基于注意力机制与红外光谱的艾司西酞普兰片快速智能鉴别方法研究

　　本刊推荐一项融合高效通道注意力机制（ECA）与双分支卷积神经网络（CNN）的创新研究，该工作通过近红外光谱（NIR）技术实现了艾司西酞普兰片不同剂量（5?mg至20?mg）的高精度分类（准确率达98.81%），为药物质量无损检测提供了高效、低成本的深度学习解决方案，显著提升药品安全监管效能。

　　

Highlight

Escitalopram tablets data set

本研究采用了Dyrby等人公开的数据集，包含四种规格的艾司西酞普兰片剂：5?mg、10?mg、15?mg和20?mg，各规格在总质量和活性成分浓度上存在差异（5?mg片剂为5.6%，其余为8.0%）。数据集涵盖310条近红外光谱，其中5?mg片剂70条，10?mg、15?mg、20?mg各80条，光谱数据通过ABB Bomem FT-NIR MB-160光谱仪采集。

Infrared spectral analysis

片剂的近红外光谱范围覆盖7400–10,500?cm^?1（图2A）。四类片剂的NIR光谱强度和形态相似，不同谱峰对应不同的生化物质与振动模式。通过Wilcoxon检验计算组间p值，更多*号表示类别间差异越大。图2（C、D）展示了……

Conclusion

本文构建了一个基于高效通道注意力机制（ECA）与双分支卷积神经网络（CNN）的分类模型。该网络通过两种不同参数的分支提取一维光谱数据的特征，同时ECA模块能聚焦输入光谱的关键区域，提升分类准确性。红外光谱技术提供了丰富的分子振动信息……