基于知识图谱的中药制药过程质量控制方法学研究

根据中药制药过程质量控制技术方法的发展需求与新一代人工智能在中药工业中的现实应用场景,围绕中药制药过程质量控制方面亟待解决的核心问题,研究提出中成药生产制造知识图谱构建方法,由此设计建立适应中成药生产特点的"制药工业大脑"模型,进而创建基于知识图谱的中药制药过程质量控制方法学,并简述了中药制药知识图谱的设计方法、系统架构及主要功能。以舒血宁注射液为载体开展应用示范研究,研究建成用于舒血宁注射液智能制造的知识图谱1. 0平台,实现了中药制药过程质量控制系统从感知智能向认知智能的技术跨越。

基于高光谱成像技术融合光谱和图像特征鉴别不同产地的甘草

基于高光谱成像技术从可见-近红外波段(VNIR, 435~1 042 nm)和短波红外(SWIR, 898~1 751 nm)波段提取光谱和图像特征,融合数据建立分类模型,鉴别不同产地甘草药材。提取甘草样品高光谱数据的光谱特征,结合多种预处理算法对光谱数据进行降噪处理,利用偏最小二乘判别分析(PLS-DA)、支持向量机分类(SVC)和随机森林(RF)建立产地分类模型。利用灰度共生矩阵(GLCM)提取图像纹理特征,从3个维度实现全方位融合,即VNIR和SWIR融合,光谱和图像融合以及全数据融合。结果显示,短波红外波段光谱对甘草产地鉴别准确率较高,基于Savitzky-Golay平滑的二阶导数预处理光谱建立的产地鉴别模型具有较优判别效果。PLS-DA和SVC产地鉴别模型分类准确率分别达到93.40%和94.11%,基于混淆矩阵和ROC特征曲线对模型进行评估,PLS-DA模型分类准确度和模型泛化能力优于SVC和RF模型。3个维度上的数据融合对分类性能产生积极影响,连续投影算法波段全数据融合仅利用28个特征波长分类准确率可达到94.82%,该方法在保证分类准确率的基础上能够有效地提高分类效率。高光谱成像技术能够无损、直观、快速鉴别不同产地甘草样品。

基于近红外高光谱成像结合分水岭算法鉴别酸枣仁药材的产地

目的:基于近红外高光谱成像结合分水岭算法建立一种快速、无损、绿色的鉴别酸枣仁药材产地的方法。方法:对不同来源的2215个酸枣仁样品进行高光谱扫描,从高光谱数据中提取相应的光谱和图像信息,并采用分水岭算法对聚集的酸枣仁样品进行目标分割识别,实现单粒样本平均光谱的自动提取。进一步比较了一阶导数(derivative 1)、二阶导数(derivative 2)、多元散射校正(multiplicative scatter correction,MSC)、Savitzky-Golay平滑(S-G smoothing)和标准正态变量变换(standard normal variate,SNV)5种不同预处理方法对建模的影响。同时建立了最小二乘法判别分析(partial least squares discrimination analysis,PLS-DA)、支持向量机(support vector classification,SVC)、随机森林(random forest,RF)3种不同的判别模型。并对所建立的模型性能采用准确率、混淆矩阵(confusion matrix)、受试者工作特征曲线(receiver operating characteristic curve,ROC)和曲线下面积(area under the curve,AUC)这4个指标进行评价。结果:二阶导数是最有效的预处理方法,对预处理后的数据采用PLS-DA建立的模型较优,其训练集、验证集和测试集的准确率分别为99.87%、99.27%和99.14%,并且其混淆矩阵、ROC曲线和AUC均显示了该模型对于酸枣仁药材产地分类的优越性。结论:本研究建立的近红外高光谱成像技术结合分水岭算法对酸枣仁药材产地的鉴别能力较强,可为工业化在线检测方法的开发提供技术支撑。

基于近红外高光谱成像技术对不同产地苦杏仁和桃仁药材的鉴别

为建立一种快速无损鉴别不同产地苦杏仁、桃仁药材及其真伪辨别的评价方法,基于高光谱成像技术采集898~1 751 nm内苦杏仁、桃仁药材的光谱信息。以不同产地的苦杏仁和桃仁药材为研究对象,并取其中720个苦杏仁样品和600个桃仁样品进行真伪辨别,经过提取感兴趣区域(region of interest, ROI),获得ROI内平均反射光谱后,比较5种预处理方法,利用偏最小二乘法判别分析(partial least square-discriminant analysis, PLS-DA)、支持向量机(support vector machine, SVM)和随机森林(random forests, RF)方法分别建立分类模型,并基于预测结果的混淆矩阵(confusion matrix)和受试者工作特征曲线(receiver operating characteristic curve, ROC)作为综合评价指标。结果表明,在3个样本集中,均表现出二阶导数预处理方法与PLS-DA是最佳的模型组合,其5折交叉验证下测试集分类准确率分别为93.27%,96.19%,100.0%,与预测结果的混淆矩阵相一致,且其ROC曲线下面积分别获得0.992 3,0.999 6,1.000的最高值。可见,基于近红外高光谱成像技术能准确鉴别不同产地苦杏仁、桃仁药材,并可实现2个品种的真伪辨别。