[论文解读] Investigating Manifold Neighborhood size for Nonlinear Analysis of LIBS Amino Acid Spectra

Piyush Sharma, Gary Holness+3 more|arXiv (Cornell University)|May 25, 2021

Laser-induced spectroscopy and plasma参考文献 19被引用 5

一句话总结

本研究采用信息论方法分析光谱模式，探究了激光诱导击穿光谱（LIBS）中氨基酸的流形基非线性降维的最优邻域大小。尽管聚类结果在统计上无显著差异，但非线性方法相比线性PCA显著提高了分类准确率，且该方法揭示了实验LIBS光谱中的微孔效应——这是首次将流形学习应用于LIBS氨基酸分析。

ABSTRACT

Classification and identification of amino acids in aqueous solutions is important in the study of biomacromolecules. Laser Induced Breakdown Spectroscopy (LIBS) uses high energy laser-pulses for ablation of chemical compounds whose radiated spectra are captured and recorded to reveal molecular structure. Spectral peaks and noise from LIBS are impacted by experimental protocols. Current methods for LIBS spectral analysis achieves promising results using PCA, a linear method. It is well-known that the underlying physical processes behind LIBS are highly nonlinear. Our work set out to understand the impact of LIBS spectra on suitable neighborhood size over which to consider pattern phenomena, if nonlinear methods capture pattern phenomena with increased efficacy, and how they improve classification and identification of compounds. We analyzed four amino acids, polysaccharide, and a control group, water. We developed an information theoretic method for measurement of LIBS energy spectra, implemented manifold methods for nonlinear dimensionality reduction, and found while clustering results were not statistically significantly different, nonlinear methods lead to increased classification accuracy. Moreover, our approach uncovered the contribution of micro-wells (experimental protocol) in LIBS spectra. To the best of our knowledge, ours is the first application of Manifold methods to LIBS amino-acid analysis in the research literature.

研究动机与目标

• 评估邻域大小对LIBS光谱分析中非线性流形方法的影响。
• 确定非线性降维是否优于线性方法（如PCA）在从LIBS光谱中分类氨基酸。
• 研究实验方案（特别是微孔）在塑造光谱模式中的作用。
• 开发并应用信息论框架，量化LIBS数据中的光谱结构。
• 建立一种用于生物分子研究中LIBS光谱非线性分析的新方法。

提出的方法

• 应用流形学习技术（包括Isomap和局部线性嵌入LLE）对LIBS光谱进行非线性降维。
• 采用信息论方法测量光谱复杂度，并指导邻域大小的选择。
• 基于互信息和样本间光谱模式的一致性，优化邻域大小。
• 将非线性方法（Isomap、LLE）与线性PCA进行聚类和分类性能比较。
• 在受控的微孔实验条件下，分析四种氨基酸、一种多糖和水的光谱。
• 使用标准指标评估分类准确率，并比较线性与非线性方法。

实验结果

研究问题

• RQ1 流形基分析LIBS光谱中氨基酸的最优邻域大小是什么？
• RQ2 与线性PCA相比，非线性降维方法是否能提高LIBS数据的分类准确率？
• RQ3 实验因素（如微孔配置）如何影响LIBS中的光谱模式？
• RQ4 信息论度量能否指导非线性流形学习中LIBS的邻域大小有效选择？
• RQ5 非线性方法在多大程度上揭示了线性方法未能捕捉的LIBS光谱隐藏模式？

主要发现

• 尽管聚类结果无统计显著差异，非线性流形方法的分类准确率仍高于PCA。
• 流形学习的最优邻域大小对光谱噪声和实验配置（尤其是微孔效应）敏感。
• 信息论分析成功识别了有意义的光谱模式，并指导了邻域大小的选择。
• 微孔配置被发现显著影响LIBS光谱特性，这是此前光谱分析中被低估的因素。
• 本研究是首次已知将流形学习技术应用于LIBS氨基酸光谱分析，展示了其在非线性生物分子分析中的潜力。