品多糖含量矩阵。4.根据权利要求1所述的一种基于光谱检测灵芝提取物多糖含量的方法，其特征在于，所述模型预测值与化学真值之间的偏差通过以下公式计算： R M S E P = Σ 1 n ( C N I R - C R E F ) 2 n ]]>式中：RMSEP为模型预测值与化学真值之间的偏差，n是测试集样品数，CNIR为样品的多糖含量矩阵；CREF为预测出的样品多糖含量矩阵。5.根据权利要求1所述的一种基于光谱检测灵芝提取物多糖含量的方法，其特征在于，所述步骤相关系数通过以下公式计算： R = Σ 1 n C N I R C R E F - Σ 1 n C ...

【专利技术属性】
技术研发人员：楚冬海，尚海巍，贺凤伟，
申请(专利权)人：辽宁科技学院，
类型：发明
国别省市：辽宁;21