自变量筛选是定量光谱分析领域的研究热点, 简便且高效的自变量筛选方法不但可以降低分析计算量, 提高分析精度, 同时还可以减轻对仪器光谱分辨能力的依赖, 降低分析成本。 波长筛选也是光谱法无创血液成分检测研究的重要环节。 动态光谱理论为血液无创检测提供了极佳的思路, 但长期局限于使用宽带光源和高分辨率的光谱仪器, 分析中需要大量波长限制了动态光谱法的进一步发展。 为了去除冗余信息, 使检测走向低成本化和集成化, 提出了基于变量投影重要性(variable importance in projection, VIP)分析的波长筛选方法。 通过分析PLS模型中各维自变量对因变量的解释能力, 从而剔除重要性较低的变量保留解释能力强的波长。 以232例受试者的临床实验数据为基础, 以血红蛋白含量为分析对象, 经投影重要性分析后将波长数由586降至64, 波长筛选后血红蛋白预测模型的测试集平均相对误差(MREP)为1.82%, 使用了极少的波长便可得到满意的结果; 结合Bootstrap方法对模型进行显著性检验后验证了波长变量的解释能力。 首次指出了使用动态光谱法检测血红蛋白的敏感波长带。 基于投影重要性分析的波长筛选迈出了动态光谱走向实用的重要一步, 为实现低成本在线分析打下了基础, 同时也为其他领域的光谱分析提供了重要的参考和新的思路。

为了对肝炎患者进行快速无创检测, 用BP人工神经网络(ANN)方法在健康人与肝炎患者之间对人体舌面近红外光谱的反射率的关系进行关联方面的研究。 分别采集了健康人和肝炎患者的舌左边、 舌右边、 舌下左边络脉、 舌下右边络脉以及舌尖各部位各25例受试者的光谱数据, 构造了一个3层神经网络结构, 将所采集的各光谱数据进行归一化反射率预处理后作为神经网络的输入, 建立了BP神经网络模型, 分别选取对应的各个部位的40例作为训练样本集, 用剩下的10例未知的样本进行预测, 各部位测试的结果其相对偏差均在0.2以下, 分类正确率为100%, 达到满意的预测精度。 结果表明提出的BP神经网络用于光谱舌诊进行无创检测识别不同病证提供了重要的参考价值。

为了对中医舌诊的客观化研究，提出了应用近红外光谱分析技术快速无创的对健康人、冠心病、糖尿病和肝炎患者的不同人群的舌诊近红外光谱进行识别的新方法。首先对98 个样本光谱数据进行归一化处理，用主成分分析（PCA）方法得出的累计贡献率达99.88%的前8 个主成分作为广义回归神经网络（GRNN）的输入变量，建立了舌诊近红外光谱的识别模型。利用该模型分别选取了18 个不同人群的近红外光谱数据共72 个样本用于神经网络的训练，余下的26 个用于预测，当光滑因子为5/8时预测的最大误差为0.17342，最小误差为0，获得了较理想的预测精度。实验结果表明用PCA和GRNN相结合的方法对舌诊近红外光谱与疾病之间建立了较好的关联，对加强中医舌诊的客观化起到了很好的促进作用，为疾病的诊断提供了一种新的方法。