CN103534578B - 确定样本中存在的成分的光谱装置以及方法 - Google Patents

Abstract

本发明涉及用于确定成分是否存在于样本中的光谱方法和装置。在一个方面，所述方法包括：针对来自预定成分参照光谱的集合的候选光谱，分别求解光谱数据的模型；以及基于品质因数来确定样本中是否存在一成分，所述品质因素量化在模型中包含与该成分对应的候选参照光谱的影响。

Description

确定样本中存在的成分的光谱装置以及方法

技术领域

本发明涉及用于确定样本中存在的成分的光谱装置以及方法。这种装置和方法在拉曼光谱学中特别有用，当然也可以用于其他形式的光谱学，例如使用细线光致发光、荧光、阴极冷光、紫外线可见光（UV Vis），核磁共振（NMR）、中红外（mid-IR）或近红外（NIR）。

背景技术

拉曼效应是被样本进行光线的非弹性散射。在拉曼光谱学中，利用单色激光照射样本，然后散射光通过色散设备（诸如衍射光栅）例如在单色仪中分散成拉曼光谱，从而产生被称为拉曼光谱的光谱。拉曼光谱通过检测器（诸如电荷耦合设备（CCD））来检测。拉曼光谱装置的例子从美国专利5,442,438和5,510,894中获悉，这些专利通过引用而包含在本文中。

不同的化学成分具有不同的特征拉曼光谱。因此，拉曼效应可以用于分析存在的化学成分。

用于分析拉曼光谱的一种这样的技术是直接传统最小二乘法（DCLS）。这种标准技术就一组K个已知成分参照光谱S _k分析未知样本的光谱数据X，每个参照光谱具有I个数据点（都可以进行预处理）。通过让来自重建模型的光谱数据的偏差的平方之和最小化来确定对于每个成分参照光谱的成分浓度C_k。

$\underset{i=1}{\overset{I}{\mathrm{\Σ}}}{[X_i-\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{C}_k{S}_{\mathrm{ki}}]}^2---\left(1\right)$

其中i表示光谱频率指数。这导致一系列线性方程，这些方程通过成分浓度C_k的矩阵求逆而直接求解。

DCLS通常产生这样一种方案，其中全部成分的计算浓度非零，即使是那些不存在于样本中的成分。通常，这是因为光谱数据中存在噪声以及参照光谱和数据之间的差异，它们例如可能来源于样本环境条件或者光谱仪性能漂移。当样本中全部成分表现为高浓度时，比较计算成分浓度以区别存在和不存在的成分是简单的事情。但是，当一些成分以微量存在时，则更加难于区别真实存在的成分和因噪声等情况导致的具有低C_k值的成分。

即使在一些成分以微量存在时，也希望能确定哪些成分是真实存在的。

发明内容

根据本发明的一个方面，提供了一种从样本中获得的光谱数据确定样本中存在的成分的方法。该方法可以包括针对一组预定成分参照光谱中的候选参照光谱分别求解光谱数据模型。该方法可以包括基于品质因数来确定样本中是否存在该成分，所述品质因素量化包括与模型中的成分对应的候选参照光谱的影响。

据信本发明在识别样本中存在的微量成分方面较之如上所述的DCLS方法更为有效。特别是，对于区别存在于样本中和不存在于样本中的成分，较之在已经针对全部一组参照光谱求解模型后比较浓度而言，在针对与其他候选参照光谱分开的一个候选参照光谱求解时，基于模型的值利用品质因数可以更为有效。一旦识别出成分子集，针对该子集的成分参照光谱而非全部光谱求解模型可以比标准DCLS技术更为精确地确定样本中成分的浓度。

品质因数可以根据优值函数来确定，所述优值函数对求解的模型和光谱数据之间的比较进行数值评分。确定成分存在于样本中，可以建立在针对与该成分对应的候选参照光谱的评分是否满足预设标准的基础之上。品质因数可以是拟合优度的量度。确定成分存在于样本中，可以基于：在模型中包含与该成分对应的候选参照光谱，是否将模型与该光谱数据的拟合优度的量度提高到预设极限之上。

较之标准DCLS技术，使用这种量度可以更为有效地区分样本中存在的微量成分和不存在于样本中的伪成分。具体来说，即使在针对伪少量成分求解该模型时导致针对该伪成分出现显著的浓度（相对于微量成分的浓度），该伪成分的量度（诸如拟合优度）的改进倾向于不太显著。因此，基于所求解的成分参照光谱的量度（诸如拟合优度）而非计算浓度的比较来识别样本中存在的成分，可以产生更为精确的方案。

成分参照光谱可以是单一化学成分的典型光谱，或者可以是一组不同化学成分（诸如一组通常一起出现的化学成分）的典型光谱。采用针对一组不同化学成分的成分参照光谱的优势在于，相对于针对该组的每一种化学成分具有单独的光谱而言，它可以降低必须执行的拟合步骤的数目。成分参照光谱也可以对于其它因素是特定的，诸如温度和晶体定向。预定成分参照光谱可以通过对已知化学合成物材料的光谱分析来确定。

所述方法可以包括确定样本中存在的成分以降低由品质因数确定的显著性。这可以通过连续迭代来实现。在每次迭代中，可以分别针对每个候选参照光谱连同前次迭代中确定的显著性较大的成分参照光谱一起对模型求解。例如，在每次迭代步骤中，可以分别针对每个候选参照光谱连同前次迭代中确定的存在于样本中的成分参照光谱一起对模型求解，并且基于模型中包含该候选参照光谱是否导致品质因数提高量大于其他候选参照光谱以及是否提高量大于预设极限来确定成分是否存在于样本中。该过程重复进行，同时品质因数的提高量保持在预设极限之上。但是，应该理解，成分参照光谱或者其他光谱可以在执行迭代过程之间进行求解。例如，所述模型可以首先针对代表特征（诸如支撑样本的基材的贡献、荧光和光谱仪的基线）的背景光谱进行求解。此外，使用者可以获悉特定的成分存在，并且使用者可以在执行迭代步骤之前，针对该已知成分的成分参照光谱求解。

在一种布置中，迭代包括：确定针对最显著的候选参照光谱的品质因数与其他候选参照光谱之间的差别是否落入预定义的阈值之内，并且针对落入该阈值内的每个候选参照光谱将所述迭代过程拆分成平行迭代，其中针对每个平行迭代，其他候选参照光谱而非最显著的候选参照光谱，被认为是序列中下一个最显著的光谱。以此方式，如果在迭代过程中的一点，两个或更多个候选参照光谱之间的品质因数差异不值得选择其中一个候选参照光谱而不是另一个，则搜索分支成探索全部的合理替代者。设定狭小的阈值将减少处理，因为将探索更少的分支，而设定宽的阈值将避免丢弃可能提供有用结果的分支。然后仅当通过全部平行迭代确定成分存在于样本中时，才认为该成分存在于样本中。

在替代布置中，所述方法包括首先针对预定成分参照光谱集合的全部参照光谱求解该模型，并基于品质因数从模型中去除候选参照光谱，例如包含谁将使拟合优度的量度提高量处于预设极限之下。去除成分参照光谱可以作为迭代方法而执行，例如，迭代步骤继续进行直到拟合优度的量度的提高量处于预设极限之上为止。

拟合优度的量度是光谱数据和所求解模型之间的差异的量度，例如拟合优度的量度可以是失拟，R平方，似然率测试或者其他适当的量度。在一种实施例中，拟合优度的量度是失拟平方和LoF，诸如由下式给出：

$\mathrm{LoF}=\sqrt{\frac{{\mathrm{\Σ}}_{i=1}^I{[X_i-{\mathrm{\Σ}}_{k=1}^K{C}_k{S}_{\mathrm{ki}}]}^2}{{\mathrm{\Σ}}_{i=1}^I{X}_i^2}}---\left(2\right)$

预设极限可以是拟合优度的比例提高量。例如，拟合优度的比例提高量可以是拟合优度相对于基线（例如最小或最大拟合优度）的提高量，基线可以针对光谱数据和预设参照光谱集合而实现。所述基线可以是针对光谱数据和预定成分参照光谱集合可实现的最接近完全拟合值的拟合优度值。例如，可以通过针对全部预定成分参照光谱（正如标准DCLS中的情形）求解的模型计算拟合优度的量度，来确定所述基线。

一种用于执行所述方法的系统可以布置成：基于光谱仪性能和/或其他要求来设定针对品质因数的提高量/拟合优度的量度的极限。提高所述极限则倾向于以灵敏度（免于伪负识别）为代价而提高特异性（免于伪正识别）。所述方法可以包括通过获取样本光谱数据而为光谱装置建立预设极限，其中构成样本的成分是已知的；利用上述方法为两个或更多个极限值确定样本的成分，以及基于方案的精度（诸如伪负或伪正的数目）选择用于分析未知样本的合适的极限。每个光谱装置可以被校准以便为预设极限确定适当的值或者取值范围，并且所述方法可以包括将所述极限设定为适当的值或者由范围识别的适当的值。

将成分参照光谱包含在模型中可以自动触发包含该成分参照光谱的一种或多种转型和/或变形，和/或与该成分参照光谱相关的一个或多个校正光谱。包含这些项可以用于纠正那些通过单一成分参照光谱无法充分描述的成分。例如，这些项可以考虑样本和参照光谱之间的环境和/或仪器差别。包含这些项特别适用于这样的过程，其中连同已经识别出存在于样本中的成分的参照光谱，根据这些参照光谱任何必须的变形，来评价候选参照光谱。

求解该模型可以包括计算样本中成分（对应于候选光谱）的浓度。

确定成分存在于样本中可以进一步建立在是否针对该成分计算得出正浓度的基础上。负浓度对于该模型是非物理方案，因此应该避免。

报告成分的存在可以进一步建立在针对该成分的浓度是否位于预定（正）最小极限之上的基础上。最小极限可以设定在针对特定应用场合而言具有重要性的水平。

所述模型可以是直接传统最小二乘分析，并且所述模型可以通过将上述方程（1）针对特定参照光谱（例如，候选参照光谱加上已经选定的成分的参照光谱）最小化来求解。

光谱数据可以是拉曼光谱。

根据本发明进一步的方面，提供了一种用于从样本中获取的光谱数据确定样本中存在的成分的装置。所述装置可以包括处理器，所述处理器布置成：

接收光谱数据，

获取预定成分参照光谱的集合，和

分别针对来自所述预定成分参照光谱集合的候选光谱求解光谱数据的模型。所述处理器可以进一步布置成根据品质因数来确定样本中是否存在该成分，所述品质因素量化在模型中包含与该成分对应的候选参照光谱的影响。

根据本发明进一步的方面，提供了一种数据载体，所述数据载体上存储有指令，在由处理器执行时，所述指令导致所述处理器：

接收从样本获取的光谱数据，

获取预定成分参照光谱的集合，和

分别针对从所述预定成分参照光谱集合中选择的候选参照光谱求解光谱数据的模型。所述指令可以导致所述处理器根据品质因素来确定样本中是否存在该成分，所述品质因素量化在模型中包含那个候选参照光谱的影响。

所述数据载体可以是非暂时性数据载体，诸如易失性存储器（例如RAM），非易失性存储器（例如ROM）、闪存器和数据存储设备，诸如硬盘、光盘，或者暂时性数据载体，诸如电子或光信号。

根据本发明的另一方面，提供了一种构造从样本获取的光谱数据模型的方法，包括基于模型中包含那个候选参照光谱的品质因数从预定成分参照光谱的集合中选择一个或多个成分参照光谱。

根据本发明的进一步的方面，提供了一种方法，指示样本中存在成分的可能性，包括：针对预定成分参照光谱的集合求解样本的光谱数据模型；确定模型中包含每个成分参照光谱的品质因数；和基于所述品质因数提供与该成分参照光谱对应的成分存在于样本中的相对概率的指示。

所述指示可以是与该成分关联的品质因数的显示，或者作为替代，所述指示可以是与该成分关联的颜色、符号（非文字）等等，例如红色、琥珀色和绿色分别指示最不可能、既非最不可能也非最可能、和最可能包含在样本中的成分。

附图说明

下面将参照附图，仅作为例子描述本发明实施例，在附图中：

图1示出了根据本发明一种实施例的装置；

图2是示出根据本发明一种实施例的方法的流程图；和

图3是根据本发明一种实施例，拆分迭代过程的图形表示。

具体实施方式

参照图1，根据本发明的装置包括连接到能访问存储器29的计算机25上的拉曼光谱仪。

拉曼光谱仪包括输入激光束10，所述输入激光束10被相对于光路放置成45度的双向滤色片12反射90度。作为替代，全息双向滤色片可以放置在较低的入射角度，诸如10度。然后激光束到达物镜16，该物镜将其聚焦到样本18上的焦点19处。光线被样本散射，并且被物镜16收集且准直成平行光束，该平行光束返回到双向滤色片12。滤色片12抛弃与输入激光束10频率相同的瑞雷散射光，并且透射拉曼散射光。拉曼散射光然后到达拉曼分析仪20。

拉曼分析仪20包括色散元件（诸如衍射光栅）。来自分析仪20的光线被透镜22聚焦到适当的光检测器上。优选光检测器阵列。在本实施例中，检测器24是电荷耦合设备（CCD），它由二维像素阵列构成，并且连接到计算机25，该计算机从每个像素获取数据并且根据需要进行分析。分析仪20产生如虚线28所示的不同带宽的光谱，这些光谱沿着CCD24成直线铺开。

样本18可以安装在XYZ平台上，以便可以在计算机的控制下从每个样本收集光谱数据。

计算机25利用适当介质（诸如存储器29）上的软件代码编程，所述软件代码包括指令，它在由计算机25的处理器执行时，使得计算机25执行下面所述的分析流程。作为替代，获得的拉曼光谱上的数据可以传输到具有这种软件的单独计算机上用于所述分析。在任一种情况下，随着分析过程进行，所确定的值存储在相关的计算机中，并且可以进一步被处理且输出或显示，以便针对样本中的成分显示分析结果。在利用计算机25进行分析的情况下，存储器29上存储成分参照光谱数据库，用于这种分析。每种成分参照光谱是不同化学成分或者化学成分族的典型拉曼光谱。

参照图2，确定样本中存在的成分的方法包括步骤101，接收样本18的光谱数据，在这个实施例中是拉曼光谱数据。在步骤102中，例如，从存储器29中的数据库获取用于不同化学成分的预定的拉曼参照光谱集合。

在这个实施例中，对光谱数据进行直接传统最小二乘分析，其中对于成分参照光谱预定集合的每个候选光谱求解方程（1），步骤103到108。根据包含一个成分参照光谱是否将模型的拟合优度的量度提高到预定极限之上的数据，选择将那个成分参照光谱包含在模型的最终形式中。

执行迭代过程，包括在每一次迭代中，选择成分参照光谱包含在模型最终形式中，从而降低由拟合优度的量度提高量所确定的显著性。

在步骤103，对于预定成分参照光谱集合的每个候选光谱，针对候选参照光谱以及诸如在先前的迭代中已经选定的任何成分参照光谱，使方程（1）取最小值。相对于样本的光谱数据，针对求解的成分计算拟合优度的量度。

在这个实施例中，拟合优度的量度是由下式给出的失拟（LoF）的量度：

$\mathrm{LoF}=\sqrt{\frac{{\mathrm{\Σ}}_{i=1}^I{[X_i-{\mathrm{\Σ}}_{k=1}^K{C}_k{S}_{\mathrm{ki}}]}^2}{{\mathrm{\Σ}}_{i=1}^I{X}_i^2}}$

将该失拟的量度与在加入候选参照光谱之前针对选定的成分参照光谱计算的先前的LoF量度进行比较，以确定由于该加入而导致的对LoF量度的提高量。

在一种实施例中，LoF的提高量L_Ipr计算为LoF相对于基线LoF（L_最小）的比例提高量，由下式给出：

其中L_旧是在包含候选参照光谱之前针对选定的成分参照光谱计算的LoF值，而L_新是包含候选参照光谱时针对选定的成分参照光谱计算的LoF值。

在一种实施例中，L_最小可以设定为零。在另一种实施例中，基线L_最小是在针对全部预定参照光谱求解时从模型计算的最小可获得的LoF，正如传统DCLS的情形。以此方式，不同于针对绝对值零计算L_Ipr，L_最小被自动调整以考虑数据质量。因此，预设极限可以相对独立于数据质量或者预处理选项而设置。

在步骤104中，该过程检查候选参照光谱的求解浓度并且在迭代（但并非后续迭代）中不再考虑求解为具有负浓度的候选参照光谱。

在步骤105中，针对剩余的候选参照光谱的LoF提高量L_Ipr进行比较，并且与最大LoF提高量相关连的候选参照光谱成为领先候选参照光谱而包含在模型的最终形式中。

进行检查以确定由于加入领先候选参照光谱而导致的LoF提高量是否处于预设极限之上（过程106）。如果对于领先候选参照光谱，LoF提高量L_Ipr处于预设极限之上，则将其选定为模型最终形式中存在的成分参照光谱（过程107）。然后针对剩余的未选定成分参照光谱重复过程103至107。

如果针对领先候选参照光谱的LoF提高量L_Ipr位于预设极限之下，则终止该方法，并且模型（该模型包括针对直至该点而选定的成分参照光谱求解的模型）的最终形式作为电信号输出，例如输出到存储器29或者显示器（未示出）。模型最终形式通常包括预定成分参照光谱集合的子集，这些光谱是那些通过失拟而测得的最显著的光谱。

可以根据与该成分对应的成分参照光谱是否包含在模型最终形式中来确定样本中存在的成分。浓度可以从求解成分C_k来确定。作为迭代过程的一部分，随着成分参照光谱被过滤，模型最终形式中的全部参照光谱可以代表样本中存在的成分。因此，可以不需要进行进一步的过滤来移除伪成分。

但是，在替代实施例中，模型最终形式中具有低于最小极限的浓度C_k的成分并未报告存在于样本中。该最小极限可以根据光谱数据中的噪声或者使用者关心的成分的最小浓度来设定。

针对模型最终形式选定成分参照光谱时，LoF提高量的极限控制着该技术的特异性和敏感性，并且可能取决于应用场景和光谱学性能的需求。因此，该装置可以包括输入部，用于设定LoF提高量的极限，诸如计算机25上适当的接口。拉曼光谱仪可以进行校准以确定不同极限时的特异性和敏感性。这种校准可以如下进行：利用光谱仪从成分已知的样本获取光谱数据；利用上述分析方法针对多个极限确定样本的成分；以及确定每个极限时伪负值和伪正值的比例。利用这些信息，在利用光谱仪分析未知样本时，使用者可以针对期望的特异性和敏感性预设使用的极限。

在一种实施例中，所述方法包括额外的步骤，藉此成分参照光谱包含在模型最终形式中将自动触发包含该成分参照光谱的一种或多种转型和/或变形，和/或与该成分参照光谱相关的一个或多个校正光谱。包含这些项可以用于纠正那些通过单一成分参照光谱无法充分描述的成分。例如，这些项可以考虑样本和参照光谱之间的环境和/或仪器差别。

在进一步的实施例中，修改迭代过程，以便在满足指定的标准时，将它拆分成平行迭代。在这种实施例中，在步骤105，确定领先候选参照光谱失拟的提高量与每个其他候选参照光谱之间的差别是否处于预定义的阈值之内。

如果对于一个或者多个其他候选参照光谱，该值处于阈值之内，则迭代过程针对落入该阈值内的每个候选参照光谱分支成平行迭代。在每个平行迭代中，落入该阈值内的候选参照光谱，取代领先候选参照光谱，选择为模型的该分支的最终形式。包括主迭代的迭代过程的每个分支然后独立于其他分支进行，并且根据需要再次拆分。当满足条件106时，每个分支终止，比较每个分支的模型最终形式，并且全部分支共有的成分可以报告为存在于样本中。

图3示出了这种过程如何进行的示例。在该例子中，首先背景光谱B包含在模型最终形式中，然后根据上述方法为模型最终形式连续地选择成分参照光谱。在该例子中，在因为参照光谱3的LoF提高量落入通过领先候选参照光谱2实现的LoF提高量的阈值之内将迭代拆分成两个平行迭代之前，首先选中成分参照光谱1。在这个例子中，在下一次迭代中，针对每个分支分别选择成分参照光谱3和2。但是，在后续迭代中，因为发现参照光谱5落入通过领先候选参照光谱4设定的LoF提高量的阈值之内，过程再一次拆分。但是，在这个例子中，在以后的迭代中，参照光谱4和5在终止前并未包含在它们所缺席的分支中。因此，与参照光谱4和5对应的成分并未报告为存在于样本中。

此外，如果就像这个例子中，在拆分之后，两个分支随后因全部选定的参照光谱为两个分支共有而汇合，则仅需要利用其中一个分支来继续进行。这种情形由图3中的叉来表示。

Claims (22)

1.一种从样本中获得的光谱数据确定样本中存在的成分的方法，包括：

针对来自预定成分参照光谱的集合的每个候选参照光谱，分别求解光谱数据的模型；以及基于量化在所述模型中包含与一成分对应的候选参照光谱影响的品质因数，来确定在所述样本中是否存在该成分，所述品质因数是基于针对与那个成分相对应的候选参照光谱求解的模型的数值。

2.如权利要求1所述的方法，其特征在于，根据优值函数来确定所述品质因数，所述优值函数对所求解的模型和所述光谱数据之间的比较进行数值评分；并且确定成分存在于样本中是基于针对与该成分对应的候选参照光谱的评分是否满足预设标准。

3.如权利要求2所述的方法，其特征在于，所述优值函数是拟合优度的量度。

4.如权利要求3所述的方法，包括：基于在模型中包括与该成分对应的候选参照光谱是否将模型的拟合优度的量度提高到预设极限之上来确定所述成分存在于所述样本中。

5.如权利要求4所述的方法，包括针对期望的特异性和/或灵敏性来调整所述预设极限。

6.如权利要求4或5所述的方法，其特征在于，所述预设极限是拟合优度的比例提高量。

7.如权利要求6所述的方法，其特征在于，所述拟合优度的比例提高量是拟合优度相对于针对所述光谱数据和所述预定参照光谱的集合可实现的基线拟合优度的提高量。

8.如权利要求7所述的方法，其特征在于，所述基线是当全部预定成分参照光谱包含在模型中时获得的拟合优度的量度。

9.如权利要求3至5中任一项所述的方法，其特征在于，所述拟合优度的量度是从失拟、R平方和似然率测试的组中选择的一个。

10.如权利要求9所述的方法，其特征在于，所述拟合优度的量度是由下式给出的失拟：

$LoF=\sqrt{\frac{{\Σ}_{i=1}^I{\[X_i-{\Σ}_{i=1}^K{C}_k{S}_{ki}\]}^2}{{\Σ}_{i=1}^I{X}_i^2}}$

其中X是光谱数据，S _k是针对其求解模型的K个成分参照光谱的集合，每个参照光谱具有I个数据点，C_k是第k个成分参照光谱的浓度，而i是光谱频率指数。

11.如权利要求1至5中任一项所述的方法，包括迭代过程，其中以根据品质因数确定的显著性下降的顺序，确定成分存在于所述样本中，并且在每一次迭代中，针对每个候选参照光谱连同前次迭代中确定的显著性较高的成分参照光谱一起分别求解所述模型。

12.如权利要求11所述的方法，其特征在于，在每次迭代过程中，根据与所述成分对应的所述候选参照光谱包含在所述模型中是否导致所述品质因数的提高量大于该次迭代过程中考虑的其他候选参照光谱以及所述提高量是否满足预设的标准来确定所述成分是否存在于所述样本中。

13.如权利要求12所述的方法，其特征在于，所述迭代过程重复进行，同时所述品质因数的提高量满足所述预设标准。

14.如权利要求7所述的方法，其特征在于，迭代包括：确定针对最显著的候选参照光谱的品质因数与其他候选参照光谱之间的差别是否落入预定义的阈值之内；和针对落入该阈值内的每个候选参照光谱将所述迭代过程拆分成平行迭代，其中针对每个平行迭代，其他候选参照光谱而非最显著的候选参照光谱，被认为是序列中下一个最显著的光谱。

15.如权利要求14所述的方法，其特征在于，确定所述成分存在于所述样本中是建立在是否所述成分通过全部平行迭代而确定存在于所述样本中的基础上。

16.如权利要求1至5中任一项所述的方法，包括：首先针对所述预定成分参照光谱的集合的全部参照光谱求解所述模型，以及从所述模型中去除包含其将不能满足所述品质因数标准的候选参照光谱。

17.如权利要求1至5中任一项所述的方法，其特征在于，成分参照光谱包含在模型式中，将自动触发包含该成分参照光谱的一种或多种转型和/或变形，和/或与该成分参照光谱相关的一个或多个校正光谱。

18.如权利要求1至5中任一项所述的方法，其特征在于，求解所述模型包括：计算所述样本中的所述成分的浓度，和根据是否针对该成分计算得出正浓度来确定所述成分存在于所述样本中。

19.如权利要求1至5中任一项所述的方法，其特征在于，求解所述模型包括：计算所述样本中的所述成分的浓度，并且所述方法进一步包括根据是否该成分的浓度处于预定最小极限之上来报告所述成分存在于所述样本中。

20.如权利要求1至5中任一项所述的方法，其特征在于，所述光谱数据是拉曼光谱。

21.一种从样本中获取的光谱数据确定样本中存在的成分的装置，所述装置包括处理器，所述处理器布置成：

接收光谱数据，

获取预定成分参照光谱的集合，

针对来自所述预定成分参照光谱的集合的每个候选参照光谱分别求解所述光谱数据的模型；和

根据品质因数来确定样本中是否存在该成分，所述品质因素量化在模型中包含与该成分对应的候选参照光谱的影响。

22.一种指示样本中存在成分的可能性的方法，包括：针对来自预定成分参照光谱的集合的每个候选参照光谱，分别求解从样本获取的光谱数据的模型；确定模型中包含每个成分参照光谱的品质因数；和基于所述品质因数提供与该成分参照光谱对应的成分存在于样本中的相对概率的指示。