拉曼光谱结合WGANGP-ResNet算法鉴别病原菌种类

快速准确识别病原菌在防止传染病的传播、帮助对抗抗菌素耐药性和改善病人预后方面起着关键作用。拉曼光谱结合机器学习算法能够简单快捷地对病原菌进行无标记检测。然而，病原菌种类和表型繁多，并且深度学习需要依赖大量样本训练，而收集大批量病原菌拉曼光谱劳神费力，且易受荧光等因素影响。针对上述问题，提出一种基于WGAN-GP数据增强方法和ResNet结合的病原菌拉曼光谱检测模型。采用五种常见眼科病原菌的拉曼光谱。将采集到的原始数据归一化作为ResNet和传统卷积神经网络(1D-CNN)的输入，将经过SG滤波、 airPLS基线校正、 PCA降维等预处理后的数据作为K近邻(KNN)的输入，对比分析发现ResNet模型效果最优，其分类精度可达96%;搭建Wasserstein生成式对抗网络加梯度惩罚模型(WGAN-GP),生成大量与真实数据相似的高分辨率光谱数据。同时与偏移法、深度卷积生成式对抗神经网络(DCGAN)2种数据增强方法进行比对，证明WGAN-GP的可靠性；为验证生成数据可以丰富数据多样性，进而提高分类精度，将扩充后的数据集重新放入ResNet进行训练，最终WGAN-GP结合ResNet的分...