基于FT-NIR和ATR-FTIR光谱结合机器学习的Gastrodia elata Blume变种与杂交种精准鉴别研究

本研究创新性地结合傅里叶变换近红外光谱（FT-NIR）和衰减全反射红外光谱（ATR-FTIR），通过主成分分析（PCA）、t-SNE降维、偏最小二乘判别分析（PLS-DA）、支持向量机（SVM）及残差卷积神经网络（ResNet）模型，实现了天麻变种与杂交种的100%准确鉴别，为中药材质量控制提供了高效无损检测新范式。

　　

Highlight

光谱数据集特征解析

近红外光谱主要研究分子中O-H、N-H和C-H键的倍频与合频振动，中红外光谱则聚焦有机化合物的基频振动。基于FT-NIR和ATR-FTIR光谱结合机器学习模型，本研究对采自云南、四川等六省区的4种天麻（含变种及杂交种）进行鉴别分析。

讨论

不同光谱预处理方法显著影响模型性能。通过对比发现，基于FT-NIR等三种光谱数据集的无监督线性PCA效果逊于非线性t-SNE，但因处理大规模数据集时存在局限，二者均未能实现四类天麻的准确分类。

结论

本研究构建的ResNet模型在训练集、测试集及外部验证集中均达到100%准确率，且无需复杂预处理即可实现最优效果。FT-NIR光谱结合ResNet的方案，为天麻变种与杂交种的快速鉴别提供了可靠技术路径。

（注：翻译严格保留专业术语如FT-NIR、ResNet等中英文对照，并采用Gastrodia elata Blume等生物学斜体命名规范）