一种整合方法用于快速鉴别金花茶（Camellia petelotii (Merr.) Sealy）不同部位：结合ATR-FTIR光谱与常规化学计量学分析和卷积神经网络

《Frontiers in Chemistry》：An integrative approach for rapid authentication of different parts of Camellia petelotii (Merr.) Sealy: combining ATR-FTIR spectroscopy with conventional chemometric analysis and a convolutional neural network

　　

摘要
引言：金花茶（Camellia petelotii (Merr.) Sealy）的花在中药中具有很高价值，这使其易被其叶片或其他低成本掺假物掺假。本研究旨在开发一种稳健的鉴别方法，利用ATR-FTIR光谱结合化学计量学和人工智能来区分不同植物部位并识别掺假混合物。
方法：研究人员对金花茶的花、叶、种子及混合样品进行ATR-FTIR光谱分析。采用主成分分析（Principal Component Analysis, PCA）和正交偏最小二乘判别分析（Orthogonal Partial Least Squares Discriminant Analysis, OPLS-DA）分析纯植物部位的光谱数据。在机器学习阶段，基于纯植物部位和实验室制备的混合样品光谱训练卷积神经网络（Convolutional Neural Network, CNN）模型。采用合成少数类过采样技术（Synthetic Minority Oversampling Technique, SMOTE）处理类别不平衡和样本稀缺问题。通过重复随机子采样验证（Repeated Random Subsampling Validation, RRSV）验证模型稳健性。
结果：ATR-FTIR分析清晰区分了叶片与其他植物部位，揭示了独特的波谱特征。PCA和OPLS-DA有效分类了三个不同植物部位，准确率、灵敏度和特异度均超过95%。OPLS-DA模型实现了高内部有效性（R²X, R²Y, Q²Y ≥ 0.738）。在机器学习流程中，基线CNN模型出现少数类崩溃。实施SMOTE有效解决了这一问题。在多类配置中，SMOTE训练模型显示出高预测精度，对种子（0.846）和花（0.931）类获得高F1分数，但对混合（0.593）和叶（0.657）类性能中等。二元分类模型解决了模糊性，将混合类和叶类的平均F1分数分别提高至0.674和0.932。在跨多类和二元类配置的非增强数据上验证时，SMOTE训练模型对纯植物部位表现出高稳定性，但对混合类仍敏感，多类配置F1分数为0.361，二元类配置F1分数为0.249。
结论：虽然人工智能驱动的数据增强缓解了样本量限制，但分类性能仍受波谱特征显著影响。在分析具有异质波谱复杂性的样品时，二元分类架构展现出独特优势。这种整合方法可为植物产品的质量控制和鉴别提供参考。

论文解读文章

**研究背景**
金花茶（Camellia petelotii (Merr.) Sealy，异名：Camellia nitidissima C.W. Chi）因其金黄色花朵被称为“山茶皇后”或“梦幻山茶”，在中国广西壮族自治区广泛分布，并被《本草纲目》记载用于治疗肾炎、肝炎、黄疸、尿路感染、痢疾、高血压、腹泻、肝硬化、疮疡及月经不调等多种疾病。研究表明，金花茶具有抗癌、抗氧化、降血脂、抗糖尿病、抗过敏、抗菌和抗焦虑等药理活性，这些活性主要归因于其皂苷、黄酮类、多酚、维生素、氨基酸和多糖等生物活性成分。相较于同属其他物种（包括茶树Camellia sinensis），金花茶含有更多酚类化合物，进一步增强了其治疗潜力。然而，由于金花茶花在市场上的商业价值极高（每公斤2000–3000元人民币，而叶片仅200–400元），导致掺假风险增加，不法商家可能将叶片或其他廉价掺假物混入花中。传统的色谱方法虽能分析化学成分，但耗时且样品前处理复杂，难以区分具有相似植物化学轮廓的叶片和花朵。因此，迫切需要一种快速、无损的鉴别方法。

**研究目的**
本研究旨在开发一种整合分析策略，结合衰减全反射傅里叶变换红外光谱（ATR-FTIR spectroscopy）与常规化学计量学分析及深度学习中的卷积神经网络（CNN），以实现金花茶不同部位（花、叶、种子）及混合样品的快速鉴别。该策略通过表面敏感的ATR-FTIR波谱指纹与先进模式识别能力的结合，解决传统化学计量学在光谱重叠、样本量小和类别不平衡等问题上的局限性。

**主要技术方法**
研究采用的关键技术方法包括：ATR-FTIR光谱采集（4000–400 cm^-1，32次扫描，分辨率4 cm^-1，Savitzky-Golay平滑及归一化预处理）；化学计量学分析（无监督主成分分析PCA-X、有监督正交偏最小二乘判别分析OPLS-DA，使用SIMCA 14.1软件）；深度学习模型（一维卷积神经网络1D-CNN，含两个卷积层、两个最大池化层和两个全连接层，采用ReLU激活函数和softmax输出层）；数据增强技术（合成少数类过采样技术SMOTE，将每类样本过采样至500个）；模型验证策略（重复随机子采样验证RRSV，共运行7次，每次4折交叉验证）。样本来源：2017年8月至2018年8月采集自广西壮族自治区防城港市及福建省漳平市、永福县和上杭县，经福建省农业科学院作物研究所陈菁英教授鉴定，共80个花、78个叶、8个种子样本，另制备12个实验室混合样品（按质量比1:1二元或1:1:1三元混合）。

**研究结果**

**3.1 衰减全反射傅里叶变换红外分析**
ATR-FTIR分析揭示了不同部位的共同波谱特征：3500–3200 cm^-1的O-H伸缩振动（多糖或酚类）、2980–2820 cm^-1的C-H伸缩（脂类）、约1727 cm^-1的C=O伸缩（酯化果胶或黄酮）、1442 cm^-1和1370 cm^-1的C-H弯曲、1244 cm^-1的C-O伸缩（酯或苷类），以及1200–1000 cm^-1的C-O伸缩（多糖）。关键区别在于：叶片在1612 cm^-1和1317 cm^-1处出现强吸收峰，归因于草酸根离子（COO^-）的对称和不对称伸缩，表明叶片中草酸钙含量高，与其生理功能（钙沉淀和防御）一致；种子和花在低波数区（817、777、595、556、526 cm^-1）具有相似特征，可能与无机矿物成分有关，但这些波数区域与碳水化合物和芳香族骨架振动重叠，需进一步化学分离确认。

**3.2 化学计量学分析**
无监督PCA-X模型使用14个主成分，解释了98.6%的方差（R²X = 0.986），预测能力为96.6%（Q² = 0.966），成功将样本分为三个簇。PCA-class模型显示，叶和花类内部均质性高（R²X > 0.99，Q²X ≥ 0.95），种子类内部均质性中等（R²X = 0.876，Q² = 0.577），但整体准确率达98.66%，灵敏度99.26%，特异度99.66%。OPLS-DA模型进一步提高了分类能力，拟合优度（R²X = 0.927，R²Y = 0.867）和预测能力（Q²Y = 0.738）均较高，且200次置换检验的R²Y截距（0.128–0.147）和Q²Y截距（-0.337至-0.278）均低于推荐阈值（R²Y < 0.3，Q²Y < 0.05），表明无过拟合。模型准确率、灵敏度、特异度均达100%，RMSEE（0.1406）、RMSECV（0.1733）和RMSEP（0.091）值低且接近，显示良好的稳健性和泛化能力。

**3.3 机器学习分类**

**3.3.1 训练阶段**
基线CNN模型（基于非增强数据集）的学习曲线显示出严重不稳定性，验证准确率低且滞后于训练准确率，验证损失曲线未与训练损失平滑收敛，表明模型过拟合且偏向多数类。相反，SMOTE训练模型（SMOTE-Group A训练）的学习曲线中，验证准确率快速上升并与训练准确率紧密对齐，损失曲线平滑收敛趋近于零，且在多类和二元分类实验的所有训练过程中均一致，表明模型在SMOTE增强数据上学习良好且无过拟合。

**3.3.2 评估阶段与重复随机子采样验证**
多类分类中，基线模型对多数类叶类F1分数为0.665，但对花类（0.187）、混合类（0.002）和种子类（0.000）极低，出现少数类崩溃。SMOTE训练模型在合成数据上对花类（F1=0.931）和种子类（0.846）表现优异，但对混合类（0.593）和叶类（0.657）中等；在真实非增强数据上，花类F1高达0.983，种子类0.717，但混合类降至0.361，叶类为0.810。混淆矩阵显示，混合样本被系统性地误分类为叶类，表明叶的波谱特征主导了决策边界。二元分类中，SMOTE模型在合成数据上对花、叶、混合类的F1分别提升至0.985、0.932和0.674，但种子类F1降至0.756；在非增强数据上，花类（0.983）和叶类（0.928）保持优异，种子类F1为0.701，混合类仅为0.249。总体而言，SMOTE有效缓解了样本量限制，但混合类内在的异质性导致其波谱特征不统一，仍是分类的主要挑战。

**讨论与结论**
研究结果表明，ATR-FTIR光谱结合化学计量学和机器学习可有效鉴别金花茶不同部位。化学计量学方法（PCA、OPLS-DA）基于纯波谱数据提供了高精度分类，但受限于样本量。卷积神经网络（CNN）在非增强数据上出现少数类崩溃，SMOTE数据增强成功解决了这一问题，使少数类（种子类）在多类分类中获得稳健预测性能。然而，SMOTE生成的合成数据虽然增加了样本量，却未能统一异质混合类的波谱特征，导致其分类性能在非增强数据上仍较低。将分类框架重构为二元分类后，混合类的决策边界得到改善，F1分数提升。结论强调，分类性能更多受波谱特异性影响，而非样本稀缺性；异质类需要更先进的架构策略来解决波谱重叠造成的模糊性。未来神经网络应优先考虑能够解析标准算法模型无法解释的深层波谱歧义的架构创新。该整合方法为植物产品的质量控制和鉴别提供了参考。论文发表在《Frontiers in Chemistry》。