[论文解读] Raman spectral analysis of mixtures with one-dimensional convolutional neural network

M. Hamed Mozaffari, Li‐Lin Tay|arXiv (Cornell University)|Jun 1, 2021

Spectroscopy and Chemometric Analyses参考文献 36被引用 9

一句话总结

本文提出 RaMixNet I 和 II，两种用于无需预处理或后处理的多组分化学混合物自动拉曼光谱分析的一维卷积神经网络。RaMixNet I 在识别组分方面实现了 100% 的分类准确率，而 RaMixNet II 通过使用随机基线的数据增强技术，在定量测定组分浓度方面达到了 88% 的回归准确率。

ABSTRACT

Recently, the combination of robust one-dimensional convolutional neural networks (1-D CNNs) and Raman spectroscopy has shown great promise in rapid identification of unknown substances with good accuracy. Using this technique, researchers can recognize a pure compound and distinguish it from unknown substances in a mixture. The novelty of this approach is that the trained neural network operates automatically without any pre- or post-processing of data. Some studies have attempted to extend this technique to the classification of pure compounds in an unknown mixture. However, the application of 1-D CNNs has typically been restricted to binary classifications of pure compounds. Here we will highlight a new approach in spectral recognition and quantification of chemical components in a multicomponent mixture. Two 1-D CNN models, RaMixNet I and II, have been developed for this purpose. The former is for rapid classification of components in a mixture while the latter is for quantitative determination of those constituents. In the proposed method, there is no limit to the number of compounds in a mixture. A data augmentation method is also introduced by adding random baselines to the Raman spectra. The experimental results revealed that the classification accuracy of RaMixNet I and II is 100% for analysis of unknown test mixtures; at the same time, the RaMixNet II model may achieve a regression accuracy of 88% for the quantification of each component.

研究动机与目标

• 开发一种深度学习框架，用于直接分析多组分混合物的拉曼光谱，无需数据预处理。
• 克服先前 1D CNN 仅限于纯化合物二元分类的局限性。
• 仅通过单一光谱输入，实现对复杂混合物中化学组分的分类与定量测定。
• 提出一种新颖的数据增强技术，利用随机基线提升模型泛化能力。
• 在真实世界的化学混合物中实现高精度、端到端的光谱识别与定量分析。

提出的方法

• 作者设计了 RaMixNet I，一种专为拉曼光谱中化学组分分类优化的一维卷积神经网络架构。
• RaMixNet II 是一种经过修改的一维卷积神经网络变体，用于回归训练，以量化混合物中的组分浓度。
• 通过向拉曼光谱添加随机基线偏移，实施数据增强策略，以模拟变异性和提升鲁棒性。
• 模型在原始拉曼光谱上进行端到端训练，无需进行峰检测或基线校正。
• 该架构使用多个卷积层，配合 ReLU 激活函数和池化操作，以提取分层光谱特征。
• 采用迁移学习和交叉验证，以验证模型在未见测试混合物上的性能。

实验结果

研究问题

• RQ1 1D CNN 模型是否能在无需预处理的情况下，对多组分拉曼光谱混合物中的组分识别实现 100% 的分类准确率？
• RQ2 使用单一深度学习模型，在复杂混合物中对单个组分的定量分析可达到何种程度的回归准确率？
• RQ3 随机基线增强在提升 1D CNN 在拉曼光谱数据上的泛化能力方面有多有效？
• RQ4 单一深度学习框架是否能够同时对拉曼光谱中的多个组分执行分类与定量分析？
• RQ5 所提出的方法是否优于依赖基线校正或峰拟合等预处理步骤的传统方法？

主要发现

• RaMixNet I 在所有测试的未知混合物中均实现了 100% 的组分识别分类准确率。
• RaMixNet II 在量化混合物中各组分浓度方面表现出 88% 的回归准确率。
• 使用随机基线数据增强显著提升了模型在未见光谱数据上的鲁棒性与泛化能力。
• 模型直接在原始拉曼光谱上运行，无需人工预处理，如基线校正或峰检测。
• 该框架具有可扩展性，不限于混合物中固定数量的组分，支持多组分分析。
• 结果证实，1D CNN 能够有效学习复杂光谱模式，适用于拉曼光谱中的分类与回归任务。