基于迁移学习与TrAdaBoost-SVM方法的XRF中药重金属超标研究

中药材重金属超标问题日趋严重,将阻碍中药产业的未来高质量发展,因此研究高效、准确、便捷的超标鉴定方法对于了解中药的安全性具有重要意义。X射线荧光(XRF)光谱分析具有无损检测、快速准确、样品制备方便等优势,在元素分析领域获得广泛应用。由于中药材重金属超标阈值低(如中国药典2020年版规定铅超标为5 mg·kg-1),中药的种类繁多,基体复杂,国家标准样本匮乏,常规的分类算法难以准确鉴定超标问题。将迁移学习与多分类支持向量机(TrAdaBoost-SVM)方法结合,以金银花为例,采用与金银花相似的国家土壤标准样品的光谱特征信息用于数据增强,将土壤标准样品和少量中药样本混合建立迁移学习和支持向量机分类模型。通过实验验证,迁移学习和TrAdaBoost-SVM结合的分类优化方法,与传统SVM、AdaBoost分类算法相比,鉴定重金属元素铅(Pb)的超标准确率有显著提高。通过测试数据集的预测验证,TrAdaBoost-SVM模型的预测准确率为96.7%,高于传统SVM及AdaBoost分类模型的准确率。所提出的迁移学习与TrAdaBoost-SVM结合的方法,可在小样本条件下建立分类模型,并对中药的重金属超标准确预测,具有一定的理论意义和应用价值。