基于近红外光谱技术和机器学习的乳腺癌原位诊断研究

近红外(NIR)光谱,可提供样本丰富的结构和成分信息。机器学习主要用于数据的分析和挖掘,可以对数据进行精确分类和信息提取。本研究采用自研的NIR光谱探针技术进行乳腺癌组织的原位光谱采集并进行癌变(光谱)分析;运用基线校正(BC)、标准正态变量变换(SNV)、一阶导数二阶多项式21点Savitzky-Golay平滑(1^st-2-21SG)和二阶导数三次多项式25点Savitzky-Golay平滑(2^nd-3-25SG))四种方法进行光谱预处理;结合机器学习方法,包括主成分分析(PCA)、K最近邻(KNN)、Fisher判别分析(FDA)及支持向量回归(SVR),进行乳腺癌变和癌旁组织的分类和判别。研究发现PCA-KNN模型的最优预测结果为基于BC+SNV,其准确率、敏感性及特异性达88.34%、98.21%、76.11%。PCA-FDA模型的最优结果为基于BC+1^st-2-21SG,其准确率、敏感性及特异性达90.00%、98.21%、79.54%。SVR模型的最优结果为基于BC+2^nd-3-25SG...     

拉曼光谱在固相有机合成中的应用

本文综述了近几年以来拉曼光谱在固相有机合成中的应用研究进展,分别介绍了近红外傅立叶变换和共焦显微两种拉曼光谱技术。近红外傅立叶变换拉曼光谱克服了荧光背景带来的干扰,可以用在固载试剂、催化剂的表征、固相有机反应的监测等方面,特别对于在无机载体上进行的有机反应的表征和检测方面具有很大的优势。共焦显微拉曼光谱具有特殊的空间分辨能力,适合对固相合成载体的结构进行表征,并可对载体内部反应活性位点的分布情况进行研究。     

基于独立组分分析和BP神经网络的可见/ 近红外光谱稻谷年份的鉴别

建立了一种基于独立组分分析的可见/近红外光谱反射技术快速鉴别稻谷年份的新方法.首先用独立组分分析方法获取不同年份稻谷的可见/近红外光谱载荷图,将载荷图中相关性最大的波段(特征波段)作为人工神经网络的输入建立稻谷年份的鉴别模型.每个年份40个样本,3个年份共120个样本用来建立BP神经网络模型,剩余的3个年份各20个样本用于预测.预测的结果表明,准确率达到100%.同时通过独立组分分析,得到了稻谷主要成分对应的敏感波段.说明本文提出的基于独立组分分析的方法具有很好的鉴别效果,为稻谷的年份鉴别提供了一种新方法.     

基于近红外双色探测器的信号采集系统设计

针对近红外双色探测器在两种不同工作 波段的光谱响应曲线及暗电流,设计了一种基于近红外双色探 测器的信号采集系统及采集方法。该系统具有多种电流转电压 档位、电压放大档位和滤波电路带宽档位,能够快速进行信号 放大和带宽控制;同时通过数字/模拟转换器(D/A)为四级放大电 路提供模拟调零信号,可有效消除由光学系统的杂散光和探测器 自身的暗电流引起的噪声。该系统具有速率快、噪声低和分辨率 高等特点。通过使用这种信号采集系统,光学系统的信噪比、动态 范围、最小可测功率等指标参数都能得到提高。     

天然与处理翡翠的光谱学研究

文章通过对天然翡翠和漂白充填处理翡翠的共焦显微拉曼光谱(514nm)测定,得到表征翡翠硬玉结构的拉曼位移为1036cm-1,696cm-1和374cm-1,显微放大能观察到翡翠经酸洗产生的裂纹及其充填的有机物,经红外光谱的测定证实该充填物为环氧树脂,且表征环氧树脂的拉曼峰为777cm-1,1123cm-1,1611cm-1,2930cm-1和3065cm-1;通过相同测试条件下,并在极短的积分时间内对天然翡翠的绿色、白色部位和染绿色翡翠进行拉曼光谱(785nm)测定,并结合绿色翡翠紫外-可见光-近红外吸收光谱的测定,得到吸收光谱中的吸收峰637nm,658nm和691nm归属于翡翠晶体中的Cr3 ,Cr3 的大量存在将使翡翠的拉曼光谱产生极强的荧光,而染色翡翠中染料产生的荧光相对较弱.     

基于麻雀搜索算法结合深度前馈神经网络的近红外模型转移方法研究

该文提出了一种基于麻雀搜索算法结合深度前馈神经网络（SSA-DFN）的近红外光谱模型转移方法。使用深度前馈神经网络拟合不同仪器采集到的光谱之间的非线性函数映射,并将麻雀搜索算法用于网络各层连接权值和阈值的初始化,通过种群中个体位置的迭代更新,求得连接权值和阈值的最优初始值;通过多次调整深度前馈神经网络模型的超参数,使网络拟合效果趋于最优,最终确定转移函数。为验证方法的有效性,分别从烟叶近红外光谱谱图、主成分投影和预测结果的角度,将SSA-DFN方法与分段直接校正算法（PDS）、典型相关性分析算法（CCA）转移前后的效果进行了对比。结果表明SSA-DFN方法转移后的从机光谱与原主机光谱重合度最高,转移后主、从机总糖、烟碱含量的预测结果差异不显著,预测平均误差从8.32%、9.15%分别降至4.65%、4.82%,预测均方根误差（RMSEP）和决定系数（R2）等指标均优于PDS和CCA,取得了最佳的转移效果,可满足企业需求。结果表明该方法是一种有效的模型转移方法。