评估一维卷积神经网络从拉曼光谱预测混合物组分浓度的性能
信号处理
2023-06-30 v1 机器学习
定量方法
应用统计
摘要
拉曼光谱的一个新兴应用是在生物药物生产期间监测化学反应器状态。拉曼位移强度与化学物种浓度呈线性比例，因此可利用非破坏性光辐照以无标记方式解析确定实时浓度。化学计量学算法用于解释生物反应器内容物随反应演化的复杂混合物所产生的拉曼光谱。由于缺乏公开可用的拉曼混合物数据集，为特定生物反应器环境寻找最优算法颇具挑战。RaMix Python 包通过生成具有可控噪声水平的合成拉曼混合物数据集来应对此挑战，以评估不同化学计量学算法类型在实时监测应用中的效用。为展示该包能力并比较不同化学计量学算法性能，使用 RaMix Python 包生成了 48 个模拟光谱数据集。测试的四种算法包括偏最小二乘回归（PLS）、简单神经网络、简单卷积神经网络（简单 CNN）以及具有 ResNet 架构的一维卷积神经网络（ResNet）。研究发现 PLS 与简单 CNN 模型性能相当，PLS 算法在 83% 的数据集上略优于其他模型。简单 CNN 模型在大型高噪声数据集上优于其他模型，展示了卷积神经网络相较 PLS 在分析噪声光谱中的优越能力。这些结果证明了 CNN 从未经处理的含噪光谱中自动提取浓度信息的前景，从而改善工业药物生产的过程控制。本项目代码见 github.com/DexterAntonio/RaMix。
引用
@article{arxiv.2306.16621,
title = {Assessing the Performance of 1D-Convolution Neural Networks to Predict Concentration of Mixture Components from Raman Spectra},
author = {Dexter Antonio and Hannah O'Toole and Randy Carney and Ambarish Kulkarni and Ahmet Palazoglu},
journal= {arXiv preprint arXiv:2306.16621},
year = {2023}
}
备注
7 pages, 7 figures