基于表面增强拉曼光谱机器分类的微量有机污染物浓度测定
机器学习
2024-02-02 v1 信号处理
摘要
准确检测和分析水中微量持久性有机污染物在环境监测和食品质量控制等许多领域具有重要意义，因为它们具有长期的环境稳定性和潜在的生物累积性。传统有机污染物分析需要昂贵的设备，而表面增强拉曼光谱（SERS）已展现出准确检测这些污染物的巨大潜力。然而，SERS分析的困难，如光谱预处理、去噪和基于基板的光谱变化，阻碍了该技术的广泛应用。在此，我们展示了一种利用机器学习从杂乱、未处理的拉曼数据中预测样本污染物浓度的方法。将频域变换方法（包括傅里叶变换和沃尔什-哈达玛变换）应用于水中三种模型微污染物（罗丹明6G、毒死蜱和三氯生）的拉曼光谱集，然后用其训练机器学习算法。使用标准机器学习模型，从原始拉曼数据中预测样本污染物浓度的交叉验证准确率超过80%。对于中等规模数据集（100个光谱），使用深度学习实现了85%的交叉验证准确率；即使对于非常小的数据集（50个光谱），也达到了70%至80%的交叉验证准确率。此外，研究表明标准模型能够通过分析其重要性分数来准确识别特征峰。此处展示的方法有望应用于促进通过表面增强拉曼光谱对持久性有机污染物的准确检测与分析。
引用
@article{arxiv.2402.00197,
title = {Determination of Trace Organic Contaminant Concentration via Machine Classification of Surface-Enhanced Raman Spectra},
author = {Vishnu Jayaprakash and Jae Bem You and Chiranjeevi Kanike and Jinfeng Liu and Christopher McCallum and Xuehua Zhang},
journal= {arXiv preprint arXiv:2402.00197},
year = {2024}
}