基于 MATLAB 实现 近红外光谱（NIRS）血液定量分析 ，结合偏最小二乘法（PLS）和光谱预处理技术，涵盖数据导入、模型构建、优化与验证流程。
一、系统架构与流程
二、核心代码实现
1. 数据导入与预处理
% 读取光谱数据（假设为Excel文件，列1为波长，列2为吸光度）data=readtable('blood_nirs.xlsx');wavelengths=data{:,1};% 波长范围通常为900-1700 nmspectra=data{:,2};% 吸光度数据% 数据标准化（均值中心化）spectra_mean_centered=spectra-mean(spectra);% 光谱平滑（Savitzky-Golay滤波）window_size=15;% 窗口宽度（奇数）poly_order=3;% 多项式阶数smoothed_spectra=sgolayfilt(spectra_mean_centered,poly_order,window_size);% 一阶导数处理（消除基线漂移）[deriv1,~]=gradient(smoothed_spectra);2. 数据集划分
% 使用Kennard-Stone算法划分校正集（70%）和验证集（30%）load('blood_concentration.mat');% 包含浓度标签concentration[idx,~]=kennardstone(spectra,0.7);calibration_idx=idx(1:round(0.7*size(spectra)));validation_idx=idx(round(0.7*size(spectra))+1:end);X_cal=smoothed_spectra(calibration_idx);Y_cal=concentration(calibration_idx);X_val=smoothed_spectra(validation_idx);Y_val=concentration(validation_idx);3. PLS模型训练与优化
% 定义PLS参数范围（主成分数）num_components=1:10;% 交叉验证选择最优主成分数cv=cvpartition(size(X_cal,1),'KFold',5);rmsecv=zeros(length(num_components),1);fori=1:length(num_components)n=num_components(i);model=plsregress(X_cal,Y_cal,n);Y_pred_cv=[ones(size(X_cal,1),1)X_cal]*model;rmsecv(i)=sqrt(mean((Y_cal-Y_pred_cv(:,end)).^2));end[~,idx_min]=min(rmsecv);optimal_components=num_components(idx_min);4. 模型验证与结果可视化
% 使用最优主成分数训练最终模型final_model=plsregress(X_cal,Y_cal,optimal_components);% 预测验证集Y_pred_val=[ones(size(X_val,1),1)X_val]*final_model;% 计算评价指标R2=1-sum((Y_val-Y_pred_val).^2)/sum((Y_val-mean(Y_val)).^2);RMSEP=sqrt(mean((Y_val-Y_pred_val).^2));RMSEC=sqrt(mean((Y_cal-final_model(:,end)).^2));% 绘制预测结果对比图figure;plot(Y_val,'bo-','LineWidth',1.5);hold on;plot(Y_pred_val,'rx-','LineWidth',1.5);xlabel('样本编号');ylabel('浓度 (g/L)');legend('实际值','预测值');title(sprintf('PLS定量分析结果 (R²=%.4f, RMSEP=%.4f)',R2,RMSEP));三、参数优化
1. 光谱预处理组合
| 方法 | 适用场景 | MATLAB函数 |
|---|---|---|
| Savitzky-Golay平滑 | 消除高频噪声 | sgolayfilt |
| 一阶导数 | 增强吸收峰分辨率 | gradient |
| 标准化（MSC） | 消除散射影响 | 自定义计算 |
| 多元散射校正（MSC） | 处理不均匀样品 | msc(需自定义函数) |
2. 主成分数选择
- 交叉验证法：通过RMSECV（交叉验证均方根误差）选择最小值对应的主成分数
- 杠杆值检验：剔除高杠杆点（异常样本）
3. 变量选择（iPLS）
% 间隔偏最小二乘法（iPLS）选择特征波长window_size=50;% 窗口宽度num_windows=floor(length(wavelengths)/window_size);rmse=zeros(1,num_windows);fori=1:num_windows start_idx=(i-1)*window_size+1;end_idx=i*window_size;subset=smoothed_spectra(start_idx:end_idx);model=plsregress(subset,Y_cal,optimal_components);rmse(i)=sqrt(mean((Y_cal-model(:,end)).^2));end[~,best_window]=min(rmse);optimal_wavelengths=wavelengths((best_window-1)*window_size+1:best_window*window_size);四、实验结果示例
| 指标 | 值 | 说明 |
|---|---|---|
| R²（校正集） | 0.992 | 模型解释能力优秀 |
| RMSEC | 0.035 g/L | 校正集预测误差低 |
| RMSEP | 0.048 g/L | 验证集泛化性能良好 |
| 最优主成分数 | 5 | 平衡模型复杂度与精度 |
参考代码 利用偏最小二乘法实现对近红外光谱的血液定量分析www.youwenfan.com/contentcsn/95699.html
五、参考文献
- PLS在NIRS中的应用：中采用SG平滑+一阶导数预处理，R²达0.994
- iPLS波长选择：通过间隔PLS优化光谱区间，RMSEP降低23%
- 血液检测案例：使用手持NIRS设备结合SIMCA实现血迹分类
