（3）地理标志与HSI特征波长相关性分析
HSI和NMR都证明了在确定枸杞的地理起源方面的有效性。NMR，特别是与多元统计分析相结合，成为识别GI标记物的有力工具。它提供了可以用来区分不同来源的化学信息的深度。然而，尽管在HSI中通常采用特征波段选择的做法，但这些特征波长与样品中特定成分之间的相关性通常仍未被探索。这一差距可能会限制HSI数据在潜在化学变化方面的可解释性。此外，虽然NMR提供了丰富的生化见解，但它面临着挑战，例如食品基质样品制备的复杂性，以及相关成本可能令人望而却步。这些因素可能会阻碍快速、无损、高通量分析的实施，而这对于高效、可扩展的枸杞原产地溯源过程至关重要。为了解决这些限制，开发结合这两种技术的优点，同时尽量减少各自缺点的策略是至关重要的。该综合方法为枸杞产地鉴定提供了一种更**、更有效的方法。
通过HSI-NMR Pearson相关分析，成功地揭示了枸杞特征波长与GI标记之间的相关性（图6）。不同产地枸杞的GI标记在单个光谱波段上表现出显著的相关性，p值<0.001，Pearson相关系数（R）在自由度为150时超过0.264。在633 ~ 768nm范围内，大部分物质与枸杞的红色光谱具有明显的相关性，这与枸杞的天然红色相一致。对于不同省份的枸杞，以633.6nm、665.6nm和980nm为中心的HSI波段与GI标记物呈极显著相关（p<0.001）。其中，633.6nm的HSI波段与脯氨酸（δ1.98）、苹果酸（δ2.37）和咖啡酸（δ7.33）密切相关。665.6 nm处与谷氨酸（δ2.08）密切相关，980 nm处与二羟丙酮（δ4.44）和葫芦巴碱（δ9.13）相关。研究表明，以643 nm为中心的波段与氨基酸的第三和第四泛音区域有关，包括脯氨酸和谷氨酸。此外，976 nm至987 nm的波长范围对应于油营养物中C-H（CH/CH2/CH3）键的第三泛音区域和O-H键的第三泛音区域。随后，利用663.6 nm、665.6 nm和980 nm三个*显著相关波段的图像，利用改进的ResNet-34建立了枸杞起源分类模型。仅使用三个波长的光谱图像来区分宁夏和青海枸杞样品的准确率达到95%。在不同县域的枸杞 GI标记物（TX-ZN和NMH-DLH）中，特定生物标记物与HSI波段之间存在显著正相关（p值<0.001）。异亮氨酸（δ0.96）、精氨酸（δ1.68）、苹果酸、胆碱（δ3.21）、1-甲基尿酸（δ3.33）、丝氨酸（δ3.96）、果糖（δ4.12）、绿原酸（δ7.19）和咖啡酸作为GI标记与以633.6 nm为中心的HSI波段相连。谷氨酸（665.6 nm）、苏糖醇（δ3.64）、硫酸氨基葡萄糖（δ4.91）和α-木糖（δ5.19）均与980 nm处的谱带相对应。对于不同品种的枸杞（ZN1 ~ ZN2），赖氨酸和绿原酸在633.6 nm处与HSI波段呈显著相关（p值<0.001）。古洛内酯（δ4.73）和葡萄糖胺6磷酸（δ5.45）在801 nm和719.3 nm处与HSI波段的相关性较弱（p < 0.05）。ZN1和ZN2品种的鉴定准确率较低，为93.75%，主要是由于其种植地点较近。当比较全光谱HSI数据和SHAP提取的特征波长时，使用与GI标记物高度相关的光谱图像，运行时执行时间分别显著降低46.26%和33.99%。这表明有针对性的光谱图像分析方法可以在不影响精度的情况下提高效率。
图6.枸杞地理标志标记的HSI-NMR Pearson系数相关图
本研究结果表明，GI标记物与HSI特征波长的相关性有效地阐明了光谱波段与枸杞化学成分之间的联系。这种相关性不仅增强了我们对枸杞光谱特征的理解，而且强调了开发便携式多光谱设备的潜力。该装置可提供一种无创、低成本、高通量的地理来源鉴定方法。
结论
本研究提出了一种将HSI和NMR技术与深度学习相结合，用于准确识别枸杞的地理来源及其GI的新方法。改进的ResNet-34模型通过整合3D和2D卷积层，在利用HSI数据进行产地识别中实现了95.63%的分类准确率。此外，采用SHAP方法选择特征波长，与使用全光谱HSI数据的分类准确率相当，但运行时间缩短了29.9%。研究还表明，基于枸杞不同侧面数据训练的模型具有鲁棒性，且模型性能未受到显著影响。通过NMR分析，研究识别并定量分析了62种成分，并通过多变量统计分析确定了各地理来源的GI标记。通过皮尔逊相关系数评估GI标记与HSI特征波长的相关性，增强了HSI数据的可解释性，从而获得了更准确且有意义的科学洞察。相比SHAP模型，本研究的方法进一步将运行时间缩短了33.99%。这些研究结果对于开发便携式多光谱设备具有重要意义，可提供一种快速、准确且经济高效的解决方案，用于枸杞产地的识别，从而促进植物产业中的质量控制和溯源管理。
推荐产品
GaiaField-V10E
作者简介
通讯作者：冯江华，厦门大学电子科学与技术学院，博导
参考文献
论文引用自一区文章：Chengcheng He , Xin Shi , Haifeng Lin , Quanquan Li , Feng Xia, Guiping Shen,Jianghua Feng , The combination of HSI and NMR techniques with deep learning for identification of geographical origin and GI markers of Lycium barbarum L. (2024) Food Chemistry 461.140903
