Диссертация (1150291), страница 12
Текст из файла (страница 12)
Образец ТКМ (100 г) заваривали горячей водой (1л),выдерживали на водяной бане в течение 1 ч, фильтровали и центрифугировалидля удаления твердых частиц. Полученный экстракт концентрировали,используяроторныйрастворитель.Затемразличныеобъемыконцентрированного экстракта добавляли в одинаковое количество воды дляполучения образцов с различными концентрациями.
Горькость полученногопродукта оценена независимо специалистами-дегустаторами и мультисенсорнойсистемой (табл. 13).Таблица 13. Данные по разбавлению и горькости исследованных образцовпрепаратов традиционной китайской медицины№образца123456789101112131415НазваниеГидрохлорид берберина(Berberine Нydrochloride)Хризантема китайская(Chinese Сhrysanthemum)Корень солодки(Liquorice Root)Ветки кассии(Cassia Twig)Концентрацияобразца,количество/объемводы0,005 г / 500 мл0,0125 г / 500 мл0,025 г / 500 мл0,05 г / 500 мл0,125 г / 500 мл0,25 г / 500 мл10 мл / 300 мл50 мл / 300 мл100 мл / 300 мл10 мл / 350 мл50 мл / 350 мл200 мл / 350 мл10 мл / 350 млЗначениегорькости *1234560,74,35,50,822,71,150 мл / 350 мл2,5200 мл / 350 мл3,78216171819202122232425262728293031Хвойник китайский(Chinese Ephedra)Семена горького абрикоса(Bitter Apricot Seeds)Реманния клейкая(Rehmanniae Adhesive)Корень одуванчика(Dandelion Root)Коптис китайский(Chinese Coptis)3233Смесь четырех трав:хвойник китайский – 37,5 %семена горького абрикоса – 25 %корень солодки – 12,5 %ветки кассии – 25 %10 мл / 350 мл25 мл / 300 мл50 мл / 300 мл50 мл / 500 мл100 мл / 300 мл20 мл / 300 мл50 мл / 300 мл100 мл / 300 мл20 мл / 350 мл50 мл / 350 мл200 мл / 350 мл20 мкл / 350 мл100 мкл / 350 мл200 мкл / 350 мл1000 мкл / 350 мл20 мл / 300 мл1,53,54,71,320,70,81,10,82,54,30,82,24,36250 мл / 300 мл4,2150 мл / 300 мл5,3* Оценка горькости осуществлялась по шкале от 0 (совсем негорько) до 6 (максимальногорько).Проведение измерений.
К 20 мл образца мерным цилиндром добавлялось 80мл дистиллированной воды в ячейку на 100 мл. Массив сенсоров помещался враствор, измерения проводились в течение 3 мин (интервал – 10 с). Затемсенсоры ополаскивались водой и фильтровальной бумагой удалялись остаткивлаги.Процедура отмывки. После анализа проводились измерения в воде втечение 2 мин три раза, последовательно меняя исследуемую воду. Величиныпотенциалов для последних двух вод отличались в пределах ±5мВ.Полученные для всех образцов данные сводились в матрицы, где числострок –сенсоровколичество исследуемых образцов, число столбцов – количествовмассиве(табл.14).хемометрическими методами.Затемрезультатыобрабатывались83Таблица 14. Пример матрицы данных от мультисенсорной системы при анализе растительных препаратовОбразец ТКМКоптис китайский_4,3Корень солодки_2Хризантема китайская_4,3Ветки кассии_1,1Корень одуванчика_0,8Гидрохлорид берберина_3Хвойник китайский_4,7Реманния клейкая_0,7Смесь четырех трав_2Гидрохлорид берберина_1Хвойник китайский_1,5Коптис китайский_2,2Корень одуванчика_2,5Реманния клейкая_1,1Хризантема китайская_0,7Корень солодки_0,8Коптис китайский_6Ветки кассии_2,5Реманния клейкая_0,8Корень одуванчика_4,3Гидрохлорид берберина_5Ветки кассии_3,7Хвойник китайский_3,5Смесь четырех трав_5,3Семена горького абрикоса_2Корень солодки_2,7Гидрохлорид берберина_4Коптис китайский_0,8Смесь четырех трав_4,2Гидрохлорид берберина_6Хризантема китайская _5,5Гидрохлорид берберина_2Семена горького абрикоса_1,3A7241,4220,0157,4230,7174,2247,5176,4217,6207,6246,5213,8249,1152,8188,3224,0242,8242,2232,8200,7127,4241,0217,4195,5164,5201,3185,7207,2207,1179,1202,3166,7200,6211,2A12135,671,730,9103,762,0113,762,8105,078,5107,4122,7122,328,966,3102,8125,4136,282,783,75,9126,130,479,829,763,154,9124,7123,081,8125,766,7127,1161,0A15-148,3-182,6-163,0-165,5-174,8-152,0-160,0-138,6-174,6-155,0-107,6-128,0-176,3-151,3-66,8-87,5-88,1-142,1-126,4-158,2-68,7-176,2-96,4-164,3-119,8-151,5-96,0-105,4-121,5-76,2-86,9-58,3-41,8A22120,278,966,799,676,1100,589,3123,296,1104,9133,8120,855,094,0128,6132,5129,895,9109,244,0126,246,8104,959,186,874,8120,6117,5104,9133,1102,7136,2168,9A23287,8132,1139,2210,0135,5280,2150,8203,8139,5251,8155,1280,6151,2234,4169,5159,3316,7131,5214,1145,4317,5104,0134,1133,9132,2152,4290,4230,7157,1329,9140,4267,6175,7C2171,9113,2136,6142,6143,4153,5148,5124,9130,4141,8136,4157,9150,0132,9125,1122,1181,6114,6117,6150,7183,4100,9142,7133,6110,3113,7164,7136,7124,1200,3127,1149,4117,0C4232,4124,5120,4178,498,6204,4222,1130,9175,0179,5190,6244,7155,1200,5116,3118,1253,378,3151,0149,1250,581,1203,6211,099,9153,8220,9160,3194,0261,1111,5188,5111,9C5261,2184,0118,4222,6136,6197,2146,9175,9131,2164,3141,1196,8159,0212,1158,5159,1231,2153,9188,8130,9216,6111,2140,8124,2141,9173,6190,7146,9179,8229,0172,3145,0170,5C6234,3117,5123,8175,9104,3212,8225,1139,9180,1179,4186,5219,8134,4178,8120,0126,6258,681,8159,0152,2255,489,8207,5214,6108,6161,8231,8173,2200,1273,5117,2203,4124,9C7210,545,456,5127,971,0161,456,481,141,370,925,0133,981,5113,941,226,3208,635,596,078,6205,327,533,345,939,750,4171,891,048,1216,730,6123,932,6C13209,5144,8155,4177,1162,8167,4169,2143,0148,7150,8154,2165,5165,6152,5147,0140,5271,3141,3161,2176,3229,4142,7172,1160,2140,3147,8185,8164,7170,1285,6142,7154,6131,3C15122,7103,3121,1113,0127,9118,9133,3107,0113,7122,9124,2131,3140,4116,1113,8107,6125,099,9105,0140,3124,786,0127,6120,295,2112,2123,4121,2119,8135,8113,4119,1101,6G2-280,6-259,9-247,7-270,3-270,0-282,0-232,7-239,2-245,9-279,2-262,4-282,9-286,6-244,1-206,2-236,5-289,7-271,0-240,5-266,5-271,1-251,6-243,2-239,8-267,3-262,9-277,9-278,8-253,7-286,5-239,4-273,0-223,4G3242,8223,4240,4233,1255,9258,1220,5251,1245,9267,4242,6266,1228,4250,2322,1291,4258,7265,7280,1238,2260,5265,6242,4230,6102,8217,3205,2202,9235,4225,6273,8258,1232,2G550,831,249,441,047,745,176,758,654,054,263,460,537,454,781,973,659,850,661,245,870,466,670,270,941,368,774,471,486,172,088,876,0100,2G8-265,6-274,1-278,0-269,8-299,1-282,5-279,3-276,1-285,5-277,6-285,8-278,3-327,0-305,8-263,8-271,3-271,0-299,8-294,2-310,7-264,5-312,9-289,7-305,2-291,8-275,1-263,0-269,5-279,4-262,2-275,5-258,7-251,3pH14,863,577,239,249,0-18,581,282,373,0-11,548,115,848,494,4113,390,025,138,688,165,027,661,278,179,461,670,326,528,067,721,785,740,399,8842.10.
Применение хемометрических методов к обработке данных отмультисенсорных систем2.10.1. Метод главных компонентМетод главных компонент (МГК) (PCA - principal component analysis) –PCA) - один из самых востребованных в хемометрике. Суть его в следующем:отклик массива сенсоров представляется в виде матрицы, в которой число строк– это число измеренных системой образцов, а число столбцов – число сенсоровв массиве.
Каждый элемент матрицы представляет собой отклик данногосенсора в данном образце. Кроме того, каждый элемент матрицы может бытьпредставлен точкой в многомерном пространстве с числом координатных осейравным числу сенсоров в массиве. Вся матрица при таком рассмотрениипредставляется облаком точек в многомерном пространстве. МГК отыскивает втаком облаке направление наибольшей дисперсии данных и последовательноуменьшает размерность пространства, проецируя точки на это направление (рис.38).Рис.
38. Выделение в облаке данных двух главных компонент.Врезультатеуменьшенияразмерностиисходнуюматрицуможнопредставить в виде графика счетов в двумерном пространстве, в координатахнаправлений с наибольшей дисперсией в матрице данных. Такое проецированиепозволяет выявить наличие скрытой внутренней структуры данных и, например,установить наличие групп образцов схожих/различных между собой (рис.39).ГК2 (19%)85ГК1 (68%)Рис. 39. Пример графика счетов.С математической точки зрения, метод главных компонент – этодекомпозиция исходной матрицы Х, то есть представление ее в видепроизведения двух матриц Т и Р [16].Х = Т*Рt + Е = структура + шум,(1)где Т – матрица счетов, Р – матрица нагрузок, Е – матрица остатков.Задача МГК – найти матрицы Т и Р для того, чтобы использовать ихпроизведение вместо матрицы X.
Матрица Е – ошибка моделирования,выражается в % остаточной дисперсии.% объясненной дисперсии + % остаточной дисперсии = 100 %.Объясненная дисперсия по каждой из главных компонент указывается подграфиком счетов. Применяют МГК для оценки возможности мультисенсорныхсистем к распознаванию (разделению) различных классов внутри единойгруппы образцов [16].862.10.2. Применение логистической регрессии для классификации образцовЛогистическая регрессия применяетсядляпредсказаниявероятностивозникновения некоторого события по значениям множества признаков [164].Например, для решения вопроса о том, относить неизвестный образецбиологической жидкости к классу «патология» или «норма» по результатамизмерений каких-либо параметров.
Для решения подобных задач частоиспользуют и линейный дискриминантный анализ (ЛДА) [164]. Следуетотметить, что в основе последнего для построения моделей используетнаименьший квадрат отклонения от наилучшего результата. Кроме того, дляпримененияЛДАтребуетсяряддопущений,например,нормальногораспределения параметров. Медицинская статистика в большинстве случаев негарантирует нормального распределения, данные независимы и дискретны.Именно поэтому логистическая регрессия считается более достоверной. Внастоящем исследовании этот метод впервые использован не только для анализареферентных данных, но и для данных, полученных с использованиеммультисенсорной системы.Вначале строится модель по имеющимся достоверным значениям опринадлежности образцов к тому или иному классу.
Затем с помощьюнезависимого тестового набора образцов проверяется вероятность отнесенияконкретного образца к классу больных или здоровых.где n – число предикторов (исследованных параметров);β0, β1 … βn – коэффициенты модели;X1 … Xn – предикторы;р(Х) – вероятность отнесения образца Х к классу больных (1) илиздоровых (0).87В [164] рекомендуют при статистической обработке медицинских данныхучитывать общую заболеваемость населения рассматриваемой патологией,выраженную в процентах. При этом вместо β0 используют β0*:где π – заболеваемость населения МКБ в данной местности в долях (π=0,15)[39];π* – количество случаев заболевания МКБ, отнененное к общему числуслучаев в данном исследовании (117 больных из 136 анализируемых в нашейработе образцов.
π*=0,86).2.10.3. Регрессионный анализ, применяемый для данных, полученных отмультисенсорных системРегрессионный анализ подразумевает исследование двух наборов данных,еготакженазываютмногомернойкалибровкой,илимногомерныммоделированием. Многомерное моделирование включает два этапа. Первый –стадия калибровки: строится модель в виде регрессионной зависимостиэкспериментальных значений X и Y, которая применяется для предсказаниязначений Y на основе значений X, полученных при новых измерениях. Смыслэтой операции в том, чтобы получить возможность в дальнейшем не измерятьзначения Y, а определять их исключительно по значениям X.Простейший случай регрессии – одномерная линейная. Она задаетсялинейным уравнением вида: y=kx+b, и устанавливает связь между переменнымиx и y.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
