A Multi-modal Spectral Fusion Strategy Assisted by LIBS: Enhancing Prediction of Hyperoside Content in Abelmoschus manihot Using NIR-HSI and Raman Spectroscopy 中文标题 一种LIBS辅助的多模态光谱融合策略：利用NIR-HSI和拉曼光谱增强黄蜀葵中金丝桃苷含量的预测

《Measurement: Food》：A Multi-modal Spectral Fusion Strategy Assisted by LIBS: Enhancing Prediction of Hyperoside Content in Abelmoschus manihot Using NIR-HSI and Raman Spectroscopy

　　

ABELMOSCHUS MANIHOT (L.) Medic为锦葵科植物干燥花，是一种药用植物和天然食品添加剂。黄酮类化合物含量与其疗效密切相关。本研究开发了一种结合近红外高光谱成像(NIR-HSI)、拉曼光谱和激光诱导击穿光谱(LIBS)的多光谱融合策略，用于金丝桃苷(hyperoside)——一种关键活性成分——的快速、无损定量分析。首先，研究人员收集了来自五个产地的102批样品，并获取了其高光谱、拉曼和LIBS光谱数据。其次，通过比较多种预处理方法与特征波段提取算法，构建了基于随机森林(RF)、LightGBM以及光谱数据增强结合一维卷积神经网络(1D-CNN)的单光谱与融合光谱定量预测模型。最后，在单光谱模型中，应用于一阶导数预处理NIR-HSI数据的RF模型表现最佳(Rp2＝0.8747，RPD＝2.8248)。在多光谱融合中，最优模型为经SG+SD预处理和CARS筛选后三光谱中级融合的RF模型(Rp2＝0.9144，RPD＝3.4170)，Rp2从0.8747提升至0.9144。三光谱融合模型优于所有单光谱和双光谱模型，证明了整合互补光谱信息的优势。特别是，将LIBS derived元素信息作为辅助源引入，增强了NIR-HSI和拉曼光谱提供的分子信息，从而在复杂植物基质变异下提高了金丝桃苷含量的预测精度。该融合策略为食品和农业领域的无损质量评估提供了一种有前景的解决方案。

**基于多模态光谱融合策略的黄蜀葵金丝桃苷含量无损预测研究解读**

**1. 研究背景与问题提出**

黄蜀葵(Abelmoschus manihot (L.) Medic)为锦葵科植物，其干燥花既可作为中药材使用，也是一种天然食品添加剂。黄蜀葵花味甘性寒，具有清热、利尿、消肿、解毒之功效，可用于湿热水肿，外敷可治疗水火烫伤。黄酮类化合物是黄蜀葵中的主要生物活性成分，其中金丝桃苷(hyperoside)是含量最为丰富的化合物。然而，这些活性成分的合成与积累深受生长环境（如气候、土壤和水质）的影响，导致不同产地的药材在质量和疗效上存在显著差异。传统的药用植物鉴定方法，如高效液相色谱法(HPLC)和气相色谱-质谱联用法(GC-MS)，耗时、成本高且会破坏样品完整性，已无法满足现代企业对快速检测的需求。因此，建立快速、无损的含量预测方法对于确保黄蜀葵花的质量和疗效至关重要。随着计算机技术和仪器工程的快速发展，多种先进光谱技术应运而生，包括近红外光谱、高光谱成像、拉曼成像、荧光成像、激光诱导击穿光谱(LIBS)等，这些技术通过电磁辐射与物质的相互作用，能够快速、无损地测定食品和农产品的各项质量参数。

**2. 研究目标与技术创新**

本研究旨在开发一种结合NIR-HSI、拉曼光谱和LIBS的新型多光谱融合策略，以解决单一光谱成像技术难以全面表征样品的问题。研究的创新之处在于首次突破LIBS技术仅用于重金属检测或分类预测的传统局限，将其作为辅助光谱源，有效提升高光谱和拉曼光谱在含量预测模型中的性能。

**3. 研究方法与关键技术**

研究人员从中国五个省份（山东22批、江苏25批、辽宁15批、四川23批、安徽17批）共采集了102批黄蜀葵样品。金丝桃苷含量采用HPLC法测定，色谱分离在C18反相色谱柱上完成，以乙腈和0.15%磷酸溶液为流动相进行梯度洗脱。NIR-HSI数据使用Specim FX17e设备获取，获得935-1720 nm范围内224个波段；拉曼光谱使用配备1064 nm激光器的便携式拉曼光谱仪(OCEAN NR1.7)采集，光谱范围为108-2507 cm^-1；LIBS数据采集使用实验室自行搭建的系统，共记录13089个光谱变量。在数据处理方面，采用了多种预处理方法、三种变量选择算法（SPA、CARS和UVE）以及三种回归模型（RF、LightGBM和1D-CNN）。样本按批次级使用SPXY算法划分为校准集(71批，约70%)和预测集(31批，约30%)。

**4. 主要研究结果**

**4.1 光谱特征分析**：NIR-HSI光谱中，最优三光谱融合模型CARS选出的特征波长主要集中在930-1100 nm和1200-1400 nm区域，前者可能与O–H和C–H键的倍频振动有关，后者主要与O–H和C–H键的合频振动相关。LIBS光谱中，CARS选出的5个变量位于481.267 nm（接近Zn I谱线481.053 nm）和654.867-657.831 nm（包含H I Hα谱线约656.28 nm的局部区域）范围内。拉曼光谱中，CARS选择的变量主要分布在1500-1700和1700-1800 cm^-1区域，可能包含与黄酮类结构相关的芳香骨架振动、共轭C=C伸缩和C=O伸缩贡献。

**4.2 单光谱预测模型**：在NIR-HSI模型中，一阶导数预处理后的RF模型表现最佳，校准集R_c2=0.8870，预测集R_p2=0.8747，RPD值为2.8248，表明模型具有良好的定量预测能力。拉曼模型中，SG-1D-CNN组合取得最佳效果，R_c2=0.8809，R_p2=0.7705，但校准与预测结果间的差异显示存在一定过拟合。

**4.3 低级融合模型**：NIR-HSI与拉曼的低级融合模型中，MSC-RF模型表现最佳(R_p2=0.7991)，但低于最优单光谱NIR-HSI模型。三光谱低级融合中，1D-CNN模型表现出显著优势，R_p2=0.8576，RPD=2.6500，优于双光谱融合结果。

**4.4 中级融合模型**：在三光谱中级融合中，SG+SD-CARS-RF组合获得最佳预测性能，R_c2=0.9180，R_p2=0.9144，RMSEP=0.0040，RPD=3.4170。该模型的RPD值超过3.4，表明具有优异的实际预测能力。与最优NIR-HSI模型相比，R_p2提高了3.97%；与最优拉曼模型相比，R_p2提高了14.39%。

**5. 讨论与结论**

研究表明，三模态融合策略同时提高了预测精度和模型稳定性。RF在最优三模态中级融合数据集中表现最佳，而1D-CNN在此条件下未提供进一步改进，这主要与校准集仅包含71批样品有关。NIR-HSI和拉曼光谱虽然分别提供分子吸收和振动信息，但金丝桃苷含量变化范围相对较窄以及植物基质的复杂性限制了单光谱模型的性能。LIBS引入的元素信息与NIR-HSI和拉曼获得的分子信息形成互补，其元素指纹可反映矿质营养和生理状态的差异，间接反映与黄酮积累相关的生理条件。本研究证明了将LIBS作为辅助光谱源用于药食同源植物活性成分定量评估的可行性，将LIBS的应用从传统元素分析和分类拓展到痕量生物活性化合物的预测。该融合策略为药用和食用植物材料的快速无损质量评估提供了一种有前景的方法。然而，研究仅包含102批样品，模型对来自不同年份、栽培条件和加工环境样品的迁移性可能受限，未来需要更大规模和更多样化的外部样本集进行验证。