利用LIBS结合机器学习方法，实现对贯叶连翘（Hypericum perforatum L.）的快速起源追溯和多元素定量分析

《Journal of Analytical Atomic Spectrometry》：Rapid origin traceability and multi-element quantification of Hypericum perforatum L. using LIBS combined with machine learning methods

元素分析是确定药用植物地理来源的关键，本研究采用LIBS与机器学习技术追踪Hypericum perforatum L. (HPL)的起源并预测其元素组成。通过269份样本的LIBS数据采集和15种元素定量分析，优化了11种预处理方法及光谱区间（4-8），构建了4个溯源模型和1个多输出回归量化模型，利用XGBoost算法成功区分新疆7月采收样本，模型R2均超0.8574且预测值与实际无显著差异。

　　

元素分析对于确定药用植物的地理来源至关重要。本研究采用激光诱导击穿光谱（LIBS）和机器学习技术来追踪Hypericum perforatum L.（HPL）的来源并预测其元素含量。LIBS数据来自不同地区的269个HPL样本，而电感耦合等离子体质谱仪则用于定量分析15种元素。我们评估了11种预处理方法对模型效果的影响。利用多输出回归框架，我们开发了四种来源可追溯性模型和多元素定量模型。通过移动窗口算法确定了最佳的光谱区间，自助聚合方法提高了模型的准确性。4–8的光谱区间能够有效区分不同来源的样本，其中XGBoost模型在识别新疆地区7月份采集的HPL样本时表现尤为出色。所有模型的R²值均超过0.8574，配对t-检验显示实际值与预测值之间没有显著差异，这证实了这些模型在来源识别和元素含量预测方面的有效性。