太赫兹时域光谱技术(THz-TDS)结合主成分分析-线性判别分析(PCA-LDA)和支持向量机(SVM)用于正品大黄样品的鉴定。 在时域测量41个大黄样品的太赫兹时域透射光谱, 然后将这些时域信号转换成频域的吸收系数系数。 根据样本的吸收系数建立了主成分分析-线性判别分析和支持向量机的定性分类模型, 并对正品和非正品大黄样本的分类模型进行了交叉验证。 模型的预测能力和稳定性使用自助拉丁配分进行评价, 使用50次自助拉丁配分, 配分数为4。 使用主成分分析-线性判别分析和支持向量机均得到了满意的结果。 提出的方法证明是一种方便、 无污染、 准确和无需化学处理的鉴定大黄样本的方法。 该文提出的步骤可以应用于其他中草药分类和生产的质量控制。

利用太赫兹时域光谱（THz-TDS）和傅里叶变换远红外光谱（FT-Far-IR）技术研究了大米中西维因在太赫兹频段的吸收光谱特征, 并结合化学计量学方法对大米中西维因进行了测定。 样品的制备采取待测农药西维因与大米粉末混合压片的方法模拟真实检测情景, 无需样品的分离富集。 分别将样品在1.8～6.3 THz特征波段内的Far-IR吸收光谱数据和在0.5～1.5 THz特征波段内的THz-TDS吸收光谱数据随机划分为训练集和验证集。 采用偏最小二乘回归（PLSR）方法建立定量分析模型, 将校正均方根误差（RMSECV）、 预测均方根误差（RMSEP）、 预测相关系数（Rv）作为模型性能评判的依据, RMSECV, RMSEP越小, Rv越大, 则所建立的模型越好。 两种检测技术均得到较好的结果。 其中, 运用Far-IR技术所得数据建立的定量分析模型预测相关系数(Rv)为0.99, 校正均方根误差（RMSECV）为0.007 7, 预测均方根误差（RMSEP）为0.008 6; 运用THz-TDS技术所得数据建立的定量分析模型预测相关系数为0.98, 校正均方根误差（RMSECV）为0.002 5、 预测均方根误差（RMSEP）为0.004 4。 该研究为定量检测粮食中的农残提供了一种新方法。

太赫兹技术的发展近年来受到广泛的关注并被应用于热点。 中草药大黄的品质鉴定对于中药制剂的质量控制具有重要的意义。 利用大黄的太赫兹时域光谱结合偏最小二乘法（PLS）模型对基于41个正品和非正品大黄的中草药鉴别模型进行了研究。 首先采集大黄样品的太赫兹时域光谱（THz-TDS）信号, 然后将化学计量学方法用于这些大黄样品太赫兹光谱的信号处理与建模, 再建立基于太赫兹光谱的大黄品质鉴定的偏最小二乘模型方法。 应用S-G一阶导数、 去趋势、 标准正态变换、 自标度化、 均值中心化等方法对原始时域谱预处理再与未经预处理的结果相比, 偏最小二乘（PLS）模型的预测正确率从80%明显提高到90%。 在模型建立和模型检验中, 采用留一法（LOO）选取训练集和检验集样本。 利用留一法交叉验证确定了PLS模型的最佳主因子数。 结果表明, 当采用均值中心化方法时, PLS模型的RMSECV和RMSEP的值均达到了最小, 分别为0.076　6和0.169　0。 研究结果表明, THz-TDS技术结合化学计量学方法能够快速、 准确的对大黄的真伪进行鉴别, 直接使用太赫兹时域光谱而不使用计算后的吸收谱有两个优点: （1）在分频测定和光谱信号处理时无需考虑样品的厚度; （2）使光谱信号处理过程得到简化。 该技术也可以对其他中草药进行鉴别和质量控制。 该法快速、 简单、 无污染、 无需样品预处理, 是一种有发展前景的中草药无损检测方法。

近年来太赫兹科学技术日益受到科学界和工业界的重视并得到了较大的发展, 太赫兹技术在医学领域上的应用已成为人们关注的重要方面之一。 介绍了太赫兹波的特点、 太赫兹光谱和成像技术; 重点讨论了近年来太赫兹光谱和成像技术在医学检测和诊断领域中的应用和研究进展; 并探讨了太赫兹光谱和成像技术发展中需要解决的问题以及今后发展的方向。

子宫内膜癌是一种常见的妇科癌症。 实验将Logistic回归作为一种建模方法引入到子宫内膜癌分类诊断模型中。 77个样本通过主成分判别分析和支持向量机判别分析进行降维, 应用拉丁配分方法选择训练集和测试集并确定Logistic回归模型参数。 结果表明, Logistic回归模型不仅能够对样本进行正确的分类, 而且能将样本的分类归属趋势与临床诊断结果很好的一致。 主成分判别分析结合Logistic回归有望发展为一种近红外光谱检测癌症组织的新方法。

测量了不同产地及品种的89个木材样品的近红外光谱, 并分别使用反向传播人工神经网络(back propagation artificial neural networks, BPANN)与广义回归神经网络(generalized regression neural network, GRNN)建立了NIRS树种识别模型。 通过方差分析分别选择两种神经网络所用参数, 并采用最优参数进行网络训练。 考虑到样品光谱的差异, 对含不同水平白噪声与不同水平偏置的光谱进行模拟, 并使用建立的模型对模拟光谱进行预测。 发现两种神经网络模型均有较好的预测结果, 其中BPANN模型, 对含偏置水平不高于2％、 噪声水平不高于4％的模拟光谱识别正确率在97％以上; GRNN模型, 对含偏置水平不高于2％、 噪声水平不高于4％的模拟光谱识别正确率在99％以上。

近红外光谱结合化学计量学方法对癌症的辅助诊断已有了文献报道。 该文测定了77例不同生理阶段的子宫内膜组织病理切片的近红外光谱, 对其分别进行多元散射校正(MSC)、 正交信号校正(OSC)以及二者联用的预处理方法, 采用拉丁配分法选择3/4样本作为训练集, 1/4样本作测试集, 建立支持向量机(SVM)模型进行分类, 并与基于同样预处理方法建立的偏最小二乘(PLS)模型分类结果进行了比较。 SVM对正常、 增生和癌变三类不同的组织样品分类结果较好, 总分类正确率约92%, 好于PLS模型的结果(最高正确率90%)。 研究结果表明, 光谱数据的预处理和建模方法对分类结果有重要影响, SVM结合子宫内膜组织的近红外光谱有望发展成为一种新型的肿瘤诊断方法。

基于橄榄油的近红外光谱数据, 用判别分析(Discriminant analysis)方法把20个样品成功地分为特级初榨橄榄油和普通橄榄油两类, 正确率为100％。 同时测定了纯橄榄油中分别掺入菜籽油、 玉米油、 花生油、 山茶油、 葵花籽油、 罂粟油的混合油的近红外光谱, 掺杂油体积百分数范围为0～100%。 选择最佳的光谱波段组合用偏最小二乘(PLS)法分别建立定量分析模型, 预测相对误差范围在－5.67%～5.61%之间。 研究结果表明, 基于化学计量学方法和近红外光谱数据可为橄榄油的品质鉴定和掺杂量检测提供了一种简便、 快捷、 准确的方法。

应用近红外光谱技术对子宫内膜组织病理切片进行快速无损检测。 收集了154样品光谱, 其中正常样本的个数36个, 增生的60个, 癌变的58个。 由于原始光谱中包含大量干扰信息, 所以光谱预处理方法和波段选取的方法在近红外光谱分析中占有非常重要的地。 利用多种预处理方法, 包括一阶导数、 多元散射校正、 多项式最小二乘拟合求导、 标准归一化、 平滑、 移动窗口中值滤波, 对样品光谱进行了预处理。 利用标准偏差谱来选取最优波段, 选取的最优波段范围为4 000～6 000 cm-1。 然后用处理后的光谱数据进行主成分分析, 分类准确率达到100%。 研究结果表明近红外光谱技术结合化学计量学方法可以作为一种癌症快速诊断的新技术, 对于癌症的早期诊断和癌症组织的恶化过程研究具有重要的意义。

利用近红外光谱（NIR）技术结合BP神经网络定量预测了杉木中的综纤维素、 木质素和微纤丝角。 首先对杉木的原始近红外光谱数据进行卷积（Savitzky-Golay）平滑和二阶导数处理， 然后利用小波变换压缩， 将由171个数据点组成的近红外光谱压缩为86个数据点， 最后用BP神经网络建模， 采用Leave-n-out交叉验证法对模型进行验证， 并讨论了隐含层神经元个数、 学习速率、 动量因子和学习次数对所建BP网络的影响。 用所建的网络模型预测了测试集中杉木样本的综纤维素、 木质素和微纤丝角 ， 预测的相关系数R2值分别为0.91, 0.90, 0.87， 预测均方根误差RMSEP分别为： 0.86%, 0.33%, 4.99%。 结果表明该方法快速， 无损， 基本能满足定量分析的要求。