CN110567909B - 一种检测诱捕器芯片中性外激素含量的方法 - Google Patents
一种检测诱捕器芯片中性外激素含量的方法 Download PDFInfo
- Publication number
- CN110567909B CN110567909B CN201910853064.9A CN201910853064A CN110567909B CN 110567909 B CN110567909 B CN 110567909B CN 201910853064 A CN201910853064 A CN 201910853064A CN 110567909 B CN110567909 B CN 110567909B
- Authority
- CN
- China
- Prior art keywords
- samples
- model
- content
- trap
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000003016 pheromone Substances 0.000 title claims description 38
- 238000001228 spectrum Methods 0.000 claims abstract description 30
- 239000000243 solution Substances 0.000 claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 238000012706 support-vector machine Methods 0.000 claims abstract description 15
- 239000012086 standard solution Substances 0.000 claims abstract description 14
- 239000003960 organic solvent Substances 0.000 claims abstract description 12
- 230000008859 change Effects 0.000 claims abstract description 6
- 238000004445 quantitative analysis Methods 0.000 claims abstract description 6
- 238000007865 diluting Methods 0.000 claims abstract description 5
- CSCPPACGZOOCGX-UHFFFAOYSA-N Acetone Chemical compound CC(C)=O CSCPPACGZOOCGX-UHFFFAOYSA-N 0.000 claims description 38
- ZMXDDKWLCZADIW-UHFFFAOYSA-N N,N-Dimethylformamide Chemical compound CN(C)C=O ZMXDDKWLCZADIW-UHFFFAOYSA-N 0.000 claims description 23
- 230000003595 spectral effect Effects 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 11
- 239000012088 reference solution Substances 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 239000007788 liquid Substances 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000001568 sexual effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000002791 soaking Methods 0.000 claims description 2
- 238000003756 stirring Methods 0.000 claims description 2
- 239000000877 Sex Attractant Substances 0.000 abstract description 6
- 241000208125 Nicotiana Species 0.000 description 13
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 13
- 241000607479 Yersinia pestis Species 0.000 description 5
- 241001177117 Lasioderma serricorne Species 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 241000238631 Hexapoda Species 0.000 description 2
- 238000004497 NIR spectroscopy Methods 0.000 description 2
- XYFCBTPGUUZFHI-UHFFFAOYSA-N Phosphine Chemical compound P XYFCBTPGUUZFHI-UHFFFAOYSA-N 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000857 drug effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000003958 fumigation Methods 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 239000002917 insecticide Substances 0.000 description 1
- 239000002949 juvenile hormone Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229910000073 phosphorus hydride Inorganic materials 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 235000019505 tobacco product Nutrition 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/40—Concentrating samples
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/40—Concentrating samples
- G01N1/4055—Concentrating samples by solubility techniques
- G01N2001/4061—Solvent extraction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种检测诱捕器芯片中性外激素含量的方法，包括：(1)用有机溶剂萃取标准诱捕器芯片，获得标准溶液，并将标准溶液稀释为梯度浓度的多个梯度溶液；(2)利用近红外光谱仪采集标准溶液和多个梯度溶液的光谱；(3)基于半监督最小二乘支持向量机回归算法(QPSO‑LSS3VR)将步骤(2)获得的样品光谱与对应的配比浓度值进行拟合，建立性外激素诱捕器中性外激素含量变化定量检测模型；(4)利用步骤(3)获得的模型对待测诱捕器芯片中的性外激素含量进行定量分析。该方法操作简单、快速。
Description
技术领域
本发明涉及光谱检测领域，具体涉及一种检测诱捕器芯片中性外激素含量的方法。
背景技术
烟仓害虫是指在烟仓内及存烟场所为害烟叶和烟草制品的多种害虫，在我国，烟仓害虫有30多种，其中危害性最严重的有烟草甲虫和烟草粉螟2种，部分地区大谷盗为害较重。烟仓害虫对储存期烟叶所造成的损失较大，轻则降低等级，重则造成烟叶完全不能使用。据估计，全世界每年因烟草甲虫和烟草粉螟的侵食而造成的损失约为1％。我国储存烟叶的直接虫损率每年为1.64％。
目前，储烟害虫的防治方法是利用性外激素诱捕器监控以了解烟草甲虫和烟草粉螟的分布及密度、搞好清洁卫生工作、合理使用杀虫药剂和昆虫生长调节剂以及磷化氢熏蒸。由此可见，性外激素诱捕器的性外激素含量稳定性十分重要，如果性外激素诱捕器的性外激素含量偏低，导致性外激素诱捕器提前失效，则无法如实反应虫情。
发明内容
本公开提供一种检测诱捕器芯片中性外激素含量的方法。
在一些方面，提供一种检测诱捕器芯片中性外激素含量的方法，包括：
(1)用有机溶剂萃取标准诱捕器芯片，获得标准溶液，并将标准溶液稀释为梯度浓度的多个梯度溶液；
(2)利用近红外光谱仪采集标准溶液和多个梯度溶液的光谱；
(3)基于半监督最小二乘支持向量机回归算法(QPSO-LSS3VR)将步骤(2)获得的样品光谱与对应的配比浓度值进行拟合，建立性外激素诱捕器中性外激素含量变化定量检测模型；
(4)利用步骤(3)获得的模型对待测诱捕器芯片中的性外激素含量进行定量分析；
所述有机溶剂由丙酮和NN-二甲基甲酰胺构成，丙酮和NN-二甲基甲酰胺的体积比为18.5～19.5:1。
优选地，丙酮和NN-二甲基甲酰胺的体积比为19:1。
特定的有机溶剂配方，即特定的丙酮和NN-二甲基甲酰胺的体积比对于获得准确的检测诱捕器芯片中性外激素含量十分关键。偏离上述配方不能获得准确的检测结果。
在一些实施方案中，步骤(2)和(3)之间还包括对光谱进行预处理的步骤，预处理的方法选自：一阶导数、二阶导数、矢量归一化、多元信号校正和光谱平滑中的一种或多种。
在一些实施方案中，步骤(2)和(3)之间还包括对光谱进行预处理的步骤，预处理的方法包括以下一项或多项：
-采用多元信号修正(MSC)消除样品不均匀带来的差异；
-采用一阶微分处理，消除基线漂移的影响，获得比原光谱更高分辨率和更清晰的光谱轮廓变化；和
-采用段长为9、间隔为5的萨维茨基(Savitzky-Golay)滤波平滑光谱，消除高频噪音保留有用的低频信息。
在一些实施方案中，步骤(3)中建立性外激素诱捕器中性外激素含量变化定量检测模型的方法包括以下步骤：
输入光谱数据；
设置初始参数，执行半监督最小二乘支持向量机回归算法(QPSO-LSS3VR)，预估未标记样本；
执行半监督最小二乘支持向量机回归算法(QPSO-LSS3VR)，获得最佳模型参数，建立光谱定量分析模型。
在一些实施方案中，在步骤i和ii之间，采用交叉验证方法，预留10％左右样本作测试样本；建立模型后，将测试样本输入模型进行检测，评价模型性能。
在一些实施方案中，步骤(3)包括以下操作，
建立定量模型：将190份加入不同丙酮配比的样品，扫描光谱后，将光谱数据经预处理后，选取8634～4102cm-1波数范围的最佳光谱段，采用交叉验证方法，预留20个样本作测试样本；
设置初始参数：迭代次数M＝100，初始化群体个体数目N＝25，p＝0.6，搜索范围为：α＝[0，100]，γ[0，1000]，λ＝[0，1000]；
执行QPSO-LSS3VR算法，预估未标记样本，模型检测性能选用检测均方根误差RMSEC和决定系数R2进行评价；经运算，α＝[0，3.9]，γ[0，118]，λ＝[0，42.5]时为最优；
其中，n为样本数量，
为测试样本的预测值，yi为测试样本的实测值。
使用决定系数(R2)作为评价校正集数据实测值与预测值相关性的标准(该值越接近1说明相关性越好)。预测性能好的模型具有较接近1的R2值，较低的RMSEC值。
在一些实施方案中，所述半监督最小二乘支持向量机回归算法(QPSO-LSS3VR)按如下方法设计：
a)采用TQ软件对样本光谱进行降维处理，将高维数据映射到低维空间，便于实现距离度量；
b)计算未标记样本集合N中的样本ni，与已标记样本集合M中的样本mj的距离d(ni，mj)。
c)根据KNN算法求解每个未标记样本ni的k个有标记近邻的集合了M’。
d)取M’中所有已标记样本的平均值，预估未标记样本ni的初始估计值为：Tn＝Tl×(1+rand(0,1))
其中，Tl表示集合中已标记样本平均值。
e)对选入训练的未标记样本，将标记值由模型当前给出的检测值替代；对没有被选入下一次迭代的未标记样本，保持值不变。
在一些实施方案中，步骤(1)包括，选取刚生产的合格诱捕器芯片200个，加入2000ml的有机溶剂(由丙酮和NN-二甲基甲酰胺构成，丙酮和NN-二甲基甲酰胺的体积比为19:1)，浸泡萃取24小时后，将溶液倒出搅拌均匀后，平均分成200份，将其中10份作为基准液，其余190份分别加入一定量的丙酮，配制成含70～99.9体积％基准液的配制液，设基准液值为100，配比液值按含基准液百分比作为对应值。
在一些实施方案中，步骤(2)包括，将上述制作的样品，利用近红外光谱仪的液体透射采样模块采集样品光谱，采集波数范围10000～3800cm-1，以仪器内置背景为参比，样品和参比均使用70次扫描，分辨率为8cm-1。
在一些方面，提供一种判断诱捕器芯片有效性的方法，包括以下步骤：
用有机溶剂萃取待测诱捕器芯片，获得待测溶液；
使用本公开任一项所述的方法检测待测溶液中性外激素的含量，获得检测含量；
将检测含量与预设阈值相比较，当检测含量小于预设阈值时，则判定诱捕器芯片失效，当检测含量大于预设阈值时，则判定诱捕器芯片有效。
在一些实施方案中，最小二乘支持向量机(Least squares support vectormachines，LS-SVM)是一种机器学习方法。文献Suykens,Johan A K.Least squaressupport vector machines[J].International Journal of Circuit Theory&Applications,2002,27(6):605-615.的全部内容在此引用。
在一些实施方案中，半监督最小二乘支持向量机回归算法(QPSO-LSS3VR)是一种基于量子粒子群优化的半监督SVR算法。文献基于半监督和迁移学习的近红外光谱建模方法研究[D].中国海洋大学,2012.的全部内容在此引用。
在一些实施方案中，基于半监督最小二乘支持向量机回归算法的近红外光谱定量分析建模步骤为：
第一步：输入光谱数据，对光谱进行降噪等预处理；
第二步：采用交叉验证方法，预留10％样本作测试样本；
第三步：设置初始参数，执行QPSO-LSS3VR算法，预估未标记样本；
第四步：执行QPSO-LSS3VR算法，获得最佳模型参数，建立光谱定量分析模型；
第五步：将测试样本输入模型进行检测，评价模型性能。
术语说明
性外激素(sex pheromone)是指动物分泌的借以在同种两性之间互通性信息的化学物质。起性引诱剂的作用。
有益效果
采用这一技术方案，首次解决了无法对性外激素诱捕器中性外激素浓度变化进行测定，进而对性外激素诱捕器有效性进行评价，而且操作简单、快速，对性外激素诱捕器无损，可再次利用等优点。
本公开方法整个过程的整体创新性，发明人采用特定的光谱采集参数，特定的光谱预处理参数、特定的QPSO-LSS3VR算法参数以及特定的定量模型建立参数，获得了最佳效果。
本公开方法中建模样品的制作也是独特的，例如一些实施方案采用有机溶剂(由丙酮和NN-二甲基甲酰胺构成，丙酮和NN-二甲基甲酰胺的体积比为18.5～19.5:1)萃取标准诱捕器芯片，获得标准溶液，并将标准溶液稀释为梯度浓度的多个梯度溶液。
附图说明
图1为本发明检测诱捕器芯片中性外激素含量方法的一些实施例的示意图。
具体实施方式
下面将结合实施例对本发明的实施方案进行详细描述，但是本领域技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限定本发明的范围。实施例中未注明具体条件者，按照常规条件或制造商建议的条件进行。所用试剂或仪器未注明生产厂商者，均为可以通过市购获得的常规产品。
图1示出本公开一种检测诱捕器芯片中性外激素含量的方法的流程示意图，包括：
步骤101，用有机溶剂萃取标准诱捕器芯片，获得标准溶液，并将标准溶液稀释为梯度浓度的多个梯度溶液；
步骤102，利用近红外光谱仪采集标准溶液和多个梯度溶液的光谱；
步骤103，基于半监督最小二乘支持向量机回归算法(QPSO-LSS3VR)将步骤(2)获得的样品光谱与对应的配比浓度值进行拟合，建立性外激素诱捕器中性外激素含量变化定量检测模型；
步骤104，利用步骤(3)获得的模型对待测诱捕器芯片中的性外激素含量进行定量分析；
有机溶剂为丙酮与NN-二甲基甲酰胺(DMF)按19：1体积比混合获得的溶液。
下面将结合实施例1对本发明的实施方案进行详细描述
实施例1
以下详述对性外激素诱捕器中性外激素浓度变化进行测定的方法：
(1)建模样品制作：选取刚生产的合格诱捕器芯片200个，加入2000ml的溶剂(丙酮与NN-二甲基甲酰胺(DMF)按19：1体积比混合)，浸泡萃取24小时后，将溶液倒出搅拌均匀后，平均分成200份，将其中10份作为基准液，其余190份分别加入一定量的丙酮，配制成含70％－99.9％基准液的配制液，设基准液值为100，配比液值按含基准液百分比作为对应值。
(2)采集样品光谱：将上述制作的样品，利用近红外光谱仪的液体透射采样模块采集样品光谱，采集波数范围10000～3800cm-1，以仪器内置背景为参比，样品和参比均使用70次扫描，分辨率为8cm-1；
(3)光谱预处理：为了减少近红外光谱图出现噪音及基线漂移，采用矢量归一化、一阶导数、二阶导数、多元信号校正和光谱平滑方法中的一种或多种的组合对近红外谱图进行预处理；实例中将样品光谱采用如下方法获得理想的结果：
a采用多元信号修正(MSC)消除样品不均匀带来的差异；
b采用一阶微分处理，消除基线漂移的影响，获得比原光谱更高分辨率和更清晰的光谱轮廓变化；
c采用段长为9、间隔为5的萨维茨基(Savitzky-Golay)滤波平滑光谱，消除高频噪音保留有用的低频信息；
(4)QPSO-LSS3VR算法设计：
a)所有样本光谱采用TQ软件进行降维处理，将高维数据映射到低维空间，便于实现距离度量；
b)计算未标记样本集合N中的样本ni，与已标记样本集合M中的样本mj的距离d(ni，mj)。
c)根据KNN算法求解每个未标记样本ni的k个有标记近邻的集合M’。
d)取M’中所有已标记样本的平均值，预估未标记样本ni的初始估计值为：Tn＝Tl×(1+rand(0,1))
其中，Tl表示集合中已标记样本平均值。
e)对选入训练的未标记样本，将标记值由模型当前给出的检测值替代；对没有被选入下一次迭代的未标记样本，保持值不变。
(5)建立定量模型:将190份加入不同丙酮配比的样品，扫描光谱后，将光谱数据经预处理后，选取8634～4102cm-1波数范围的最佳光谱段，采用交叉验证方法，预留20个样本作测试样本；设置初始参数：迭代次数M＝100，初始化群体个体数目N＝25，p＝0.6，搜索范围为：α＝[0，100]，γ[0，1000]，λ＝[0，1000]。执行QPSO-LSS3VR算法，预估未标记样本，模型检测性能选用检测均方根误差RMSEC和决定系数R2进行评价；经运算，α＝[0，3.9]，γ[0，118]，λ＝[0，42.5]时为最优；根据优化参数建立光谱定量分析模型，模型结果：RMSEC＝5.61，R2＝0.9665。
将20个配制好的测试样品；作为验证集样品中加入数学模型中，其检测结果与实际配制的比值进行对比分析，结果如下表1。
表1检测性外激素含量变化的近红外模型验证结果
如表1所示，本发明方法检测获得的平均相对误差仅为5.18％，具有准确率高的优点。
从结果可见，采用基于量子粒子群优化-最小二乘支持向量机回归算法的半监督学习方法,建立的近红外数据模型，在建模样品较少的情况下，能够很好地快速准确的检测性外激素诱捕器中性外激素含量变化情况，从而判定药效是否已失效。
尽管本发明的具体实施方式已经得到详细的描述，但本领域技术人员将理解：根据已经公开的所有教导，可以对细节进行各种修改和变动，并且这些改变均在本发明的保护范围之内。本发明的全部范围由所附权利要求及其任何等同物给出。
Claims (7)
1.一种检测诱捕器芯片中性外激素含量的方法，包括：
(1)用有机溶剂萃取标准诱捕器芯片，获得标准溶液，并将标准溶液稀释为梯度浓度的多个梯度溶液；
(2)利用近红外光谱仪采集标准溶液和多个梯度溶液的光谱；
(3)基于半监督最小二乘支持向量机回归算法(QPSO-LSS3VR)将步骤(2)获得的样品光谱与对应的配比浓度值进行拟合，建立性外激素诱捕器中性外激素含量变化定量检测模型；
(4)利用步骤(3)获得的模型对待测诱捕器芯片中的性外激素含量进行定量分析；
所述有机溶剂由丙酮和N，N-二甲基甲酰胺构成，丙酮和N，N-二甲基甲酰胺的体积比为18.5～19.5:1；
所述步骤(3)包括以下操作，
建立定量模型：将190份加入不同丙酮配比的样品，扫描光谱后，将光谱数据经预处理后，选取4102～8634cm-1波数范围的最佳光谱段，采用交叉验证方法，预留20个样本作测试样本；
设置初始参数：迭代次数M＝100，初始化群体个体数目N＝25，p＝0.6，搜索范围为：α＝[0，100]，γ＝[0，1000]，λ＝[0，1000]；
执行QPSO-LSS3VR算法，预估未标记样本,模型检测性能选用检测均方根误差RMSEC和决定系数R2进行评价；经运算，α＝[0，3.9]，γ＝[0，118]，λ＝[0，42.5]时为最优；
根据优化参数建立光谱定量分析模型，模型结果：RMSEC＝5.61，R2＝0.9665；
步骤(1)包括，选取刚生产的合格诱捕器芯片200个，加入2000ml的丙酮和N，N-二甲基甲酰胺混合配比液，浸泡萃取24小时后，将溶液倒出搅拌均匀后，平均分成200份，将其中10份作为基准液，其余190份分别加入一定量的丙酮，配制成含体积百分比为70～99.9％基准液的配制液，设基准液值为100，配比液值按含基准液体积百分比作为对应值；
所述半监督最小二乘支持向量机回归算法(QPSO-LSS3VR)按如下方法设计：
a)采用TQ软件对样本光谱进行降维处理，将高维数据映射到低维空间，便于实现距离度量；
b)计算未标记样本集合N中的样本ni，与已标记样本集合M中的样本mj的距离d(ni，mj)；
c)根据KNN算法求解每个未标记样本ni的k个有标记近邻的集合M’；
d)取M’中所有已标记样本的平均值，预估未标记样本ni的初始估计值为：Tn＝Tl×(1+rand(0,1))
其中，Tl表示集合中已标记样本平均值；
e)对选入训练的未标记样本，将标记值由模型当前给出的检测值替代；对没有被选入下一次迭代的未标记样本，保持值不变。
2.根据权利要求1所述的方法，步骤(2)和(3)之间还包括对光谱进行预处理的步骤，预处理的方法选自：一阶导数、二阶导数、矢量归一化、多元信号校正和光谱平滑中的一种或多种。
3.根据权利要求1所述的方法，步骤(2)和(3)之间还包括对光谱进行预处理的步骤，预处理的方法包括以下一项或多项：
-采用多元信号修正(MSC)消除样品不均匀带来的差异；
-采用一阶微分处理，消除基线漂移的影响，获得比原光谱更高分辨率和更清晰的光谱轮廓变化；和
-采用段长为9、间隔为5的萨维茨基(Savitzky-Golay)滤波平滑光谱，消除高频噪音保留有用的低频信息。
4.根据权利要求1所述的方法，步骤(3)中建立性外激素诱捕器中性外激素含量变化定量检测模型的方法包括以下步骤：
i.输入光谱数据；
ii.设置初始参数，执行半监督最小二乘支持向量机回归算法(QPSO-LSS3VR)，预估未标记样本；
iii.执行半监督最小二乘支持向量机回归算法(QPSO-LSS3VR)，获得最佳模型参数，建立光谱定量分析模型。
5.根据权利要求4所述的方法，在步骤i和ii之间，采用交叉验证方法，预留10％的样本作测试样本；建立模型后，将测试样本输入模型进行检测，评价模型性能。
6.根据权利要求1所述的方法，步骤(2)包括，将制作的样品，利用近红外光谱仪的液体透射采样模块采集样品光谱，采集波数范围3800～10000cm-1，以仪器内置背景为参比，样品和参比均使用70次扫描，分辨率为8cm-1。
7.一种判断诱捕器芯片有效性的方法，包括以下步骤：
用有机溶剂萃取待测诱捕器芯片，获得待测溶液；
使用权利要求1～6任一项所述的方法检测待测溶液中性外激素的含量，获得检测含量；
将检测含量与预设阈值相比较，当检测含量小于预设阈值时，则判定诱捕器芯片失效，当检测含量大于预设阈值时，则判定诱捕器芯片有效。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910853064.9A CN110567909B (zh) | 2019-09-10 | 2019-09-10 | 一种检测诱捕器芯片中性外激素含量的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910853064.9A CN110567909B (zh) | 2019-09-10 | 2019-09-10 | 一种检测诱捕器芯片中性外激素含量的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110567909A CN110567909A (zh) | 2019-12-13 |
| CN110567909B true CN110567909B (zh) | 2022-06-21 |
Family
ID=68778727
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910853064.9A Active CN110567909B (zh) | 2019-09-10 | 2019-09-10 | 一种检测诱捕器芯片中性外激素含量的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110567909B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115327420A (zh) * | 2022-08-12 | 2022-11-11 | 哈尔滨工业大学 | 基于部分充电电压的退役电池余能快速准确估计方法及系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6405065B1 (en) * | 1999-01-22 | 2002-06-11 | Instrumentation Metrics, Inc. | Non-invasive in vivo tissue classification using near-infrared measurements |
| EP1664728A1 (en) * | 2003-09-07 | 2006-06-07 | Andrea Büttner | Detection of analytes in a defined area of the body |
| CN105541860B (zh) * | 2016-01-15 | 2018-01-16 | 华南理工大学 | 一种用作柑桔小实蝇昆虫信息素的螺环缩酮类化合物及其制法和用途 |
| CN106018337A (zh) * | 2016-08-04 | 2016-10-12 | 浙江大学 | 一种棉仁粉中植酸含量的测定方法 |
| CN107094729A (zh) * | 2017-05-22 | 2017-08-29 | 常州大学 | 粮仓内部害虫的机器视觉检测设备及计数方法 |
-
2019
- 2019-09-10 CN CN201910853064.9A patent/CN110567909B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110567909A (zh) | 2019-12-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Rapid determination of leaf water content using VIS/NIR spectroscopy analysis with wavelength selection | |
| CN104949936B (zh) | 基于优化偏最小二乘回归模型的样品成份测定方法 | |
| Torres et al. | Developing universal models for the prediction of physical quality in citrus fruits analysed on-tree using portable NIRS sensors | |
| CN109187398A (zh) | 一种小麦植株氮含量的高光谱测定方法 | |
| CN111157511A (zh) | 一种基于拉曼光谱技术的鸡蛋新鲜度无损检测方法 | |
| CN102636454A (zh) | 近红外光谱快速测定食用油中低碳数脂肪酸含量的方法 | |
| CN107174258A (zh) | 血糖浓度预测方法 | |
| CN114002162B (zh) | 土壤有机碳含量估算方法、设备、存储介质及程序产品 | |
| CN106018332A (zh) | 一种柑桔黄龙病的近红外光谱田间检测方法 | |
| CN110779875B (zh) | 一种基于高光谱技术检测冬小麦麦穗水分含量的方法 | |
| Whelan et al. | Quantification of DNA in simple eukaryotic cells using Fourier transform infrared spectroscopy | |
| CN108918502A (zh) | 一种基于sers的玉米中杀螟硫磷农药残留的检测方法 | |
| CN105486662A (zh) | 一种基于近红外光谱技术的棉籽棉酚含量的无损测定方法 | |
| Pan et al. | In situ monitoring of total polyphenols content during tea extract oxidation using a portable spectroscopy system with variables selection algorithms | |
| CN106525761A (zh) | 基于太赫兹光谱扫描的亚硝酸盐检测方法 | |
| CN111751347A (zh) | 基于拉曼光谱的白粉病胁迫下大麦叶片色素成像方法 | |
| CN110567909B (zh) | 一种检测诱捕器芯片中性外激素含量的方法 | |
| Wang et al. | Monitoring model for predicting maize grain moisture at the filling stage using NIRS and a small sample size | |
| CN113504198A (zh) | 一种苋菜红色素浓度检测方法、装置及存储介质 | |
| CN105954226B (zh) | 对叶表结构不敏感的叶绿素含量的检测方法 | |
| Guévélou et al. | Near infrared reflectance spectroscopy to quantify Perkinsus marinus infecting Crassostrea virginica | |
| CN115184322A (zh) | 一种水稻叶片水分含量监测方法 | |
| CN101140225B (zh) | 一种利用声光可调滤光器近红外光谱仪检测香料中铅的方法 | |
| CN105891130B (zh) | 一种校正不同光谱信息确定物质信息误差的方法 | |
| CN119334890A (zh) | 一种基于高光谱的茶树冠层叶片氮素估算方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |