基于多光谱数据融合与满意度等级策略的人参粉末部位鉴别

《Journal of Food Composition and Analysis》:Discrimination of Panax ginseng Powders by Botanical Part Using Multi-spectroscopic Data Fusion and a Satisfaction Grade Strategy

【字体: 大 中 小 】 时间:2026年07月25日 来源:Journal of Food Composition and Analysis 5.3

编辑推荐:

  人参(Panax ginseng)的不同植物部位(主根、须根和根茎)表现出不同的活性成分谱和商业价值。一旦加工成功能性食品粉末,它们在视觉上变得无法区分,因此极易受到经济驱动的掺假行为的影响。为了解决这一问题,研究人员基于一个包含386批真实样品的数据集,开发

  
人参(Panax ginseng)的不同植物部位(主根、须根和根茎)表现出不同的活性成分谱和商业价值。一旦加工成功能性食品粉末,它们在视觉上变得无法区分,因此极易受到经济驱动的掺假行为的影响。为了解决这一问题,研究人员基于一个包含386批真实样品的数据集,开发了一种利用近红外(NIR)、中红外(FTIR)和拉曼(Raman)光谱的快速鉴别方法。为了探索和建立最佳的单光谱模型,研究人员使用了326批样品的主要队列。通过系统优化光谱预处理和特征提取(CARS、PLS),成功构建了高度鲁棒的基分类器(SVM、GWO-SVM、LSSVM)。为了克服单模态分析固有的分析瓶颈,研究人员构建了一种基于“满意度等级”(Satisfaction Grade)的、适用于多光谱化学计量学的高效决策层融合架构。这种非参数机制动态地将样品到分离超平面的几何距离标准化为软投票权重。在外部测试中,这种置信度加权框架中和了单个光谱误差,在60个独立验证集上实现了完美的100%分类准确率。通过降低融合层过拟合的风险,这种耦合策略在人参不同植物部位粉末的鉴别及其相关质量控制中展现出显著的应用潜力。
**基于多光谱数据融合与满意度等级策略的人参粉末部位鉴别研究解读**

**研究背景与问题**

人参(Panax ginseng)在传统医学与现代功能食品工业中占据核心地位。其不同植物部位(主根、须根、根茎)虽化学类别相似,但人参皂苷等活性成分的相对含量与比例存在显著差异,导致商业价值悬殊:主根价格高昂,而根茎因含催吐成分(Wang et al., 2007)及须根常作为加工副产物,价格低廉。然而,当这些部位被加工成粉末后,宏观形态消失,肉眼无法区分,极易发生以主根替代廉价部位的经济驱动型掺假(Zou et al., 2025)。传统色谱法(如HPLC、LC-MS)虽精度高,但耗时长、破坏性强、溶剂消耗大,难以实现快速现场筛查(Wang et al., 2009)。光谱技术结合机器学习(Zhang et al., 2022)虽提供快速环保方案,但单一光谱模态在处理复杂样品时存在分析瓶颈(如拉曼光谱信噪比低、荧光干扰)。多传感器数据融合(如近红外与中红外融合)已被证明可有效提升鉴别能力(Jiao et al., 2025),但现有决策层融合方法多采用简单多数投票,忽略不同模型置信度差异(Kuncheva et al., 2003)。因此,本研究旨在开发一种基于多光谱(近红外、中红外、拉曼)数据融合和满意度等级(Satisfaction Grade)决策策略的快速鉴别方法,以区分人参不同部位粉末,并验证其在实际应用中的鲁棒性。该论文发表在《Journal of Food Composition and Analysis》。

**主要技术方法**

研究人员从中国东北14个均匀分布的栽培地点采集了386批5年生人参样品,按部位分为主根、须根和根茎。其中10个产地的326批作为建模集,其余4个产地的60批作为独立外部验证集。关键技术方法包括:①多光谱数据采集:使用便携式近红外(NIR)光谱仪(6300–4100 cm-1)、傅里叶变换中红外(FTIR)光谱仪(4000–400 cm-1)和拉曼(Raman)光谱仪(100–3200 cm-1,785 nm激发)分别采集三种光谱,每个样品三次重复取平均。②光谱预处理:系统评估18种预处理方案(包括一阶导数、二阶导数、标准正态变量(SNV)、多元散射校正(MSC)、Savitzky-Golay平滑(SG)及其组合),以最大化信噪比。③特征变量提取:采用竞争自适应重加权采样(CARS)、主成分分析(PCA)和偏最小二乘法(PLS)三种方法,从高维光谱中提取最具判别力的化学信息,并严格隔离训练集与测试集以避免数据泄露。④分类器构建:基于支持向量机(SVM)算法族,建立SVM、灰狼优化SVM(GWO-SVM)和最小二乘SVM(LSSVM)三种基分类器,并通过三维网格搜索优化超参数(惩罚因子C和核参数γ)。⑤决策层融合:采用非参数化的“满意度等级”机制,将各基分类器输出的几何距离(样本到分离超平面的有符号距离)标准化为[0,1]区间的置信度分数,作为软投票权重,动态加权聚合三种光谱的预测结果,从而克服单模态盲点。

**研究结果**

**3.1 人参粉末的光谱特征与化学归属**
通过分析所有386批样品的原始近红外、中红外和拉曼光谱(图3a-c),发现三种光谱图谱宏观一致,峰重叠严重,基线波动密集,表明不同部位共享相同化学组成。三种光谱提供互补信息:近红外主要反映C-H和O-H键的倍频与合频(水分和宏观营养素);中红外揭示这些大分子的拉伸和弯曲振动;拉曼则提供多糖苷环骨架等高度特异性指纹信息(表3)。平均光谱对比(图3d-f)显示,不同部位在特定波数处存在微小吸收或散射强度差异,但完全被仪器噪声和物理散射掩盖,无法通过肉眼或单变量阈值区分,必须依赖化学计量学。

**3.2 单光谱分类模型的优化与评估**
**3.2.1 光谱预处理优化**
研究人员系统评估了18种预处理方案对三种分类器(SVM、GWO-SVM、LSSVM)的影响。结果表明:近红外光谱在1st Der-SNV预处理下,SVM、GWO-SVM(RAW)和LSSVM(MSC)均实现训练集和测试集100%准确率与F1Macro。中红外光谱中,GWO-SVM结合SG-2nd Der获得100%测试准确率,而1st Der-SNV预处理也使SVM和LSSVM保持98%以上准确率。拉曼光谱最具挑战性,原始光谱的SVM和GWO-SVM测试准确率仅85.42%,而SG-1st Der-SNV预处理下的LSSVM将测试准确率提升至91.67%。同时,光谱位移误差容忍比(SS-ETR)分析表明优化模型对光谱轴位移具有可接受鲁棒性(表4)。

**3.2.2 特征变量提取与模型确定**
在预处理基础上,应用CARS、PCA和PLS三种特征提取算法(表5)。对于近红外和中红外光谱,CARS算法效果最佳。近红外SVM(1st Der-SNV-CARS)和中红外LSSVM(1st Der-SNV-CARS)均实现训练集和测试集100%准确率,且CARS通过消除冗余变量降低了过拟合风险。对于拉曼光谱,直接对原始光谱应用PLS(监督正交投影)有效抑制了荧光背景,拉曼SVM(RAW-PLS)达到最优测试准确率95.83%和F1Macro 93.64%。最终三个最优单光谱模型被锁定为:近红外(1st Der-SNV-CARS-SVM)、中红外(1st Der-SNV-CARS-LSSVM)和拉曼(RAW-PLS-SVM),并用于后续融合。

**3.3 决策层融合模型的建立与外部验证**
**3.3.1 满意度等级融合机制的构建**
基于已锁定的三个最优基分类器,研究人员构建了满意度等级(Satisfaction Grade)决策层融合模型(图7)。该机制将各样本到SVM超平面的几何距离标准化为[0,1]区间的置信度分数(s值),作为动态软投票权重。其非参数特性避免了引入额外可学习参数,降低了融合层过拟合风险。由于不同光谱模态具有互补性,满意度等级机制自动惩罚低置信度预测(如拉曼在边界样本上的错误预测),同时赋予高置信度模型(如近红外和中红外)更大权重,从而实现双向误差校正。例如,当近红外和中红外同时出现盲点或相关错误时,拉曼光谱作为独立的结构指纹仲裁者,成功纠正了部分样本的误分类。

**3.3.2 外部验证与实际应用**
利用60批独立外部验证集(根茎1–20、主根21–40、须根41–60)评估融合模型泛化能力。投票矩阵(图8)显示,通过聚合三种光谱的加权满意度等级,最终预测向量正确解决了所有60个样本,达到100%准确率。内在消融分析表明,若仅使用近红外+中红外双融合,6.67%的样本(样本2、3、14、40)将因近红外的高置信度错误预测而误分类,而拉曼光谱作为仲裁者提供了决定性纠正。尽管外部验证集规模有限,但该结果验证了融合框架对单光谱盲点的高容忍性和错误校正能力。

**讨论与结论**

讨论部分指出,基于满意度等级的融合架构通过确定性数学规则(公式7–9)将几何距离转化为动态权重,显著提升了多光谱化学计量学中的分类鲁棒性。与复杂堆叠集成不同,该方法避免了融合层过拟合,并允许每个基模型在单独优化后达到理论性能上限。外部验证中100%的准确率表明,不同植物部位的光谱指纹差异超过了内部生物学变异,但未来需采用更大规模、全球来源的验证集检验其在极端生物学变异下的稳健性。研究结论部分(第4节)翻译如下:

本研究成功建立了一种基于多光谱数据融合鉴别人参不同植物部位(根茎、主根、须根)粉末的快速方法。通过系统提取近红外、中红外和拉曼光谱中的关键化学特征,严格确定了优化的“预处理–特征提取–分类器”组合,最终获得高度鲁棒的单模态基模型。为克服单一光谱技术的固有限制和局部信号模糊性,研究人员利用满意度等级构建了一种新型决策层融合架构。该机制有效将刚性的几何决策边界转化为适用于多传感器化学计量学的动态置信度投票权重。最终,外部验证证实了该框架卓越的容错能力,证明了其解决单光谱模糊性及数学上纠正自信误分类的能力。通过显著降低融合层过拟合风险,聚合的多光谱模型在独立外部数据集上实现了无懈可击的100%分类准确率。总之,所提出的基于置信度的融合框架在人参粉末的通用鉴别中展现出强大潜力。作为一种高度可靠且容错的策略,它为快速现场筛查以打击经济驱动型掺假,并确保现代功能食品和膳食补充剂行业严格的质量控制铺平了道路。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号