为了采集不同浓度的葡萄糖混合溶液的二次谐波数据, 搭建了如图1所示的静脉药液浓度数据采集装置。 实验装置主要由波长调制、 药液吸收、 数据采集这三部分组成, 分别由紫色框、 黄色框、 红色框标志。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 静脉用药浓度分析系统结构Fig.1 Structure of intravenous drug concentration analysis system

由江苏省人民医院提供的5%葡萄糖溶液和盐酸氨溴索2个药物样品。 药品长期存放在4 ℃的冰箱内, 以保证药品的质量和活性。 按照常规配方和药品说明书的要求, 以5%葡萄糖溶液为溶媒, 盐酸氨溴索为溶质, 按照规定的比例和方法进行混合, 制备成相应的药物剂型。 如表1所示, 为5种不同浓度的盐酸氨溴索-葡萄糖(YS-G)的调配比例, 共计600个药物样本为研究对象。

表1

Table 1

表1(Table 1)

表1 实验数据集 Table 1 Experimental data set Sample Concentration/(mg· 100 mL-1) Number 6 120 12 120 YS-G 18 120 24 120 30 120

表1 实验数据集 Table 1 Experimental data set

为确保能够得到最佳的透射光强信号, 使用超连续光谱仪对5种不同浓度的药液进行照射, 所测的药液光谱吸收率如图2(a)所示, 在960~1 000 nm波段的光强相比其他波段有较强的吸收峰, 尤其在980 nm附近达到顶峰, 药液的浓度与光强的吸收率成正比, 故本次实验装置采用中心波长λ =980 nm的LD激光器作为激光光源。 实验装置使用频率为1 kHz电平为(300 mV的高频正弦波叠加频率为3 Hz高低电平分别为1.8和0 V的低频锯齿波作为激光器的驱动信号, 实现对LD激光器(980 nm)的波长调制, 得到特定波段的红外激光信号。 通过分光器将红外激光分为两束光强相同的光信号分别照射放有葡萄糖混合溶液的比色皿和空比色皿, 由光电传感器采集这两路光信号, 通过平衡差分法进行相减得到光电传感信号, 再由锁相放大模块对当前波段的差分后的光电传感信号进行解调得到二次谐波信号。 系统解调出二次谐波信号后, 采用十六位高精度模数转换器(ADC)采集电路和串口模块, 配合虚拟仪器(labview)作为上位机进行药液浓度的数据采集。 实验采集的不同浓度药液透射光强二次谐波信号如图2(b)所示, 全部采集数据结果如图2(c)所示。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 不同浓度吸收光谱(a); 不同浓度二次谐波信号(b); 全部样本原始数据(c)Fig.2 Absorption spectra samples with different concentrations (a); Second harmonic signals of samples with different concentrations (b); All sample raw data (c)

1.2.1 1D-CNN网络

卷积神经网络(convolutional neural network, CNN)是一种深度学习模型, 常用于图像识别、 语音识别等领域。 1D-CNN主要用于处理一维序列数据, 如时间序列数据、 文本数据等。 在光谱学分析中1D-CNN受到了广泛的应用, 通过1D-CNN模型能够有效地处理光谱数据并提取其中的特征, 从而实现对样本的分类、 定量分析等任务。

1D-CNN通常包括卷积层、 池化层和全连接层, 其中卷积层通过滑动卷积核提取输入序列中的特征, 池化层用于降维和保留最显著的特征, 全连接层则用于输出最终的预测结果。 如图3示, 本研究提出了一种基于1D-CNN的定量分析模型, 用于静脉用药溶质浓度的预测。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 1D-CNN 网络结构Fig.3 1D-CNN network structure

1.2.2 ECA网络

ECA(efficient channel attention)注意力机制是一种用于增强神经网络模型性能的模块。 通过引入高效通道注意力机制, 计算每个通道的重要性权重, 来动态调整特征图中不同通道的贡献程度, 使得模型更加关注重要的特征信息, 能够有效地提升神经网络模型的性能。 ECA网络结构如图4所示。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 ECA网络结构Fig.4 ECA network architecture

将输入特征图经过全局平均池化, 根据特征图的通道数计算得到自适应的一维卷积核大小Kernel_size, 公式为

k=log2(c)γ+bγ(1)

式(1)中, γ =2, b=1, c为维度大小, 得到对于特征图的每个通道的权重。 最后将归一化权重和原输入特征图逐通道相乘, 生成加权后的特征图。

1.2.3 定量分析网络模型的建立

采用1D-CNN网络模型结合ECA注意力机制(efficient channel attention)设计定量分析模型用于处理二次谐波数据, 二次谐波数据共有250个样本点, 共使用了13层网络搭建模型, 主要包含输入层、 卷积层、 池化层、 批量归一化层(batch normalization, BN)、 ECA层、 全连接层、 输出层。 在每层卷积层之后加入BN层, 能够防止梯度消失和爆炸的问题, 计算过程如式(2)— 式(5)。

$\mu_{x}=\frac{1}{n} \sum_{i \in(1, n)} x_{i}$(2)

$\sigma_{X}^{2}=\frac{1}{n} \sum_{i \in\{1, n\}}\left(x_{i}-\mu_{X}\right)^{2}$(3)

$\hat{x}_{i}=\frac{x_{i}-\mu_{X}}{\sqrt{\sigma_{X}^{2}+\varepsilon}}$(4)

$y_{i}=\gamma \hat{x}_{i}+\beta=B N_{\gamma, \beta\left(x_{i}\right)}$(5)

式(2)— 式(5)中: x_i∈ X={x₁, x₂, …, x_n}用于处理前数据, y_i用于处理后数据; 其中γ 和β 是可学习的参数, 用于缩放和平移标准化后的数据。 采用SGD优化器对模型进行优化更新, Epoch=800, batch size=8。 葡萄糖混合溶液浓度定量分析模型结构如表2所示, 由250× 1矩阵作为输入, 共有4个卷积层, 卷积核大小分别为9× 1、 7× 1、 5× 1、 3× 1, 均采用Relu激活函数, 每个卷积层后添加1个BN层, 每两个卷积层后面添加1个最大池化层, 在第二个池化层后添加1个ECA注意力机制, 再通过全连接层平铺展开映射输出静脉用药溶质的浓度。

表2

Table 2

表2(Table 2)

表2 定量分析模型结构 Table 2 Quantitative analysis of model structure Layer Activation Function Kernel Shape Size Number Stride Input - - - - 1× 250 Conv1d Relu 9× 1 16 1 1× 242× 16 BN - - - - - Conv1d_1 Relu 7× 1 64 1 1× 236× 64 BN - - - - - MaxPooling - 3× 1 1 1 1× 234× 64 Conv1d_2 Relu 5× 1 64 1 1× 230× 64 BN - - - - - Conv1d_3 Relu 3× 1 64 2 1× 114× 64 BN - - - - - MaxPooling - 3× 1 1 1 1× 112× 64 ECA Sigmoid self-adaption - - - Flatten - - - - 1× 7168

表2 定量分析模型结构 Table 2 Quantitative analysis of model structure

通过一维卷积神经网络构建静脉用药浓度预测模型, 采用决定系数(R²)、 绝对误差(MAE)、 均方误差(MSE)和均方根误差(RMSE)来评估模型的性能。 R²用于衡量模型对数据方差的解释能力, 决定系数越接近1表示模型对数据的拟合程度越好。 使用均方误差(MSE)作为损失函数, 用于衡量模型预测值与真实值之间的差异, 损失函数越趋于0, 反映模型的预测准确性和稳定性越好。 RMSE是MSE的平方根与MAE一起提供了更全面的误差评估信息。

为分析不同处理方法对模型的影响, 采用了6种预处理方法, 如图5所示根据预处理的目的能够分为散射校正、 数据归一化、 平滑处理、 均值中心化这四类^[20]。 其中多元散射校正(MSC)和标准正态变量(SNV)属于散射校正, 能够消除由于样品表面粗糙度、 颗粒大小等因素引起的散射现象; 平滑处理(SG)可以有效平滑光谱数据, 去除噪声, 保留信号特征, 提高数据质量; 最大最小归一化(Max_Min_Normalization)和SG+Normalization属于归一化处理, 将不同特征的数据值统一缩放到同一范围内, 从而消除特征值的量纲影响, 提高数据的可比性和模型的稳定性; 均值中心化处理(Mean_Centralization)用来消除特征值的位置偏差, 弱化均值对模型结果的影响, 可以提高模型的准确性和解释能力。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 不同预处理后的二次谐波信号 (a): SG预处理; (b): SNV预处理; (c): MSC预处理; (d): Mean_Centralization预处理; (e): Max_Min_Normalization预处理; (f): SG+Normalization预处理Fig.5 Second harmonic signal after different preprocessing (a): Pretreated by SG; (b): Pretreated by SNV; (c): Pretreated by MSC; (d): Pretreated by Mean centralization; (e): Pretreated by Max_Min_Normalization; (f): Pretreated by SG+Normalization

为建立一种能够高效、 精准预测静脉用药浓度的模型, 使用原始数据集以确保数据输入的一致性, 将数据集按8∶ 2的方式分为训练集和测试集, 设置相同的随机种子(random_state=42), 通过sklearn库中的主成分回归分析法(PCR, n_components=12)、 支持向量回归(SVR, kernel=‘ linear’ )、 偏最小二乘回归法(PLSR, n_components=16)以及一维卷积神经网络(1D-CNN)构建多种浓度预测模型, 并对4种模型预测结果进行对比分析。 综合四种模型SVR、 PCR、 PLSR和1D-CNN在回归预测任务中的实际表现, SVR、 PCR和PLSR这三种模型在处理复杂数据和特征提取方面受到限制, 预测性能相对较差。 对比4种模型在测试集上的表现如表3所示, 1D-CNN模型能够更好地捕捉数据中的非线性关系和复杂特征, 在4种模型中具有最强的表征能力和泛化能力, 其决定系数达到0.903, MAE为1.917, RMSE为2.661。 另外三种模型的决定系数均低于0.9, MAE和RMSE也都低于预期指标范围, 模型的泛化能力有待提高。 相比之下, 1D-CNN具有更强的表征学习能力和泛化能力, 在信号提取、 特征学习和复杂关系建模等方面具有一定优势。

表3

Table 3

表3(Table 3)

表3 不同模型泛化能力对比 Table 3 Comparison of generalization ability of different models Model R2 MAE RMSE PCR 0.792 2.881 3.594 SVR 0.827 2.740 3.379 PLSR 0.852 2.382 3.032 1D-CNN 0.903 1.917 2.661

表3 不同模型泛化能力对比 Table 3 Comparison of generalization ability of different models

为了说明算法的优势, 采用6种不同的预处理方法分别通过1D-CNN和ECA-1D-CNN构建预测模型, 对静脉用药溶质浓度进行预测。 在6种不同预处理实验中, 由表4可以看出, 经过预处理后的数据在ECA-1D-CNN的表现相比1D-CNN有所提高。 对于1D-CNN模型, 未经过预处理的原始数据在模型表现中相对较差, R²在训练集和测试集中分别为0.915和0.903。 尽管SNV、 MSC、 Max_Min_ Normalization和Mean_Centralization预处理后的训练集R²达到0.991、 0.979、 0.981、 0.978, 但他们的测试集R²仅为0.935、 0.915、 0.930、 0.923, 未达到理想的拟合效果。 对于ECA-1D-CNN模型, 经过SG预处理后的的数据能够平滑信号中的噪声, 更好地保留信号的特征和细节, 其决定系数R²在训练集和测试集中分别为0.993和0.981。

表4

Table 4

表4(Table 4)

表4 不同预处理对模型性能的影响 Table 4 Effects of different pretreatments on model performance Model Pretreatment Training set Testing set R2 MAE RMSE R2 MAE RMSE 1D-CNN Original 0.915 1.790 2.487 0.903 1.917 2.661 SG 0.990 0.652 0.874 0.954 1.341 1.836 SNV 0.991 0.581 0.789 0.935 1.644 2.227 MSC 0.979 0.918 1.234 0.915 1.849 2.486 Max_Min_Normalization 0.981 0.862 1.160 0.930 1.669 2.268 SG + Normalization 0.991 0.611 0.829 0.959 1.260 1.733 Mean_Centralization 0.978 0.929 1.283 0.923 1.740 2.371 ECA-1D-CNN Original 0.932 1.647 2.221 0.922 1.754 2.387 SG 0.993 0.508 0.709 0.981 0.843 1.177 SNV 0.992 0.573 0.766 0.951 1.341 1.904 MSC 0.989 0.658 0.894 0.938 1.545 2.139 Max_Min_Normalization 0.984 0.797 1.081 0.950 1.510 1.911 SG + Normalization 0.998 0.295 0.343 0.993 0.498 0.691 Mean_Centralization 0.992 0.573 0.766 0.964 1.177 1.624

表4 不同预处理对模型性能的影响 Table 4 Effects of different pretreatments on model performance

其中SG+Normalization预处理方法在两种模型上的表现最佳, 在SG平滑处理的基础上加入归一化处理, 可以避免不同特征之间的差异对模型训练和栅测的影响。 如图6(a)和(b)所示为ECA-1D-CNN模型的溶质浓度预测值和真实值拟合曲线图, 在该模型上的训练集R²为0.998, MAE为0.295, RMSE为0.343, 模型在测试集上的R²为0.993, MAE为0.498, RMSE为0.691。 相较于传统的1D-CNN模型, ECA-1D-CNN模型的预测结果R²在训练集和测试集上分别提升了0.706%和3.54%, MAE分别降低了51.7%和60.5%, RMSE分别降低了58.6%和60.1%, 大大提高了模型的预测精度。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 训练集回归曲线图(a); 测试集回归曲线图(b); 损失函数曲线(c); 决定系数曲线(d)Fig.6 Regression curve of training set (a); Regression curve of testing set (b); Loss function curve (c); Coefficient of determination curve (d)

如图6(c)和(d)所示, 分别为SG+Normalization预处理在ECA-1D-CNN模型下的R²和Loss随Epoch变化的曲线。 从图6(c)局部放大图中可以看出, 预测误差较小, Loss损失函数几乎低于0.5并趋于稳定。 从图6(d)局部放大图中可以看出, 决定系数R²在0.99至1之间稳定波动表现出较好的预测能力。 该模型表现出优良的拟合关系, 具有较强的泛化能力。