主题:【分享】智能光谱分析的前景展望

浏览0 回复17 电梯直达
chemosolv
结帖率:
100%
关注:0 |粉丝:0
新手级: 新兵
这是我总结中南大学梁逸曾教授的一次讲座《智能光谱分析的前景展望》的内容,和大家分享下

    近红外光谱,拉曼光谱,紫外可见光谱,LIBS(激光诱导击穿光谱技术,laser induced breakdown spectroscopy),X-射线荧光谱等,都是目前光谱分析出现的新型快速无损分析的新工具。借助化学计量学,它们在复杂体系的定性定量分析及模式识别和模式分析中提供了最新的光谱分析新仪器。

不同光谱反映了不同样本层次的分子信息:

外可见:分子中电子跃迁能量谱;
红外、拉曼与近红外:分子的振动-转动光谱;
X-射线荧光谱:样本中样本中原子分布信息;
LIBS:样本中元素分布信息,等



    一般说来,常用的波谱(包括紫外可见、红外光谱、近红外光谱、拉曼光谱、LIBS谱、质谱和核磁共振谱)包含了样本中化学物种的结构与特征信息。不同的化学物质一般都有不同的波谱,而这些差别将为以多变量分析为基础的化学计量学提供新的机遇。

智能光谱分析的新任务

    1)样本的多变量定性分析    这样的例子就是不同种类的中药材(或植物物种的化学分类与鉴别)分类与真伪鉴别,天然香精香料提取物的分类与鉴别,不同疾病患者的代谢组学分析,不同土壤,不同纤维,不同烟草及卷烟等的识别。对于这些样本的分析,人们不在乎是否能对其进行穷尽的化学组分定性定量分析,而主要追求样本之间整体性(包括共同性与差异性)分析,可对不同样本进行区分并进而找到区分样本之间的主要化学因素(或特征变量,或生物化学标志物),化学计量学为此提供了相应的基于多变量的解析方法,这些方法亦将是我们主要进行讨论的复杂体系的分析方法,也为智能光谱分析提供了新思路。

    2)谱学的多变量定量分析    农产品中的不同种类的粮食或烟草中的蛋白质、脂肪、糖类的总量分析,原先大都采用化学分析方法来完成,都耗时耗力;另外,人们往往不是对样本中某种化学物质的定量感兴趣,而是关注该样本的某一性质和特质,如能源化学中汽油的辛烷值(或油品标号)、食品化学中的某种感官定量指标、不同的塑料制品的鉴别等。这些也都有一些传统的方法进行测量,大都耗时耗力或主观性太强。值得提出的是,一般象这样的化学分析,其结果都是有很多因素共同形成,不是由某单个化合物决定。随着仪器分析进入实验室,大都趋向于采用既无损且简便的方法来替代原有分析方法,由于化学计量学中主成分回归(PCR)和偏最小二乘(PLS)多变量解析方法的引入,使得对这些样本的快速分析成为可能。
    人们采用多变量的波谱分析(主要是近红外光谱,红外光谱、拉曼光谱、 LIBS,质谱,NMR等)来替代原先的传统分析方法,继采用PCR、PLS或其他多变量解析方法(包括支撑向量机、人工神经网络)来校正建模,以达到快速分析的结果。注意到,这类样本的分析并不只局限于对某种化合物的定性定量,它们是多种化学物质的综合效应,故其校正模型不确定(线性或非线性未知,无有类似Lambert-Beer定律作为其分析校正基础),波谱中的响应变量亦不能确定,且它还需要用原先传统化学或物理方法所得的定量数据来作为标竿建模,这类样本实质上也是一种复杂多组分体系。对此类体系的定量分析也可通过借助化学计量学进行快速定量分析,并此技术已得到了十分广泛的实际应用。

……………………

很多图文的例子,不一一述说,大家详细看附件的PPT吧
为您推荐
您可能想找: 气相色谱仪(GC) 询底价
专属顾问快速对接
立即提交
可能感兴趣
chemosolv
结帖率:
100%
关注:0 |粉丝:0
新手级: 新兵
有点发觉自己有点偷懒,光分享,没写原创。因为没有思路,最好大家提些问题我回答吧,一起探讨问题才能碰撞出火花哦
shih20j07
结帖率:
100%
关注:0 |粉丝:0
新手级: 新兵
智能的本质还是要靠人啊,比如MS有些时候真的不靠谱
zhw19811005
结帖率:
100%
关注:0 |粉丝:0
新手级: 新兵
shih20j07
结帖率:
100%
关注:0 |粉丝:0
新手级: 新兵
chemosolv
结帖率:
100%
关注:0 |粉丝:0
新手级: 新兵
原文由 shih20j07(shih20j07) 发表:

智能的本质还是要靠人啊,比如MS有些时候真的不靠谱


任何的智能都是学习人的认知过程,我们说的智能也就是计算机辅助或者其他手段辅助下的自动化来代替人的繁杂的工作。

相对以前来说,检测个指标就要把样本收集起来,然后同意在某某个实验室去用传统的方法去测量。

然后测量时间多则一个月,最少也要好几天吧,而现在的光谱技术,因为快速、无损等优点

可以实现实时监测,现场监测,并判别真假,测量有效成分含量或有害物质的含量

相对以前的测量手段来说已经算非常智能

另外一方面,现场无损检测,实时得到化学成分信息,仪器硬件的进步做不到,要软件硬件结合才做得到。

也就是说仪器给出的谱图,不是我们需要的信息,需要通过化学计量学模型给出的化学成分信息才是用户需要的。

为什么说智能,我把已经建立模型放在仪器里面,仪器直接给你信息,如检测酒的真假,智能仪器直接就告诉你

它和标准谱图不一致,有显著性差异,是假酒。相对以前只是给你个谱图是不是某种意义上是智能呢,不具备任何

检测经验或者化学背景的实验员 都可以使用这个智能仪器。
chemosolv
结帖率:
100%
关注:0 |粉丝:0
新手级: 新兵
原文由 zhw19811005(zhw19811005) 发表:

分享也不错啊。可以为版友答疑


可以的,得把问题提出来啊,我不懂的话,我直接去问梁老师本人就是啦
chemosolv
结帖率:
100%
关注:0 |粉丝:0
新手级: 新兵
原文由 shih20j07(shih20j07) 发表:

智能的本质还是要靠人啊,比如MS有些时候真的不靠谱


至于质谱技术,因为用质谱分析的一般是复杂化学物或者天然产物,都是成千上万的化学物

多少级的分离技术都难于在有限的空间内把这么多未知的分离干净。

所以质谱的重叠峰,背景和噪音等不可避免的问题不一一解决的话

是难以把后面的定性定量做好的。

任何的智能都是相对的,软件的功能在强大也是在模仿专家

软件就如一个专家系统,给出近似权威意见提供使用者来决策

专家也只能停留在现在知识的认知水平,没人敢说给的建议就是真理

只能说我现在给出的结论都是在有文献依据的考量的。
chemosolv
结帖率:
100%
关注:0 |粉丝:0
新手级: 新兵
原文由 shih20j07(shih20j07) 发表:

现在的仪器检测水平谈智能,实际上是伪命题


我发现是不是我和你说认为的“智能”不一样,我认为以前的仪器给用户的是数据,现在智能仪器给我们的是化学成分,类别信息

就是智能,现在仪器的检测水平的稳定性还可以,对物质特征的表征信息也足够,怎么做不到智能呢?

请问您认为的智能是做到什么的程度呢?

现在的检测水平又怎么样呢?
shih20j07
结帖率:
100%
关注:0 |粉丝:0
新手级: 新兵
原文由 chemosolv(v2761650) 发表:
原文由 shih20j07(shih20j07) 发表:

现在的仪器检测水平谈智能,实际上是伪命题


我发现是不是我和你说认为的“智能”不一样,我认为以前的仪器给用户的是数据,现在智能仪器给我们的是化学成分,类别信息

就是智能,现在仪器的检测水平的稳定性还可以,对物质特征的表征信息也足够,怎么做不到智能呢?

请问您认为的智能是做到什么的程度呢?

现在的检测水平又怎么样呢?


可能我们的理解不一样吧,仪器处理数据我认为谈不上什么智能,就和现在的智能手机一样是个相对概念,我认为只是自动化提高了,目前的分析技术来讲,要分析一堆图的成分,依然是不可能的。现在的数据库技术的发展为我们确实提供了很大方便。所以我认为智能是个伪命题。
chemosolv
结帖率:
100%
关注:0 |粉丝:0
新手级: 新兵
原文由 shih20j07(shih20j07) 发表:
原文由 chemosolv(v2761650) 发表:
原文由 shih20j07(shih20j07) 发表:

现在的仪器检测水平谈智能,实际上是伪命题


我发现是不是我和你说认为的“智能”不一样,我认为以前的仪器给用户的是数据,现在智能仪器给我们的是化学成分,类别信息

就是智能,现在仪器的检测水平的稳定性还可以,对物质特征的表征信息也足够,怎么做不到智能呢?

请问您认为的智能是做到什么的程度呢?

现在的检测水平又怎么样呢?


可能我们的理解不一样吧,仪器处理数据我认为谈不上什么智能,就和现在的智能手机一样是个相对概念,我认为只是自动化提高了,目前的分析技术来讲,要分析一堆图的成分,依然是不可能的。现在的数据库技术的发展为我们确实提供了很大方便。所以我认为智能是个伪命题。


      或许我们认为的智能应该是一致的,分析一堆图的成分理论上是可以成立的,至少在现有的文献来看是有可能的,可能学术界的研究领先实践应用,仪器的智能化肯定是大势所趋,所以谈的也是智能仪器的前景分析嘛。

      海洋光学的老大豪迈集团的口号是“让生命更安全,让生活更美好”,而海洋光学的口号则是“光谱改善生活”。仪器的智能化肯定是仪器商们的未来产品蓝图,这样才能让仪器平民化,走进平常家庭,才能改善生活,不可能要求平常人都懂化学计量学,懂仪器吧。

    所以说,仪器的智能是必须的,仪器的信息肯定可以被转译成成分信息,要不该仪器就没有存在必要,会被取缔的
猜你喜欢最新推荐热门推荐更多推荐
品牌合作伙伴