从光到洞察：掌握近红外光谱学原理

从光到洞察：掌握近红外光谱学原理

近红外光谱学（NIR）是一种在电磁频谱的近红外区域运行的非破坏性分析方法，其波长范围从大约 900 纳米到 2500 纳米。通过与材料相互作用，光可以保存有关材料分子组成和特性的宝贵信息。与其他光谱技术不同，近红外不需要大量的样品制备，因此适用于快速和常规分析。

近红外光谱的工作原理是什么？

近红外光谱学的基本原理是基于物质对近红外能量的吸收和传输、透射或反射的独特模式。这种相互作用导致特征吸收波段的形成，从而可以对各种应用进行定性和定量分析。

当近红外光与物质相互作用时，它会诱发分子键的振动过渡，特别是涉及基本振动的泛音和组合。这些振动为不同的分子结构提供了独特的指纹。样品对近红外光的吸收导致吸收波段的形成，这些波段是样品中存在的分子成分的特征。在特定波长下吸收的光量对应于相应分子物种的浓度。

样品与光相互作用以成功进行近红外分析的不同方式有哪些？

为了捕获样品的吸收光谱，光谱仪通常使用以下三种采样方法之一：

1. 透射

透射采样包括通过近红外透明样品架引导光线。它通常用于近红外透明和半透明材料，如液体、油、燃料、聚合物/塑料等。通常样品一侧的光源和另一侧的探测器。样品通常放置在 NIR 透明容器或比色皿中。

根据比尔-兰伯特定律，样品吸收的光量与其不同成分的浓度水平和样品的厚度相关。因此，样品架的设计需要保证每次测量时样品与进入近红外光谱仪的光相互作用的厚度始终相同。

2. 漫反射率

在漫反射采样中，入射光在与样品表面相互作用时会向不同的方向散射。

这种技术有利于处理异质和不透明的样品，通常用于土壤分析和食品质量评估应用。它还用于聚合物和涂层的表面分析。

样本异质性是指样本中成分或特性的不均匀分布。鉴于不同区域的成分、结构或特性可能有所不同，因此在分析化学和光谱学中处理异质样品会带来挑战。考虑到这些变化，分析此类样本需要能够提供代表性测量结果的技术。

在近红外光谱学中，最好使用能够捕获大样品面积的仪器，以最大限度地减少样品异质性的不良影响，并确保所测样品的代表性。在样品异质性高的某些情况下（例如牧草），可以采用在测量过程中涉及样品或仪器移动的技术来提高代表性。或者，可能需要对样品进行研磨。但是，这通常是最不理想的选择，因为它涉及销毁样本。

3. 半反射率

半反射是 “透射率” 和 “反射率” 的组合。在透反射测量中，入射光穿透样品，同时收集和分析透射光和反射光。

这种技术在处理半透明或部分反射样品时特别有价值，在仅靠传统透射或反射方法无法提供足够信息的情况下，这种技术具有优势。半反射光谱在制药、生物学和材料科学等各个领域都有应用，为从具有透明度和反射率的样品中收集综合数据提供了一种多功能的方法。与透射测量相似，样品的厚度会影响近红外光谱仪的读数。为了进行精确的透反射测量，应注意光学元件的设计和装置的几何结构，以确保样品呈现给光线的一致性和可重复性。

如何解释近红外光谱？

解释近红外光谱需要协同应用化学计量学来开发校准模型，以提取有价值的信息并促进定性和定量分析。

什么是校准模型？

校准模型是经过训练以进行预测的数学模型。他们从过去的数据中学习，帮助工具或系统识别模式和不同因素之间的联系。经过训练，这些模型可以在新情况下做出明智的预测。在近红外光谱学的背景下，校准模型是帮助我们根据近红外光谱预测样品特性的工具。这就像教一个智能系统理解待分析参数的频谱之间的关系。

什么是化学计量学？

化学计量学是一个多学科领域，是解释近红外光谱的核心。化学计量学结合了化学原理和先进的统计方法，可帮助分析人员从复杂的光谱数据集中提取有意义的模式和趋势。

最常用的化学计量学方法包括：

• 主成分分析 (PCA)：在处理许多光谱数据时，PCA 应用于近红外光谱学。它有助于根据较少的因子（主要成分）识别光谱中最关键的特征，从而简化了材料识别等应用中复杂光谱的解释
• 偏最小二乘回归 (PLSR)：PLSR 在光谱数据和相关属性的参考值之间建立线性关系。它通常用于近红外光谱学进行定量分析。它用于预测样本中特定成分的浓度，例如农产品中的水分含量。
• 聚类分析：聚类分析包括根据样本近红外光谱模式的相似性对样本进行分组。这种技术对于识别一组样本中的固有模式或子类非常有价值。它用于分类应用程序，例如成分分类。

校准模型是如何开发的？

建立校准模型的关键步骤是：

1. 我们首先收集几个样本，并使用传统方法测量其特性以生成参考数据。
2. 我们捕获样品组的近红外光谱以生成光谱数据。
3. 化学计量学应用于配对的参考数据和光谱数据，以确定光谱中的特定特征如何与我们感兴趣的特性相对应。
4. 为了分析模型的性能，使用另一个具有已知参考值的样品组对模型进行测试

下图说明了校准模型的开发过程。

校准模型经过训练后，它就会成为可靠的预测器。当我们有了具有未知特性的新样品时，我们可以将近红外光照射到其上，捕获其光谱，并使用校准模型来估计或预测其特性。

如何选择用于开发校准模型的样品组？

在准备用于开发校准模型的样品组时，仔细考虑因素对于确保模型的准确性和可靠性至关重要，包括：

• 代表性：确保样本集涵盖相关属性的全部变化，捕捉不同的条件和潜在的异常值。
• 样本量：保持平衡；需要足够数量的样本才能保证稳健性，但是过大的样本量可能会带来不必要的复杂性。
• 同质性：样品的特性和特征应保持一致，以免给模型带来混淆。
• 真实世界表示：确保样品组准确反映实际应用中遇到的条件和变化，以增强模型的实际适用性。
• 干扰因素：筛选样品组中可能引入噪声和影响模型性能的干扰或混杂变量。

创建校准模型是一个耗时的过程，需要仔细考虑，需要大量的专业知识。事实证明，建立在现有稳健模型基础上具有优势，因为这些模型经过了严格的验证和完善，为各种应用提供了可靠的基础。专业知识在驾驭错综复杂的模型开发方面起着至关重要的作用，可确保构造的模型准确且适用于各种场景。从本质上讲，利用现有的专业知识和可靠的模型可以加速校准模型的构建，从而提高预测新样品特性的效率和准确性。