经验模态分解法在近红外无创血红蛋白检测中的应用研究

为提高近红外血红蛋白预测模型的稳健性,分别应用Savitzky-Golay平滑、移动窗口平滑以及经验模态分解(EMD)方法对原始光谱进行去噪处理,以提高数据信噪比。采集了81例临床志愿者的手指指端血流容积脉搏波光谱数据,同时获取相应的血红蛋白浓度值临床化验结果。剔除异常样品,确定78例样品为研究对象,建立反向传播神经网络(BP-ANN)定量分析模型并预测。结果表明,经EMD处理后的模型预测效果最优,预测相关系数由0.74提高至0.87,误差均方根由12.85 g·L-1减小至8.08 g·L-1。实验证明应用EMD方法能够获得高信噪比的容积脉搏信号,提高血红蛋白浓度预测模型的准确性,有利于推动近红外无创血红蛋白检测技术的进一步发展。     

EMD和SPA算法在光谱法检测面粉过氧化苯甲酰添加量中的应用

将经验模态分解(EMD)和连续投影算法(SPA)结合用于面粉过氧化苯甲酰(BPO)添加量的近红外光谱检测分析中。在波长898～1 725 nm范围内采集添加了BPO的面粉样本光谱,先通过EMD分解法对其进行噪声预处理,然后利用SPA算法提取光谱特征波长。EMD处理后的光谱建模精度比原始光谱建模精度大大提高,通过SPA算法从512个波长中提取了7个特征波长,基于特征波长建立的模型,与EMD处理后全波长建模结果相比,建模波长个数大幅缩减,但是模型精度与全谱建模相当,结果表明：EMD和SPA结合可有效用于面粉BPO检测的光谱去噪和特征波长提取,该结果为开发便携式面粉BPO检测仪提供了参考和依据。     

人体血氧饱和度检测中消除脉搏波信号高频噪声的方法

基于光电容积脉搏波的方法可以用于人体血氧饱和度的无创检测,基于光电容积脉搏波测量时,由于信号采集过程中随机噪声等干扰,脉搏波信号中存在高频噪声,影响最终的血氧饱和度测量精度。提出采用基于连续均方误差(CMSE)准则的经验模态分解(EMD)法消除脉搏波信号中的高频噪声。利用自行研制的光电容积脉搏波采集装置采集脉搏波信号,应用该方法消除信号中高频噪声,并采用信号的频谱进行效果评价。结果表明：该方法有效消除了高频噪声,这将有利于人体血氧饱和度无创检测精度的提高。     

基于LabVIEW的动态光谱光电脉搏波信号提取的快速算法

在众多近红外光谱检测方法中,动态光谱法以能消除检测中个体差异和测量条件的影响而备受研究者的青睐。动态光谱提取自光电容积脉搏波,是与动脉血液信息高度相关的近红外光谱,可应用于动脉血液成分的无创检测,具有很好的临床应用价值。高精度和高速度是动态光谱检测的核心问题。应用过采样和数字锁相检测技术能提高动态光谱法中光电脉搏波信号的检测精度,文章对此进行了理论推导。同时,为了克服过采样导致的大数据量和锁相放大要求的大运算量等困难,提出了基于LabVIEW的快速算法和通过外部接口调用C语言的方法应用于动态光谱光电脉搏波的提取,并在LabVIEW环境下进行实验验证。结果表明,该方法不但提高了运算速度,还大大缩小了数据的存储量。     

谐波分量提高动态光谱法无创血液成分检测精度

为增加动态光谱数据的信噪比,提高预测模型稳定性和预测精度,提出将多次谐波分量计入动态光谱数据频域数据处理的改进方法。对110名志愿者进行临床采集,依据其脉搏波信号质量和谐波分布状况,确定其中60例样本为研究对象。在提取样本动态光谱时,以是否加入谐波分量为标准分成实验组和对照组。分别建立两组动态光谱和人体血红蛋白含量的BP神经网络模型,结果显示实验组预测集相关系数为0.91,远大于对照组预测集相关系数0.80,其余各项指标均有明显改善。实验证明利用谐波分量可提高动态光谱数据信噪比,有利于推动基于动态光谱的无创血液成分检测技术的进一步发展。     

基于动态光谱法的多波长脉搏血氧饱和度测量

目前临床上血氧饱和度的无创检测主要基于双波长的脉搏血氧饱和度测量原理,但其检测精度仍然需要进一步的探究和完善。近年来,国内外的很多研究者采用三波长甚至八波长的方法测量血氧饱和度,从某种程度上减小了误差。动态光谱法作为一种新型血液成分无创检测方法,能消除受试者个体差异和测量环境等的影响,在血红蛋白浓度的无创检测研究中取得了很好的效果。基于动态光谱法对多波长下脉搏血氧饱和度检测进行了研究：对60名重症监护患者进行动态光谱采集以及动脉抽血分析血氧饱和度值;采用高灵敏度光纤光谱仪,采集受试者指端透射多波长下的光谱信息;以单拍提取法提取波长范围为606.44~987.55 nm的动态光谱;以动脉血气分析中血氧饱和度值为参考真值,建立血氧饱和度与多波长动态光谱数据的组合间隔偏最小二乘校正模型;得到预测集的相对误差为±0.017 6,而两波长测量装置监护仪上得到的数据相对误差为±0.116 4。结果表明：利用高灵敏度光纤光谱仪采集多波长光谱信息,用动态光谱法进行数据预处理,进行多波长血氧饱和度检测,有效降低了血氧饱和度的测量误差。     

基于经验模态分解的高光谱遥感数据去噪方法

经验模态分解(EMD)是一种新的时频分析方法,经EMD分解后的各个固有模态函数(IMF)突出了原始信号的局部特征,从而可以区分噪声和有用信号。基于此,结合高光谱遥感数据的光谱变化特征,提出了一种基于经验模态分解的高光谱遥感数据去噪方法。通过对理论数据的实验表明,数据中的噪声无论是高斯分布还是均匀分布,数据经EMD分解后,噪声都主要集中在前几个特定的IMF,对相应的IMF进行滤波处理后并与其他IMF分量进行重构就可得到去噪信号,与小波去噪结果相比较,这种方法效果更好。最后把该去噪方法应用于野外实测的油膜高光谱数据去噪,实验结果表明,该方法能准确、有效地去除高光谱遥感数据的噪声。     

基于经验模态分解的近红外光谱预处理方法

针对微分法在有效消除光谱背景和基线漂移的同时会增加光谱噪声的问题,把最新发展的经验模态分解方法(EMD)引入到近红外光谱处理中来,以烟草的一阶导数近红外(NIR)光谱为研究对象,探讨经验模态分解在近红外光谱预处理中的应用,并与小波变换消噪效果进行了对比分析。结果表明,用基于经验模态分解去噪后的光谱进行分析,预测集的决定系数r2由去噪前的0.9705提高到0.9832,均方根误差(RMSEP)由去噪前的0.5606降为0.3310,比基于小波变换的分析结果略高。因此,经验模态分解方法对消除光谱的噪声是有效的,有效地提高了光谱的分析精度和模型的稳定,为近红外光谱预处理提供了一种新方法。     

小波变换提高动态光谱法血液成分无创检测的精度

光谱采集过程中的各种时变噪声影响了动态光谱法血液成分无创检测定量校正模型的精度。该文采用小波变换法,在脉搏频段内对指端投射光谱的时域吸光度波形聚焦,提高了动态光谱数据的信噪比和血液成分含量定量校正模型的精度。对同一个体连续采集10次光谱数据,引入小波变换去噪后动态光谱数据的平均相关系数r自0.979 6提升至0.990 3。对110名志愿者进行血常规体检和指端透射光谱采集,建立动态光谱数据与血糖浓度生化分析值之间的神经网络模型,在引入小波变换去噪后,预测集相关系数自0.6774提升至0.846 8,平均相对误差自15.8%下降至5.3%。实验表明,引入小波变换可以有效地去除动态光谱数据中的噪声,提高定量校正模型的精度,推动了动态光谱法无创血液成分检测的发展。     

动态光谱检测中的相移波形误差分析

动态光谱提取自光电容积脉搏波,是与动脉血液信息高度相关的近红外光谱,可应用于动脉血液成分的无创检测,具有很好的临床应用价值。文章依据动态光谱检测理论,对检测过程中的相移波形误差进行了分析。人体正常生理活动可导致光电容积脉搏波的周期、幅值和基线的不稳定。同时在动态光谱时域检测过程中,不同波长下检测到的脉搏波间存在一定的相位延迟。以上两个因素将导致不同波长对应的脉搏波之间存在一定的波形差异,从而使其频谱发生改变,在动态光谱中引入相移波形误差。文章对该相移波形误差进行了量化分析。结果表明,该误差与截取脉搏周期的矩形窗位置相关。通过精选矩形窗位置,可以将相移波形误差降低一个数量级。     

动态光谱信号质量的评估与筛选

近红外光谱分析作为一种无损、实时、连续检测的方法,为血液成分无创检测提供了思路。为了保证采集到的光谱数据的准确性和可靠性,本文通过动态光谱脉搏波时域有效单沿数和频域品质因数Q值相结合的方法对405例采集的样本进行了评估,剔除异常的样本,筛选出218例可靠样本。对筛选出的218例样本和对照组的218例样本的动态光谱数据与相应的被测对象的血红蛋白浓度值进行了建模分析,每组选取200例样本作为校正集,18例样本作为预测集。有效单沿数和Q值联合筛选的实验组的预测准确率达到93.8%,有效单沿数或Q值单一评估的两个对照组的预测准确率分别为65.6%和67.7%,未经过筛选的三个对照组的预测准确率分别为53.7%,33.3%,42.6%;实验组的预测平均相对误差为0.067 5,单一评估的两个对照组分别为0.072 3和0.072 2,随机选取的对照组分别为0.082 3,0.078 9,0.082 8,较其他各组相比为最小。结果表明时域频域联合法对光谱数据样本筛选具有可靠性和有效性,这将为动态光谱的无创检测的精准性研究提供了方法。     

深度神经网络在红外光谱定量分析VOCs中的应用

鉴于浅层人工神经网络(ANN)需要依靠先验知识进行人工提取特征,同时较浅的网络结构限制了神经网络学习复杂非线性关系的能力,将深度神经网络(DNN)应用于利用傅里叶变换红外光谱(FTIR)对多组分易挥发性有机物(VOCs)进行的浓度反演研究,并利用仿真实验验证了算法的有效性。从美国环境保护署(EPA)的数据库中选取了包括苯、甲苯、 1,3-丁二烯、乙苯、苯乙烯、邻二甲苯、间二甲苯、对二甲苯在内的八种VOCs气体在8~12μm波长范围内的吸光度谱,每种气体有四种不同浓度下的谱线,依据Beer-Lambert定律从每种VOCs气体中选择一种浓度下的吸光度谱进行混合,得到65 536种不同的VOCs混合气体吸光度谱样本。随机选择5 000组混合气体的吸光度谱,其中4 000组作为训练样本, 1 000组作为预测样本。通过积分提取和主成分提取对光谱矩阵进行降维预处理,将光谱维度从3 457维降到30维。将光谱矩阵经过预处理后得到的新矩阵作为网络输入,对应八种VOCs的浓度矩阵作为输出,建立了30-25-15-10-8的深度神经网络回归预测模型来实现多组分VOCs浓度反演,反演得到样本的均方根误差为0.002 7×10-6,相比于前人利用非线性偏最小二乘拟合、人工神经网络等方法拟合的精度有了明显的提高。每种VOCs气体的均方根误差均不超过0.005×10-6,每个样本的均方根误差均不超过0.006×10-6,证明了深度神经网络预测模型具有良好的非线性拟合能力和良好的稳定性。当训练样本不足(典型值:小于500)时,深度神经网络无法充分地学习,网络误差较大,精度低于单隐藏层的人工神经网络,但随着训练样本数量的增加,深度神经网络的精度不断提高,当训练样本数充足时,相比浅层的人工神经网络,深度神经网络具有更强的非线性关系学习能力,预测精度更高,模型更为稳定。同时,由于训练前对光谱矩阵进行了降维处理,大大降低了算法的复杂度,有效提高了反演效率。分析表明,深度神经网络预测模型具有良好的非线性拟合能力和良好的稳定性,无需人工提取特征就能够充分学习数据特征,同时对多组分VOCs进行浓度反演并达到较高精度。     

胡杨叶片水分含量的近红外光谱检测

胡杨叶片水分含量是评价胡杨健康状况的重要指标。光谱检测法是一种常用的手段,但在近红外光谱的测量过程中,在一定程度上必然受到仪器噪声、摆放形态差异和环境的干扰,为避免噪声、散射对近红外光谱的影响,减少数据维数,采用多元散射校正(MSC)算法对原始光谱数据进行预处理,去除散射和基线漂移的影响,增加了光谱数据的信噪比,使有效光谱信息较为明显,谱带特征得到加强,有利于特征波长的选择。为降低模型的复杂度,防止过拟合现象,减小共线性影响,利用连续投影算法(SPA)进行特征变量选择,并通过多元线性回归模型,分析各个波长模拟的残差平方,评价各个波长的贡献,剔除贡献较小的波长,最终获得用于建模的特征波长,改善建模条件。最后使用偏最小二乘回归算法建立胡杨叶片水分含量检测模型。实验表明,直接使用原始光谱,利用SPA算法筛选变量个数为6个,模型预测精度为90.144%,相关系数r=0.674 24,RMSE=0.021 434,MSC处理后,利用SPA算法选定最终变量数为5个,预测精度为97.734%,相关系数r=0.781 63,RMSE=0.016 776。MSC和SPA算法有效的消除了散射噪声、减小了共线性干扰,模型的预测精度和相关性增加,误差减小,可用于胡杨叶片水分的快速无损检测,而且对其他作物叶片水分检测也具有一定的借鉴意义。     

动态光谱数据质量的评价

为消除数据采集过程中各种因素对基于动态光谱法无创血液成分测量精度的影响,需要对动态光谱数据建立一个质量评价标准,以提高建模的稳定性和预测的准确度。在对110名志愿者的测量数据进行分析后,提出了动态光谱数据的一个质量评价指标——稳定波长数,并依此选取出60例优秀样本。利用BP神经网络对此样本的总胆固醇、血糖、血红蛋白进行了建模和预测。预测结果较之对照组均有所改善,平均相对误差分别从13.8%,15.8%,5.4%降低到6.5%,6.5%,2.1%,证明将稳定波长数作为动态光谱数据质量评价标准的有效性。引入稳定波长数指标,可对测量数据进行预先的质量评估,提高实际仪器预测的可靠性,为动态光谱法血液无创检测走向临床应用铺平了道路。     

基于PSO-PLS混合算法的水体COD紫外吸收光谱检测研究

化学需氧量（COD）是反映水体受有机物污染程度的重要指标。紫外吸收光谱法是目前水体COD检测研究中应用最为广泛的方法,具有样品无需预处理,成本低,无污染,测定速度快等优点。但是,原始光谱数据维数高,光谱信息中包含大量冗余变量,直接将全光谱数据进行建模存在精度低,计算复杂等问题。针对紫外吸收光谱全光谱建模精度低,光谱数据存在大量共线性的问题,提出了一种基于粒子群算法（PSO）结合偏最小二乘（PLS）优选特征波长建立预测模型的方法,以提高紫外吸收光谱预测模型的精度和适用性,简化模型。利用搭建的紫外吸收光谱装置,采集29份不同浓度的COD标准溶液的紫外光谱数据,每份标准溶液采集5次取平均值并对其进行平滑处理,减少仪器和环境带来的误差。考虑到标准溶液在200～310 nm的光谱范围内存在吸收,故选取该波段范围内246个波长点作为建模数据,每个波长点下的吸光度数据作为一个粒子并按照顺序编号,以PLS为建模方法,相关系数r和均方根误差（RMSE）为评价指标,设置粒子群算法适应度函数f(x)=min（RMSE）,取粒子初始种群数为20个,惯性权重w=0.6,自我学习因子c1=1.6,群体学习因子c2=1.6,最大迭代次数为200次,算法终止条件为达到最大迭代次数。算法输出全局最优变量取值为168,94,181,183,175,209,106和142。采用粒子群算法优选的8个波长点建立PLS预测模型的相关系数r和预测均方根误差RMSE分别为0.999 98和0.155 1。为了验证PSO-PLS建立的预测模型效果,建立了PLS,iPLS和SVR三种预测模型进行对比。验证结果表明,PSO-PLS模型的相关系数r和均方根误差RMSE均优于其他三种预测模型,说明粒子群算法能有效的提取用于PLS建模的特征波长,消除子区间变量的共线性,提高预测模型的精度。该方法为实现水体COD实时在线监测提供了一种有效途径。     

不同温度压力对浓度反演精度的定量分析

自研傅里叶变换红外光谱仪在龙凤山大气本底站测量CO₂,CH₄等温室气体.自研仪器的测量结果与符合世界气象组织标准的本底站仪器的测量结果进行对比,结果表明:自研仪器与本底站仪器测量的CO₂浓度值相关系数为0.9576,均方根误差为18.6015.自研仪器使用标准温度、压力下的校准光谱反演浓度,但测量气体的温度随着气温变化,导致自研仪器反演浓度有误差.基于以上分析,提取高分辨率透射分子吸收数据库参数计算吸收截面并结合仪器线形计算不同温度、压力下的校准光谱,根据不同温度、压力下的校准光谱来校准反演浓度.校准后,自研与本底站仪器测量的CO₂浓度值相关系数为0.9637,均方根误差为6.7800.自研与本底站仪器测量的CO₂浓度值相关系数提高,绝对误差减小,说明校准算法提高了测量结果的精确度.     

基于人体血清荧光光谱和改进变量选择方法对血糖浓度测定的研究

利用人体血清240 nm激发波长荧光光谱在220～900 nm波段针对血糖浓度进行建模分析。在模拟退火算法和偏最小二乘算法的基础上进行建模波长变量筛选方法的改进。基于变量入选模型统计频率和无关变量消除法,分别进行了波长的初选和精选过程。同时,加入了主成分数自适应特性等加快收敛速度、减小计算量的措施。该模型对比了线性、三次样条函数、高斯函数作为偏最小二乘法插入基函数的情况下,分别对原始光谱、Daubechies小波分解第三层和第四层细节信号光谱建模。结果显示,该模型避免了主成分参数尝试导致的时间成本,在参数自适应的过程中很快趋于稳定并得到对应条件下的最佳建模主成分数。其波长变量筛选能力使得对独立样本的分析预测效果有了显著的提升,最佳建模预测效果达到0.25 mmol·L-1,达到了血糖检测的医用要求。加入了非线性建模条件使得模型有明显的改善,基于样条函数的效果总体最好,其次为基于高斯函数的情况。对原始光谱进行小波分解,得到的细节信号光谱建模效果更为可观。总体而言第四层细节信号光谱建模效果略优于第三层细节信号光谱。模型筛选波长变量的频率意味着在所给实验条件下的血糖浓度信息在不同波段的分布情况,这为血糖在血清成分中的物理化学特性提供了一定程度上的统计解释。     

多光谱数据融合和GANs算法的COD浓度预测

水体中过高浓度的有机污染物含量危害巨大,不仅会造成严重的环境污染,而且会危害人类身体健康。化学需氧量(COD)表征了水体中有机污染物的污染程度。提出了一种将紫外(UV)光谱和近红外(NIR)光谱进行多光谱数据级融合(LLDF)和特征级融合(MLDF),进而构建基于生成对抗式网络(GANs)算法的COD浓度定量预测模型。首先按照一定的浓度梯度配制COD标准液样本,分别采集标准液的UV光谱(190～310 nm)和NIR光谱(830～2 100 nm),对获取到的UV和NIR光谱数据进行一阶导数和Savitzky-Golay (S-G)平滑的预处理,消除基线漂移和干扰噪声;基于预处理过的光谱,直接进行数据级和特征级的数据融合,结合GANs算法搭建COD浓度预测模型。并使用评价参数相关系数的平方(R2)、预测值与真实浓度值的均方根误差(RMSEP)和预测偏差来对模型进行评价。结果表明,不论是特征级融合模型还是数据级融合模型都不够理想。分析原因可知,由于UV和NIR波段数据量不均衡,导致NIR波段掩盖掉了UV光谱的模型贡献度,让光谱融合失去意义。为了避免融合失败,拟采用归一化的方法处理多光谱数据,并讨论了标准归一化(SNV)、最大最小归一化(MMN)和矢量归一化(VN)对建模的影响。将经过归一化后的UV和NIR光谱数据再次进行融合,分别作为GANs模型的输入X,将真实测量COD值作为输出值Y,建立不同归一化方法处理后的COD浓度预测模型。建模结果显示,采用不同归一化方法对多光谱数据融合模型的影响较大,不论是数据级融合模型还是特征级融合模型的预测精度较未归一化之前有明显的提升,其中采用最大最小归一化的预测模型效果提升最为明显。与单一谱源的全波长UV波段的GANs预测模型、全波长NIR波段的GANs预测模型进行对比来验证多光谱数据融合GANs预测模型的精度,结果表明：基于UV和NIR光谱的特征级光谱融合模型的R2为0.994 7,RMSEP为0.976,比数据级融合的预测模型误差降低了52.9%,预测回收率为98.4%~103.1%,远好于其他几组,模型的泛化能力更强,预测精度也更高。与单一谱源的预测模型相比,多光谱数据融合能反应更多的水体样品的化学信息,更加全面揭示水体的污染物程度,从不同的层面上反应水体中污染物的差异,为在线监测水体中COD浓度提供一定的技术支持。     

Determination of Cr in water solution by laser-induced breakdown spectroscopy with different univariate calibration models

In order to prove the feasibility of laser-induced breakdown spectroscopy (LIBS) in measuring toxic metals Cr in water solution, a series of potassium bichromate standard solutions were prepared in the lab. The characteristic line intensity of Cromium (Cr) element at 357.87, 359.35, 360.53, 425.43, 427.48, and 428.97 nm was taken to build up the correlation with concentration. The indexes of relative standard deviation, intercept, slope, R ² (coefficient of determination), and root mean square error of calibration were selected to verify the precision and accuracy of models. The comprehensive results showed that the 425.43 nm line had better superiority than other lines. And the detection limit of 6 ug/ml and repeatability of 3 % are reported. To improve the model accuracy further, the intensity ratio of single 425.43 nm line to the whole spectrum was extracted. And a linear relationship between the intensity ratio and the element Cr concentration was constructed. The results demonstrated the intensity ratio calibration had better accuracy than single line calibration, especially after smoothing. To verify the accuracy of prediction, the 100 ug/ml concentration sample was used as prediction sample. The relative error values are 13.2, 11.7, and 10.8 % for single line calibration, intensity ratio calibration with raw data, and by use of smooth processing data, respectively. The results further indicated that the intensity ratio calibration improved the accuracy of measurement than single line calibration. It is worth mentioning that the application of LIBS aiming the direct analysis of heavy metals in water is a great challenge that still needs efforts for its development and validation.     

基于IABC-SVR算法的拉曼光谱定量分析山羊血清蛋白含量

提出了一种基于拉曼光谱和改进人工蜂群算法优化支持向量机回归（IABC-SVR）算法快速定量检测山羊血清蛋白含量的方法。传统人工蜂群算法在数据区域规模较大时,收敛速度逐渐减慢, 出现效率低、精准度下降、局部最优解概率高等问题。所提出的算法解决了这些问题,使算法在进化前期避免陷入局部最优解,在进化中后期能够保持解的全局搜索能力。常规测定血清蛋白总量的方法通常采用凯氏定氮法、双缩脲法等,但存在时效慢、污染样本等缺点。采用拉曼光谱法进行检测,具有快速、无损的优点。以山羊血清为分析对象,按一定体积比配置35组待测样本,用拉曼光谱仪采集拉曼光谱,光谱采集范围为300~1 300 cm-1,采用基线矫正去除荧光背景,使用Savitzky-Golay光谱平滑法对原始光谱进行平滑处理,归一化处理光谱数据,并对拉曼光谱特征峰进行归属。实验结果表明,拉曼光谱能够表征血清中主要化学集团的信息,且由于官能团浓度差异,光谱特征峰强度随浓度变化明显,因此基于特征峰信息可以测定血清蛋白总量。实验中,以购买的山羊血清蛋白含量为基准,通过配置样本的体积比得到各组待测血清样本的蛋白含量,配置的单个液体样本体积为3 mL,随机选取8组实验样本作为模型测试集,剩余27组作为模型训练集。以经过处理的光谱特征峰强度和对应的血清蛋白含量分别作为模型的输入值及输出值,建立IABC-SVR,ABC-SVR和BP三种算法的定量模型,对测试集血清蛋白总量进行预测。最后通过均方差(MSE),相关系数（r）与建模时间分别进行对比,结果表明通过IABC-SVR建立的山羊血清蛋白定量矫正模型效果最佳,模型的相关系数为0.990 27,均方误差为0.244 3,建模时间为1.9 s,预测值方差均小于0.001 g·mL-1,预测准确率为99.8%。实验结果表明,应用激光拉曼光谱技术结合IABC-SVR算法,对快速定量检测山羊血清蛋白含量,具有较高的准确率和稳定性。