血液鉴别对于检验检疫、 刑侦以及动物保护领域具有非常重要的意义, 传统的的血液鉴别方法在鉴别的过程中存在分析周期长、 对血液样本造成损害等缺点。 而拉曼光谱可以通过分析与入射光频率不同的散射光谱得到分子振动、 转动方面的信息, 进而得到物质的组成成分, 并且具有零污染非接触的特点, 为血液的无损鉴别提供了可能, 但是在拉曼光谱中, 各个波长点之间存在严重的多重共线性, 直接使用全光谱进行建模会增加模型的复杂性和降低模型的稳定性。 针对拉曼光谱的特点, 提出了一种基于神经网络的波长选择方法。 该方法利用神经网络学习到各个波长点对校正模型的贡献权重, 并将权重的均值作为阈值, 去除权重低于阈值的波长点, 以达到波长选择的目的。 为了更容易确定筛选的阈值, 在权重学习的过程中加入了稀疏约束, 极大的减少了用于筛选的波长点。 利用动物与人血清的拉曼光谱数据集对所提方法进行了验证, 实验结果表明, 利用该方法得到的光谱建立的校正模型, 相比于全光谱数据在分类准确率和AUC值都有一定的提升, 人工神经网络(NN)的准确率达到了94.495%, AUC值达到了0.9850, 偏最小二乘(PLS-DA)的准确率达到了92.661%, AUC值达到了0.9760。 与传统的波长选择方法UVE相比, 该方法选择的波长点更少, 仅选择了42个波长点用于建模, 而且得到的校正模型的分类准确率和AUC值更高, 证明该波长选择方法能有效的筛选出对建模有贡献的波长点, 提高了模型的分类准确率和稳定性, 为血液的无损鉴别提供了可能, 具有一定的实用价值。
光谱分析 拉曼光谱 波长选择 神经网络 校正模型 Spectral analysis Raman spectrum Wavelength selection Neural network Calibration model 光谱学与光谱分析
2020, 40(11): 3457
1 重庆大学软件学院, 重庆 401331
2 重庆大学新型微纳器件与系统技术国家重点学科实验室, 重庆 400044
3 重庆大学化学化工学院, 重庆 401331
多物种血液鉴别对于进出口检验检疫、 刑事侦检以及野生动物保护等领域尤为重要。 传统的血液鉴别方法, 在鉴别时常常会对血液样本造成破坏, 而Raman光谱作为一种振动光谱可获得物质分子振动、 转动信息, 进而分析物质组成, 为无损血液鉴别技术提供了可能。 目前, 已经有基于Raman光谱进行血液鉴别的报道, 但存在如下两个问题: 单一物种样本数量较少, 易导致模型欠拟合; 均采用线性分类模型, 忽略了光谱中非线性因素的影响, 降低了模型的分类性能。 因此, 将支持向量机沿用至Raman光谱血液鉴别中, 克服了线性模型只能为光谱中线性关系建模的缺点, 有效地吸收了Raman光谱中的非线性关系, 实现了对人、 犬及兔血液的三分类。 实验通过激发波长为785 nm的海洋Raman光谱仪测得共326例样本数据(人110例、 犬116例、 兔100例), 利用Savitzky-Golay平滑滤波、 加权最小二乘多项式拟合基线以及矢量归一化等方法对Raman光谱数据进行预处理, 并选择2/3的样本数据作为校正集用于模型训练, 余下1/3作为测试集用于盲测。 与线性分类模型对比实验结果显示, 该模型的校正集分类正确率达100%, 盲测集分类正确率达9352%, 均优于线性分类模型。 实验结果表明, 基于支持向量机的分类模型可以用于Raman血液光谱鉴别, 具有重要的研究价值和广泛的应用前景。
血液 Raman光谱 分类模型 支持向量机 Blood Raman spectrum Classification model Support vector machine
