基于近红外光谱检测和平衡级联稀疏分类的药品鉴别方法

近红外光谱检测和模式识别方法相结合,在药品的现场快速无损监督管理中有广阔的应用前景。传统的鉴别方法以最小化错误率为目标,往往忽略了样本数据的类别不平衡性,从而使得少数类样本被多数类样本淹没,降低少数类样本对分类器的影响,使分类结果更加倾向正确识别多数类样本,严重影响鉴别结果。针对药品光谱数据中真假药品类别不平衡问题进行研究,融合平衡级联和稀疏分类方法(SRC),提出一种级联的稀疏分类药品鉴别方法(BC-SRC)。文中在多数类样本中选取和少数类数目相同的样本作为训练样本,并在多数类样本中进行多次平行采样使得多数类样本被全部获得过(采样次数为多数类样本数与少数类样本数商的向上取整),最终得到测试样本的多组预测结果,根据得到的多组结果获得最终预测标签。将提出的方法在Matlab 2012a上进行仿真实验,通过三组样本集的实验证明该方法的有效性,实验结果表明该方法优于常用的偏最小二乘(PLS)、极限学习机(ELM)和BP神经网络分类法,特别是在解决类别不平衡问题时,当不平衡因子大于10时,BC-SRC算法分类相对于其他算法性能更好,且稳定性更高。

基于波形叠加极限学习机的近红外光谱药品鉴别

近红外光谱药品鉴别作为识别假冒伪劣药品的一种有效技术手段,已被广泛应用到各大医疗行业和药品监督管理机构,并结合模式识别建模方法在基层药品打假中得到较好的推广。由于传统建模方法很难满足药品鉴别中大规模、多分类、快速建模等问题,因此采用一种基于波形叠加极限学习机(SWELM(CS))分类方法对光谱数据进行鉴别。通过选用极限学习机(ELM)作为光谱药品分类器,使得分类模型具有快速学习能力以及对训练样本不敏感的特点;由于极限学习机的连接权值和隐层神经元阈值是随机生成导致网络稳定性差,因此结合布谷鸟搜索算法优化分类模型参数;采用反双曲线正弦函数与Morlet小波函数叠加的激励函数代替ELM原有的单一激励函数改善了分类模型的收敛速度和稳健性。通过上述改进方法使得SWELM(CS)具有对训练样本不敏感性,布谷鸟参数优化的分类稳定性、波形叠加函数的强收敛性与信号特征提取能力。该方法为核函数提供的信号特征提取及拟合的思想,可推广到其他学习算法中以获取更高的分类准确度及稳定性。该实验选定西安杨森制药厂生产的249个近红外光谱药品样本作为研究的主要对象,重点研究光谱药品的二分类和多分类实验,实验证明SWELM(CS)分类器相比BP神经网络、标准ELM以及粒子群优化ELM等传统分类器算法具有更高的分类准确度、分类稳定性及更小的训练样本敏感性。

基于堆栈稀疏自编码融合核极限学习机的近红外光谱药品鉴别

提出一种基于堆栈稀疏自编码融合核极限学习机(Stacked sparse auto-encoders combine kernel extreme learning machine,SSAE-KELM)的近红外药品鉴别方法,通过引入核极限学习机代替SSAE的Softmax分类和BP微调阶段,减少了模型的训练步骤、训练参数以及训练时间,提高了深度学习网络的实际应用能力,核函数的引入提高了模型的分类能力。其中,SSAE用于初始化整个网络模型,并且从输入数据中学习到有用的特征,KELM用于实现分类任务。研究了SSAE-KELM模型对不同厂商生产的同一包装形式(铝塑或非铝塑)药品鉴别的预测能力、稳定性及训练时间,以实现药品的二分类和多分类的无损鉴别。同时,与ELM、SSAE、BP、SVM及随机隐退深度信念网络(Dropout-DBN)进行对比。结果表明,无论是二分类还是多分类,SSAE-KELM不仅具有更优的分类能力和稳定性、还减少了训练时间。因此,SSAE-KELM是一种有效的光谱分类建模工具。

基于堆栈压缩自编码的近红外光谱药品鉴别方法

由于近红外光谱在药品鉴别应用中具有分析速度快、样品无损、可现场检测等突出优点,目前已在众多领域中广泛应用。但近红外光谱存在信噪比低,吸收强度弱且谱峰重叠等缺点,无法从光谱中直接得到定性/定量的物质信息,因而近红外光谱分析技术常作为一种间接分析技术,并且光谱的化学计量学建模方法成为近红外光谱分析的核心内容。深度学习是机器学习的一个新的分支,并已经成功运用于多个领域。深度学习的网络结构和非线性的激活能力,使其模型特别适合高维、非线性的大规模数据建模。为进一步丰富近红外光谱建模方法,并提高近红外光谱分析技术的回归精度或分类准确率,将深度学习方法应用于近红外光谱分析,发展新的建模方法十分必要。面向近红外光谱定性分析技术,提出一种基于堆栈压缩自编码网络(SCAE)光谱定性分析方法,并应用于多类别药品的光谱分析,以区分或鉴别不同厂家生产的同种药品。压缩自编码网络(CAE)以自编码网络(AE)为基础,进一步加入雅克比矩阵作为约束项。自编码网络最初是用实现数据降维,以学习数据内部特征,而雅克比矩阵包含数据在各个方向上的信息,将其作为AE的约束项则可使提取到的特征对输入数据在一定程度下的扰动具有不变性,从而提高AE提取特征的能力。SCAE是一种由多层CAE构成的神经网络。前一层CAE的隐藏层作为后一层CAE的输入层,网络的全部参数是通过采用逐层贪婪的训练方式来获取的,训练结束后将所有网络视为一个整体,通过反向传播算法进行微调,最后使用Logistic/Softmax分类器进行定性分析。实验数据均为中国食品药品检定研究院采集,以头孢克肟胶囊作为二分类实验数据,硝酸异山梨酯片作为多分类实验数据。通过Bruker Matrix光谱仪测定每个样本在不同波长下的吸光度值得到其光谱曲线,再通过OPUS软件消除漂移等因素对光谱样本之间产生的偏差。接下来通过实验确定约束项雅克比矩阵的系数λ为0.003之后建立模型。建模过程分为五个阶段,分别为:预处理阶段,预训练阶段,微调阶段,测试阶段和对比阶段。为了验证SCAE在分类准确性、算法稳定性和建模时间等方面的性能,与BP神经网络、SVM算法、稀疏自编码(SAE)和降噪自编码(DAE)开展对比实验研究。分类准确性方面,在不同的训练集与测试集的比例下,SCAE均有最佳的分类准确性与算法稳定性。建模时间方面,由于SVM算法不需要预训练和特征提取,所以运行时间方面比其他算法有大的优势,但是SCAE建模速度优于除SVM之外的其他对比算法。综合而言,使用SCAE进行药品鉴别有效可行。

稀疏降噪自编码结合高斯过程的近红外光谱药品鉴别方法

提出一种稀疏降噪自编码结合高斯过程的近红外光谱药品鉴别方法。首先对近红外光谱数据进行小波变换以消除基线漂移,然后用稀疏降噪自编码(SDAE)网络提取光谱特征并降维表示,最后采用高斯过程(GP)进行二分类,其中GP选用光谱混合(SM)核函数作为协方差函数,记此分类网络为wSDAGSM。自编码网络具有很强的模型表示能力,高斯过程分类器在处理小样本数据时具有优势。wSDAGSM网络通过稀疏降噪自编码学习得到维数更低但更有价值的特征来表示输入数据,同时将具有很好表达力的光谱混合核作为高斯过程的协方差函数,有利于更准确的光谱数据分类。以琥乙红霉素及其他药品的近红外光谱为实验数据,将该方法与经过墨西哥帽小波变换的BP神经网络(wBP)、支持向量机(wSVM),SDAE结合Logistic二分类(wSDAL)、SDAE结合采用平方指数(SE)协方差核的GP二分类(wSDAGSE),以及未采用小波变换的SDAGSM网络等方法进行对比。实验结果表明,对光谱数据进行墨西哥帽小波变换预处理能有效提升SDAGSM网络的分类准确率和稳定性。wSDAGSM方法无论从分类准确率还是分类结果稳定性方面,都优于其他分类器。

基于深度信念网络与随机森林的药品鉴别方法

为解决近红外光谱药品鉴别中,光谱数据特征维数较高,传统的浅层特征提取方法学习能力不足的问题,提出了基于深度信念网络和随机森林的药品鉴别算法。算法将深度信念网络与随机森林相结合,利用了深度信念网络对高维特征向量强大的分析和提取能力,以及随机森林良好的分类性能,将深度信念网络作为特征提取器,随机森林方法作为分类器。通过用三种近红外光谱数据集进行实验验证,与其它传统算法作对比,证明了改进方法的有效性,且随着原始输入特征数的提升,算法性能越显优越。

基于栈式自编码融合极限学习机的药品鉴别

近红外光谱数据维度较高,传统的特征提取方法不足以提取更高层次的抽象特征,为此提出一种栈式自编码融合极限学习机的药品鉴别方法,利用ELM代替SAE的反向微调和Softmax分类阶段,减少了SAE的训练时间,提高了SAE的应用能力。以不同厂商生产的非铝塑包装的头孢克肟片药品的近红外光谱为实例,在不同规模的数据集下,验证该算法,并与其它机器学习方法进行对比。实验结果表明,SAE-ELM减少了SAE的训练时间,具有较高分类准确率和稳定性。

药品鉴别条目选用原则的探讨

本文建议更广泛地选用红外光谱法和高效液相色谱法进行真伪鉴别,删减专属性不强的方法,每一品种的鉴别条目以一两条为宜,最多不超过4条。

红外分光光度法在药品鉴别试验中的制样技术分析

目的:通过分析总结红外分光光度法在药品鉴别试验中常用的制样技术以期提高制样质量。方法:对不同类型和性状的样品在红外制样过程中常用方法操作要点和影响因素进行解析,寻求解决方案。结论:要提高制样质量,应把握待测样品性质,摸索试验条件,不断积累经验。

假劣药品鉴别常识

现在社会上到处都有假冒伪劣的东西出现。在药品这个行业当中也有很多，它不仅仅是给社会带来了不好的影响，更主要的是它和我们的身体健康密切相关，本来是没有什么大的病，医生诊断也很正确，用药也很正确，可是由于药品的质量问题，不但没有治疗好疾病，反而是给自身机体带来了不必要的伤害。

浅析PH值对药品鉴别试验结果的影响

本文从样品取用量、试剂取用量,药物性质三方面分析了试验环境的 pH 值对鉴别试验结果的影响。

国内外药典药品鉴别方法的收载趋势及其对药学教育改革的启示

为了解国内外药品法定鉴别方法的发展动向,研究药物分析检验专业的教学改革意见,笔者统计分析了中国药典(2000)、英国药典(2000)和美国药典24版正文中收载的法定鉴别方法的情况.

基于拉曼光谱的改进投影算法快速鉴别药品

投影算法常用于混合物分析中确定灰色体系是否存在未知干扰,而在用于药品鉴别时,由于其判定标准不充分,故不能同时准确鉴别不同药品和相似药品。提出将投影算法的判定标准(待测物质光谱的量测误差大小是否在限定水平)改进为待测物质光谱与标准物质光谱的量测误差大小水平是否相当、量测误差分布是否相近。将改进投影算法与未经改进投影算法用于六种(拜耳阿司匹林肠溶片、泰诺对乙酰氨基酚缓释片、拜耳复方对乙酰氨基酚片Ⅱ、华中复合维生素C片、华中维生素B片、吗丁啉多潘立酮片)不同药品的鉴别以及三种相似药品(拜耳阿司匹林肠溶片、上海信宜药阿司匹林肠溶片、巴米尔阿司匹林泡腾片)的区分,实验结果表明改进投影算法实现了不同药品的准确鉴别及相似药品的准确区分,准确率均高达100%,有望发展成为普适,可靠的自动化药品识别算法,并为基于拉曼光谱的物质识别算法研究提供参考依据。

手动快速压片装置在药品红外鉴别上的应用

作者设计制作了一种手动快速红外试样压片器 ,其特点是将试样和盐片压制在内径Φ7mm的不锈钢套管中部 ,盐片重约 2 0mg ,耗试样 0 1～ 0 2mg ,压片速度为数十秒 /次 ,可以边扫描边压片 ,几乎能与傅里叶变换红外光谱仪同步工作。使用本压片器获得的光谱图质量好 ,适用于药品的红外鉴别。

一些常用药品的真假鉴别特征

近几年随着医药市场的不断开放,一些不法分子无视<药品管理法>的存在,造假、售假现象屡禁不止.造假手段越来越隐蔽,造假技术越来越先进,用传统的检查有无批准文号、批号、生产厂名的方法已不能检查出药品的真伪.有些药品若不注意观察或不具备一定的药品鉴别常识,不借助药检仪器是很难辨别真伪的.但是只要在实际工作中善于观察、总结,假药终会露出破绽.我们在药品监督抽验工作中,发现了一些样品,经我所检验均为假药.

解热镇痛类药品快速鉴别薄层参比板的研制

目的为药品现场检验提供一种快速鉴别药品真伪的薄层板。方法将对乙酰氨基酚等9种不同对照药品点于同一硅胶GF254薄层板上,密封制成含参比物的商品薄层板。结果可鉴别120种常用非处方解热镇痛类药品,与现有薄层色谱鉴别比较,具有操作简便快速、结果专属性强、消耗成本低等特点。结论该薄层板具有较高的实用性。