基于 MATLAB 实现 近红外光谱（NIRS）血液定量分析

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 nm
spectra = 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);

for i = 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);

for i = 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

1. PLS在NIRS中的应用：中采用SG平滑+一阶导数预处理，R²达0.994
2. iPLS波长选择：通过间隔PLS优化光谱区间，RMSEP降低23%
3. 血液检测案例：使用手持NIRS设备结合SIMCA实现血迹分类