基于可复用CNN-LSTM模块的近红外光谱分析技术提升黄连中Berberine含量检测精度

本文提出了一种可复用的CNN-LSTM融合模块，通过结合卷积神经网络（CNN）和长短期记忆网络（LSTM）的优势，显著提升了近红外光谱（NIR）对黄连中Berberine含量的定量分析精度。相比传统偏最小二乘回归（PLS）、单一CNN或顺序连接模型（CNN-LSTM-S/LSTM-CNN-S），该模型将均方根误差（RMSE）降至0.095%，Pearson相关系数（CC）提升至0.983（p<0.01），为中药质量控制提供了高效、非破坏性的检测新范式。

　　

Highlight

本研究创新性地将卷积神经网络（CNN）与长短期记忆网络（LSTM）深度融合为可复用模块，通过层级式捕捉近红外光谱（NIR）的局部特征与序列依赖性，实现了黄连中Berberine含量的高精度预测。

样本收集与预处理

78份黄连样本采自中国重庆石柱县标准化种植基地，经乙醇提取后，采用高效液相色谱（HPLC）测定Berberine含量作为参考值，并采集900-1700 nm范围的近红外光谱数据，经多元散射校正（MSC）和Savitzky-Golay平滑预处理后构建数据集。

超参数优化结果分析

研究发现：卷积核尺寸过小会忽略光谱全局特征，而LSTM隐藏层维度不足将限制长程依赖建模能力。最优参数组合（卷积核=16，LSTM维度=64）使模型在验证集上RMSE降低21.7%，显著优于传统PLS（0.196%）和单模块CNN-LSTM-S（0.132%）。

结论

该可复用CNN-LSTM模块通过交替堆叠卷积层（局部特征提取）与LSTM层（序列建模），突破了传统化学计量学方法对线性关系的依赖，为复杂中药成分的快速分析提供了新工具。模型在测试集上RMSE达0.095%，CC值0.983，且通过Welch检验证实其优越性（p<0.01），有望应用于制药过程实时质控。