近红外基础知识

1、.,理 论 背 景,.,原子核转变,电磁转动,分子转动,分子振动,外层电子的跃迁,内层电子的跃迁,Interaction,Region,Wavelength (cm-1),Wavelength (m),12,800 cm-1 (780 nm),4,000 cm -1 (2,500 nm),什么是近红外/中红外光？,400 cm -1 (25,000 nm),4,000 cm -1 (2,500 nm),近红外：,中红外：,.,近红外的发现和应用发展里程,1800年近红外电磁波被发现，光谱的复杂性使其“沉睡”了一个 半世纪 20世纪70年代国外的农业分析学家综合计算机技术、光谱分 析技术、仪器技

2、术和现代数学方法，首先把近红外分析技术 应用于农产品和食品的品质分析 进入90年代，近红外分析技术逐步受到分析化学家的重视， 应用逐步扩展到石油化工、医药、生物化学、烟草、纺织品等 领域。 近红外现已发展成为一种独立的分析技术活跃在光谱分析领 域 发达国家已经将近红外做为质量控制、品质分析和在线分析 的主要手段，部分方法已经成为USP、EP、PASG、EMEA、 AOAC、AACC、ICC的标准。,.,红外波长表示的度量单位,近红外区一般用波长（纳米 nm)或（波数cm-1）来表示 纳米与波数的换算关系：nm= 107/cm-1 或 cm-1 = 107/ nm 因为：1cm=107nm 1,

3、250nm处，用波数表示： 107/ 1,250=8,000cm -1 中红外区一般用波长（微米 m)或（波数cm -1 ）来表示 微米与波数的换算关系：nm= 104/cm -1 或 cm-1 = 104/ nm 因为：1cm=104 m 5 m处，用波数表示： 104/ 5=2,000cm -1,.,近红外光谱的信号特征,1、近红外光的产生：近红外光源一般用卤素灯 2、近红外光的检测：近红外光的检测材料是半导体材料，如 Si、PbS、 InAs、Ge、InGaAs等 3、光学材料：可以使用耐水和便于维护的材料，如：低OH 石英、石英和火石玻璃、CaF等。,.,中红外光谱的信号特征,1、中红

4、外光的产生：中红外光源一般用硅碳棒 2、中红外光的检测：中红外光的检测材料是半导体材料，如 MCT、DTGS等 3、光学材料：可以使用“怕水”的材料如：KBr、NaCl，耐水 材料CaF、ZnSe、Si等。,.,红外光谱振动的基本原理,hn,低能量 高能量,.,Fundamental 振動基頻,1st Overtone 一級倍頻,2nd Overtone 二級倍頻,3rd Overtone 三級倍頻,谐波振动Harmonic Oscillation,非谐波振动Anharmonic Oscillation,振动能级水平,红外光振动模式的能级图,.,不同的振动形式,对称伸缩振动 非对称伸缩振动 摇

5、摆振动,.,不同的振动形式,摇摆振动 弯曲振动 剪切振动,.,H,H,O,Sym-stretching,Bending,Asym-stretching,3756 cm-1,3657 cm-1,1595 cm-1,Molecular vibration modes,.,CHCl3 在MIR k;c,光源,: 消光系数 c: 浓度 k: 散射系数,定量分析的理论依据,.,单变量建模(QUANT 1) 单一组分体系的建模，只使用1个光谱点分析含量 (2组分=2波数, . ) 通过峰高或峰面积，进行分析,理 论 背 景 单变量建模,多变量建模 (QUANT 2) 单组分或多组分体系的建模，通常选用整个

6、波数范围通过化学计量学方法(如PLS)，进行分析,.,单变量建模，遵从Beers 定律 A = pC + e A: 指定波数处的吸光值 p: 指定波数处的系数 C: 单组分的浓度,理 论 背 景 单变量建模,指定的波数只有一个；对应峰需从重叠峰中分离出来,.,分析,1,2,4,5,吸光度,浓 度,1,4,2,5,吸光度,波 数,X,X,理 论 背 景 单变量建模,.,优点： 形象、直观，便于理解,缺点： 非全谱分析的方法 不能识别由其它未知组分造成的异常项或干扰 探测器噪声引起的统计误差直接表现在含量值中，必须多次重复测量 分析多组分体系时，待测组分的信号峰必须完全分开 未考虑温度波动或分子内

7、部相互作用,理 论 背 景 单变量建模,.,1标准方法分析样品,2. 采集光谱,3. 优化、检验、 建立模型,1. 测定未知样品光谱,2. 调用模型,3. 预测结果,定 量 分 析 基 本 原 理,建立模型,分析样品,.,Spectra of the calibration samples,Concentration values of calibration samples,+,=,Calibration function,Measured data,Concentration data,多元定量分析,.,Spectra of the unknown sample,Concentration

8、 of unknown samples,+,=,Calibration function,Measured data,Result of analysis,多元定量分析,.,近红外分析的过程,数据采集,样品集选择,校正模型,常规分析,编辑,显示,预测,评价光谱数据,模型,优化,分析未知样品,验证,谱区选择,光谱预处理选择,.,内部交叉检验,Differ1 Differ2 Differ3 Differn,内部交叉检验(cross validation),.,外部检验（Prediction）,Differ1 Differ2 Differ3 Differn,模型,检验样品,.,模型内部交叉检验,决定

9、系数,均方差,同一组样品、同一组分，R2越大，RMSECV越小。 决定于模型优化的条件、实验室化学分析水平和近红外 仪器的性能。 RMSECV最重要，决定预测样品的误差大小。,.,如何判定近红外定量分析是否可行?,RMSEE、RMSEC或SEC（C：Calibration），RMSECV、SECV（CV：Cross Validation），RMSEP、SEP（P：Prediction）三者的关系： RMSEE与RMSECV: 同一模型，RMSEE一定小于RMSECV；但两者不应存在显著性差异，否则，样品代表性不好或模型信息提取不充分。 RMSECV与RMSEP: RMSEP远大于RMSECV，

10、建模样品的代表性差、模型信息拟和不够或过拟和；RMSEP远小于RMSECV，验证样品代表性差。 文章或方法中只给出校正均方差，不能说明任何问题，要注意。 至少要给出交叉检验均方差，当然最好给出预测均方差。 RMSECV应该与实验室标准方法的精密度相当。,.,校正,交叉检验,如何判定近红外定量分析模型的质量,外部检验,.,各组分之间出现相关性,.,怎样建立好的近红外定量分析模型？,1、确定近红外定量分析的目标准确度。 实验室标准方法的准确度和精密度确认。 2、选择分析样品的近红外附件、光谱扫描的参数、规范操作步骤。 3、选择或配备代表性建模样品集。 4、模型优化。 5、模型验证（内部交叉验证和外

11、部验证）。,.,确定近红外定量分析的目标准确度,近红外定量分析方法是二级方法，利用化学计量学方法将近红外 光谱与实验室分析数据进行关联，建立近红外模型对未知样品进行预测。 实验室分析数据的准确度非常重要，完全遵循“量子传递”的误差理 论。实验室数据越准确，近红外模型的准确度也会越高。 目标准确度是评价近红外模型的首要条件。,.,确定近红外定量分析的目标准确度,考察实验室数据： 方法的可靠性 方法的准确性 方法的重现性 方法的误差范围 测试中偶然误差、系统误差,.,实验条件的选择,根据仪器的光谱响应特征 1、选择分析样品的近红外附件 液体样品要选择不同光程的比色皿： 颜色深、吸收强的样品，光程短

12、；颜色浅、吸收弱，光程长。 固体样品要根据粒径大小、均匀程度选择： 粒径大、不均匀的样品应选择扫描面积大的样品附件。 粒径小、均匀的样品应选择扫描面积小或大的样品附件。 2、光谱扫描的参数 分辨率、扫描次数、光谱范围。 3、规范操作步骤 特别对固体样品要保证装样的一致性。 最终目的：得到稳定的高质量光谱。,.,不同光程比色皿测定的光谱,5mm光程,2mm光程,.,样品集的选择,选择或配备代表性建模样品集。 天然样品和反应过程中的样品，选择的代表性样品数量比较大。 成分已知样品，选择的代表性样品数量比较少。 可使用化学计量学方法对样品进行选择、设计。,.,不同含量样品数的选择,不同含量样品数量选

13、择不能以现实的样品变化进行选择，应该在所有含量范围内均匀选择。,完美的分布 (很少出现的情况),比较合理的分布,.,样品分布,食品、烟草、化工、炼油等产品的样品分布情况,10,Mean,25,百分比分布,# of Samples with Level of Constituent,制药分布,10,正常样品,25,百分比分布,# of Samples with Level of Constituent,.,模型优化,模型优化 谱区范围的选择 选择信息量相关性最大的谱区。 光谱预处理方法的选择 选择减小光谱漂移、增加信息量、稳定可靠的光谱预处理方法。 最佳Rank（PLS算法） 相同的谱区范围，RMSECV无显著性差别，Rank小的模型好。,.,最佳谱区的选择,最佳谱区,最佳谱区的相关图,交叉检验的相关图,绝对误差分布图,.,矢量归一化预处理的PLS模型,R2=96.63RMSECV=0.05%Rank=2,光谱预处理方法选择,一阶导数预处理的PLS模型,R2=99.68RMSECV=0.02%Rank=2,.,模型优化条件的选择：谱区宽度、Rank大小、预处理方法,最佳Rank的选择,.,RMSECV vs Rank图表,模型内部交叉检验,结果不好！,.,模型内部交叉检验,RMSECV vs Rank图表,结果一般！,.,模型内部交叉检验,RMSECV vs