数据融合与机器学习联用技术实现37种寡糖类中药材的精准鉴别与质量控制

本研究创新性地结合蒸发散射检测器(ELSD)和二极管阵列检测器(DAD)，采用低/中层次数据融合策略构建28个机器学习模型，其中基于中层数据融合的偏最小二乘判别分析(PLS-DA)模型验证集准确率达100%，为寡糖类中药材(ORHs)的鉴别与质量控制提供了高效解决方案。

　　

Highlight亮点

本研究开创性地将两种检测技术（ELSD和DAD）与多层次数据融合策略相结合，犹如给中药材装上了"化学指纹扫描仪+糖分雷达"的双探测系统。通过28个机器学习模型的"人机对抗"训练，最终筛选出的PLS-DA模型就像拥有"火眼金睛"的智能质检员，能百分百准确识别37种长相相似的寡糖类中药材。

Method optimization方法优化

在HPLC-DAD分析中，我们直接调用实验室"秘籍数据库"的标准化方法，特别在210nm到380nm的6个波长下采集数据，就像用不同颜色的探照灯扫描药材成分。而HPLC-ELSD的优化过程则像在玩"化学俄罗斯方块"——我们逐步调整样品制备方案、色谱条件和ELSD参数，最终搭建出最完美的分析"积木塔"。

Conclusion结论

这项研究就像给中药材市场安装了"AI质检流水线"，通过数据融合技术让机器学习模型获得了"1+1>2"的识别能力。特别是中层数据融合策略调教出的PLS-DA模型，在训练集、测试集和验证集上分别交出98.17%、98.91%和100%的优异成绩单，为寡糖类中药材建立起全新的"数字身份证"体系。

Abbreviations缩略语

MOH（巴戟天）、ORHs（富寡糖中药材）、DAD（二极管阵列检测器）、ELSD（蒸发散射检测器）、HPLC（高效液相色谱）、HILIC（亲水作用色谱）、PLS-DA（偏最小二乘判别分析）——这些专业术语就像研究团队的"秘密暗号"，共同构建起中药材智能鉴别的技术密码本。