Quang phổ hồng ngoại gần là gì? Các bài nghiên cứu khoa học

Khái niệm quang phổ hồng ngoại gần (NIR)

Quang phổ hồng ngoại gần (Near-Infrared Spectroscopy, NIR) là kỹ thuật đo sự hấp thụ bức xạ trong vùng bước sóng từ khoảng 780 nm đến 2500 nm. Vùng phổ này nằm giữa ánh sáng khả kiến và hồng ngoại trung, cho phép quan sát các dao động phân tử bậc cao và sự kết hợp dao động. Khi bức xạ NIR tương tác với vật chất, các liên kết như C–H, O–H và N–H hấp thụ năng lượng tại những mức độ khác nhau, tạo ra phổ đặc trưng của từng vật mẫu.

NIR được xem là phương pháp phân tích không phá hủy, phù hợp để khảo sát vật liệu đa dạng từ chất rắn, chất lỏng đến mẫu sinh học. Sự hấp thụ trong vùng NIR thường yếu hơn so với vùng hồng ngoại trung nhưng lại có khả năng xuyên sâu hơn, giúp nghiên cứu các mẫu có độ dày lớn. Điều này làm cho NIR trở thành lựa chọn lý tưởng trong sản xuất công nghiệp và kiểm soát chất lượng nơi yêu cầu tốc độ đo cao.

Bảng sau minh họa đặc tính chung của các dải phổ liên quan:

Vùng phổ	Dải bước sóng	Đặc điểm chính
Khả kiến	380–780 nm	Tín hiệu mạnh, không dùng cho dao động phân tử
Hồng ngoại gần	780–2500 nm	Dao động bậc cao, xuyên sâu, phù hợp phân tích nhanh
Hồng ngoại trung	2500–25000 nm	Dải hấp thụ cơ bản, độ đặc hiệu cao

Cơ sở vật lý và nguyên lý hoạt động

Cơ sở vật lý của NIR nằm ở sự chuyển mức dao động phân tử khi hấp thụ bức xạ điện từ. Trong các phân tử, các liên kết hoạt động như những dao động tử điều hòa, khi nhận năng lượng sẽ tăng mức dao động. NIR không kích hoạt dao động cơ bản mà kích hoạt các dao động bội số hoặc tổ hợp, tạo ra tín hiệu yếu nhưng mang tính đặc trưng theo cấu trúc phân tử.

Sự tương quan giữa năng lượng và bước sóng được mô tả bằng phương trình $E = \frac{hc}{\lambda}$. Nhờ công thức này, có thể xác định vùng năng lượng phù hợp để khảo sát một nhóm chức cụ thể. Ví dụ, các dải hấp thụ gần 1400 nm thường liên quan đến dao động liên hợp O–H, trong khi vùng quanh 1700–1900 nm có thể phản ánh sự hiện diện của liên kết C–H.

Một số đặc điểm lý thuyết quan trọng của NIR:

• Dao động bội số tạo phổ chồng lấn mạnh nên cần mô hình toán học để giải thích.
• Độ nhạy thấp hơn vì hệ số hấp thụ nhỏ, nhưng bù lại khả năng đo trong môi trường thực tế rất tốt.
• Phổ dễ bị ảnh hưởng bởi độ ẩm và tán xạ, đòi hỏi quy trình tiền xử lý tín hiệu.

Hệ thống thiết bị và cấu tạo

Một hệ thống đo NIR tiêu chuẩn gồm bốn bộ phận chính: nguồn sáng, bộ phân tách bước sóng, buồng chứa mẫu và detector. Nguồn sáng thường dùng bóng tungsten–halogen vì cung cấp dải phát xạ rộng và ổn định. Bộ phân tách bước sóng có thể là lưới nhiễu xạ hoặc bộ lọc giao thoa, giúp thiết bị tạo ra chùm sáng đơn sắc hoặc quét phổ liên tục. Mỗi loại cấu hình sẽ phù hợp với mục đích đo khác nhau.

Buồng mẫu được thiết kế để giảm nhiễu tán xạ và đảm bảo ánh sáng đi qua mẫu theo một quỹ đạo xác định. Detector là thành phần quan trọng nhất vì quyết định độ nhạy và dải đo. Các detector phổ biến gồm PbS, InGaAs và Si. Detector InGaAs hoạt động tốt nhất trong vùng 900–1700 nm và được sử dụng rộng rãi trong thiết bị chất lượng cao, thường gặp trong các hệ thống do PerkinElmer phát triển.

Bảng dưới mô tả khả năng đáp ứng của các dạng detector:

Loại detector	Dải nhạy	Ưu điểm	Nhược điểm
Si	400–1100 nm	Chi phí thấp, ổn định	Giới hạn vùng NIR dài
InGaAs	900–1700 nm	Độ nhạy cao, nhiễu thấp	Giá thành cao
PbS	1000–3000 nm	Dải đo rộng	Độ ổn định kém hơn

Phương pháp thu nhận và xử lý tín hiệu

Dữ liệu NIR thường cần trải qua tiền xử lý để loại bỏ nhiễu và hiệu chỉnh biến thiên do tán xạ hoặc điều kiện đo. Một số bước phổ biến gồm baseline correction để làm phẳng đường nền, smoothing để giảm nhiễu ngẫu nhiên và normalization nhằm đưa phổ về cùng thang đo. Những bước này giúp tăng độ chính xác khi xây dựng mô hình phân tích.

Sau tiền xử lý, phổ được phân tích bằng các thuật toán thống kê đa biến hoặc mô hình dự đoán. Phân tích thành phần chính (PCA) giúp giảm số chiều và phát hiện xu hướng trong dữ liệu. Hồi quy bình phương tối thiểu (PLS) là công cụ mạnh để dự đoán các thông số hóa lý. Công thức tổng quát của mô hình PLS có dạng $Y = XB + E$, trong đó X là ma trận phổ, Y là biến mục tiêu, B là ma trận hệ số và E là sai số.

Một quy trình xử lý tín hiệu điển hình:

1. Thu phổ thô bằng thiết bị.
2. Tiền xử lý dữ liệu bằng các thuật toán thích hợp.
3. Xây dựng mô hình thống kê hoặc học máy.
4. Đánh giá mô hình bằng tập kiểm định độc lập.

Ứng dụng trong nông nghiệp và công nghiệp thực phẩm

NIR giữ vai trò quan trọng trong phân tích chất lượng nông sản và sản phẩm thực phẩm nhờ khả năng đo nhanh, không phá hủy và thích hợp cho dây chuyền sản xuất. Các chỉ tiêu như độ ẩm, protein, chất béo, chất xơ hay carbohydrate được định lượng bằng cách xây dựng mô hình hiệu chuẩn giữa phổ hấp thụ và giá trị đo tham chiếu. Điều này cho phép kiểm định lô hàng ngay tại hiện trường thay vì phải mang mẫu vào phòng thí nghiệm.

Trong ngành ngũ cốc, NIR được áp dụng phổ biến để phân loại hạt theo độ ẩm và thành phần dinh dưỡng. Các nhà máy chế biến sử dụng thiết bị NIR để điều chỉnh quy trình sấy, nghiền và phối trộn theo thời gian thực. Trong chế biến sữa, NIR hỗ trợ đánh giá chất béo, đường lactose và độ đặc. Tổ chức USDA đã triển khai chuẩn đo nông sản bằng NIR trong nhiều chương trình kiểm định an toàn và chất lượng.

Bảng sau minh họa một số thông số thường được xác định bằng NIR trong nông nghiệp:

Nhóm sản phẩm	Thông số đo	Mục đích ứng dụng
Ngũ cốc	Độ ẩm, protein, tinh bột	Kiểm tra chất lượng thu hoạch
Sữa và chế phẩm	Chất béo, lactose	Giám sát sản xuất
Thịt	Hàm lượng nước và lipid	Phân loại và định giá

Ứng dụng trong dược phẩm và y sinh

Trong ngành dược, NIR là công cụ quan trọng cho kiểm soát chất lượng nguyên liệu đầu vào, đánh giá đồng nhất của viên nén và giám sát quy trình sản xuất liên tục (Process Analytical Technology). Nhờ khả năng xuyên sâu qua vật liệu, NIR có thể đánh giá cấu trúc viên thuốc mà không cần phá huỷ mẫu. Điều này giảm thời gian kiểm định và đảm bảo sản phẩm đạt chuẩn.

NIR cũng được dùng trong phân tích mô sinh học vì tia NIR có khả năng xâm nhập mô ở độ sâu lớn hơn ánh sáng khả kiến. Các ứng dụng nổi bật gồm đo nồng độ hemoglobin oxy hóa, xác định thành phần nước trong mô và đánh giá độ đàn hồi sinh học. Một số thiết bị y sinh dùng NIR để theo dõi hoạt động não (NIRS – Near Infrared Reflectance Spectroscopy), hỗ trợ nghiên cứu thần kinh và chẩn đoán không xâm lấn.

Các ưu điểm chính khi dùng NIR trong dược và y sinh:

• Không phá hủy và không cần xử lý mẫu phức tạp.
• Tốc độ đo nhanh, phù hợp theo dõi liên tục.
• Kết hợp tốt với mô hình học máy để tăng độ chính xác.

Ưu điểm và hạn chế

NIR có nhiều ưu điểm khiến nó trở thành tiêu chuẩn trong nhiều lĩnh vực công nghiệp. Các phép đo được thực hiện trong vài giây, không cần hóa chất và không làm thay đổi mẫu. Độ lặp lại cao giúp theo dõi quá trình sản xuất liên tục và phát hiện sai lệch kịp thời. Tính linh hoạt cho phép áp dụng cho cả chất rắn, lỏng và dạng bột, đồng thời dễ tích hợp vào các thiết bị di động hoặc cảm biến tuyến tính.

Tuy nhiên, NIR cũng tồn tại hạn chế. Phổ NIR thường chồng lấn mạnh do nguồn gốc từ dao động bội số, dẫn đến khó phân tích trực tiếp. Điều này yêu cầu xây dựng mô hình hiệu chuẩn phức tạp với tập mẫu lớn. Ngoài ra, đặc tính phổ dễ bị ảnh hưởng bởi tán xạ, độ ẩm và nhiệt độ, nên quy trình đo cần kiểm soát chặt chẽ. Trong một số trường hợp, việc giải thích phổ theo khía cạnh hóa học không trực quan như phổ hồng ngoại trung.

Bảng tóm tắt ưu điểm và hạn chế:

Ưu điểm	Hạn chế
Đo nhanh, không phá hủy mẫu	Phổ chồng lấn nhiều, khó diễn giải
Dễ tích hợp vào dây chuyền sản xuất	Cần mô hình hiệu chuẩn lớn
Ứng dụng rộng rãi trong đa lĩnh vực	Dễ bị ảnh hưởng bởi điều kiện môi trường

Phân tích dữ liệu nâng cao và học máy trong NIR

Sự phát triển của học máy đã thúc đẩy việc mở rộng ứng dụng NIR lên mức tự động hóa cao hơn. Các thuật toán như Random Forest, Support Vector Machine và mạng nơ ron được dùng để phân loại mẫu hoặc dự đoán giá trị hóa lý. Việc kết hợp học máy giúp mô hình phân tích NIR tăng khả năng khái quát và xử lý tốt hơn dữ liệu nhiễu.

Trong nhiều hệ thống công nghiệp, NIR được liên kết với pipeline phân tích dữ liệu tự động. Dữ liệu phổ được truyền trực tiếp đến thuật toán để đưa ra quyết định trong thời gian thực, ví dụ như điều chỉnh tốc độ sấy hoặc tỷ lệ phối trộn. Các thư viện như Scikit-learn cung cấp đầy đủ công cụ để xây dựng mô hình dự đoán từ dữ liệu NIR, bao gồm PCA để giảm nhiễu và PLS để xây dựng mô hình tuyến tính đa biến.

Một quy trình phân tích NIR bằng học máy gồm các bước:

1. Thu phổ và tiền xử lý.
2. Chọn đặc trưng bằng PCA hoặc các kỹ thuật trích chọn tự động.
3. Xây dựng mô hình phân loại hoặc hồi quy.
4. Đánh giá bằng các chỉ số RMSE, R² hoặc confusion matrix.

Hướng phát triển tương lai

Công nghệ NIR đang dịch chuyển mạnh theo hướng thu nhỏ thiết bị và tăng khả năng tích hợp. Các thiết bị NIR cầm tay ngày càng phổ biến trong nông nghiệp và kiểm tra chất lượng thực phẩm tại hiện trường. Sự phát triển của MEMS (Micro Electro Mechanical Systems) giúp tạo ra bộ phân tách bước sóng siêu nhỏ nhưng có độ phân giải cao, phù hợp cho thiết bị di động.

NIR cũng sẽ kết hợp nhiều hơn với hệ thống cảm biến IoT và trí tuệ nhân tạo. Việc thu dữ liệu liên tục theo thời gian thực cho phép xây dựng mô hình giám sát chất lượng dựa trên big data. Trong lĩnh vực y sinh, các thiết bị theo dõi dựa trên NIR có thể hỗ trợ giám sát bệnh nhân không xâm lấn và mở rộng đến các ứng dụng chăm sóc từ xa.

Xu hướng tương lai của NIR có thể được thấy rõ qua nghiên cứu công nghiệp của các tập đoàn thiết bị lớn. Nhiều hãng đang tập trung cải thiện độ nhạy của detector, tối ưu thuật toán xử lý tín hiệu và tăng khả năng hoạt động trong môi trường thực tế biến động mạnh.

Tài liệu tham khảo

• PerkinElmer. Near-Infrared Spectroscopy Overview. https://www.perkinelmer.com
• USDA. Agricultural Quality Analysis Resources. https://www.usda.gov
• Scikit-Learn Documentation. Machine Learning Models. https://scikit-learn.org
• OECD Science and Innovation Data. https://www.oecd.org