Вторинні статистичні моделі в калібруванні NIR: переваги, обмеження та застосування

Сьогодні ми заглибимося у вторинні статистичні моделі, які застосовуються у процесі калібрування NIR, а також їхні переваги, обмеження та сфери використання.

Методи калібрування різняться між УФ-Вид (UV-Vis) та NIR-спектроскопією. Для NIR часто потрібна корекція базової лінії через спотворення, які виникають внаслідок слабко розділених або перекриваючихся піків чи розсіювання. У цій статті розглянемо різні статистичні моделі: MLR, PLS, PCR, ANN, SVR та Дискримінантний аналіз.

Багатофакторна лінійна регресія (MLR)

Multiple Linear Regression (MLR) — це потужний метод, який застосовується як в UV-Vis, так і в NIR для вимірювання поглинання або відбиття на кількох довжинах хвиль і встановлення кореляції між цими величинами та концентрацією аналіту.

Переваги:

• Простий та практичний підхід до аналізу складних даних.
• Ідентифікація зв’язків між кількома незалежними змінними та однією залежною.
• Швидкі результати.
• Оцінка відповідності моделі даним і впливових точок.

Недоліки:

• Чутливість до викидів (outliers).
• Погана робота з нелінійними залежностями.
• Колінеарність у спектрах (сильно корельовані ділянки).
• Може надто спрощувати дані.

Застосування:

• Вимірювання вологості, білка, жиру. 
• Аналіз білка у м’ясі (яловичина, курятина, свинина).
• Оцінка жиру в молочних продуктах (молоко, сир).

Метод часткових найменших квадратів (PLS)

Partial Least Squares (PLS) дозволяє будувати моделі для складних компонентів, з якими MLR не справляється.

Переваги:

• Справляється з сильно корельованими даними.
• Враховує нелінійні зв’язки.
• Менш чутливий до викидів.
• Використовує менше факторів, ніж MLR.

Недоліки:

• Має подібність до PCR, але відрізняється використанням даних про компоненти.
• У NIR частіше застосовують PLS, бо PCR дає надлишкову інформацію.

Застосування:

• Вологість зернових (рис, пшениця, кукурудза).
• Аналіз білка у м’ясі.
• Визначення жиру у молочних продуктах.

Регресія на головні компоненти (PCR)

Principal Components Regression (PCR) визначає головні компоненти даних і застосовує їх у калібруванні.

Переваги:

• Справляється з великими наборами змінних.
• Відкидає зайві дані, витягуючи лише корисні.
• Ефективний для великих масивів.

Недоліки:

• Чутливість до шуму та викидів.
• Висока вартість збору даних (багато зразків).
• Може давати надлишкову інформацію.

Застосування:

• Хімія: аналіз спектрів.
• Біохімія: структура біомолекул.
• Харчова промисловість: вологість, білок, жир.
• Фармацевтика: аналіз активних речовин.

Штучні нейронні мережі (ANN)

Artificial Neural Networks (ANN) — сучасний метод, що краще справляється з нелінійними зв’язками, ніж PLS і MLR.

Переваги:

• Висока точність і розпізнавання складних закономірностей.
• Стійкість до змін у зразках.
• Швидка обробка даних.
• Можливість автоматизації.
• Економічність.

Недоліки:

• Потребує великих обсягів даних.
• Повільна збіжність.
• Чутливість до шуму.
• Складність у тлумаченні результатів.

Застосування:

• Класифікація фруктів і овочів.
• Аналіз якості оливкової олії.
• Прогнозування терміну придатності продуктів.

Метод опорних векторів (SVR)

Support Vector Regression (SVR) — метод машинного навчання для роботи з нелінійними задачами та викидами.

Переваги:

• Працює з високорозмірними і складними даними.
• Стійкий до шуму та викидів.
• Дає точніші результати, ніж класичні методи.

Недоліки:

• Потребує великих даних для навчання.
• Чутливість до шуму.
• Складність у трактуванні.
• Високі обчислювальні витрати.

Застосування:

• Класифікація фруктів і овочів.
• Прогнозування терміну зберігання.
• Аналіз вина та оливкової олії.

Дискримінантний аналіз

Метод якісної класифікації спектрів у визначені категорії.

Переваги:

• Ефективна класифікація великих даних.
• Може виявляти кластери спектрів.
• Зручний для агро- та харчової галузі.

Недоліки:

• Чутливість до викидів.
• Залежність від правильності визначених категорій.

Застосування:

• Класифікація продуктів харчування.
• Виявлення фальсифікацій.
• Контроль якості у хімії та фармацевтиці.
• Медицина, екологія, криміналістика.

Висновок

Вибір методу калібрування залежить від якості даних і вимог аналізу.

• PLS, MLR, PCR — прості та швидкі методи.
• ANN і SVR краще працюють із нелінійними зв’язками та викидами.
• ANN виділяється високою точністю та гнучкістю.

Використання кількох методів для перехресної перевірки значно підвищує точність і надійність результатів у NIR-спектроскопії.