CN112730373A - 一种用于深度学习训练的拉曼光谱数据集分析方法 - Google Patents
一种用于深度学习训练的拉曼光谱数据集分析方法 Download PDFInfo
- Publication number
- CN112730373A CN112730373A CN202011409057.9A CN202011409057A CN112730373A CN 112730373 A CN112730373 A CN 112730373A CN 202011409057 A CN202011409057 A CN 202011409057A CN 112730373 A CN112730373 A CN 112730373A
- Authority
- CN
- China
- Prior art keywords
- raman spectrum
- data
- raman
- correlation
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001237 Raman spectrum Methods 0.000 title claims abstract description 55
- 238000004458 analytical method Methods 0.000 title claims abstract description 15
- 238000013135 deep learning Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 title claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000001069 Raman spectroscopy Methods 0.000 claims abstract description 21
- 238000009499 grossing Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 230000003595 spectral effect Effects 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000010606 normalization Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000000717 retained effect Effects 0.000 claims description 2
- 230000001788 irregular Effects 0.000 abstract description 2
- 238000002372 labelling Methods 0.000 abstract 1
- 238000012216 screening Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- JJWKPURADFRFRB-UHFFFAOYSA-N carbonyl sulfide Chemical compound O=C=S JJWKPURADFRFRB-UHFFFAOYSA-N 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 210000003296 saliva Anatomy 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 208000003445 Mouth Neoplasms Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 208000012987 lip and oral cavity carcinoma Diseases 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
- 238000002460 vibrational spectroscopy Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明提供了一种用于深度学习训练的拉曼光谱数据集分析方法，包括以下步骤：拉曼光谱数据预处理；拉曼光谱数据相关度检测；拉曼光谱数据标记，其中拉曼光谱数据预处理又包括：拉曼光谱数据范围截取，拉曼光谱平滑处理，拉曼光谱去基线处理，拉曼数据归一化处理。通过以上算法可以有效的解决现有算法中损坏数据完整性，引入不规则环境光和组织荧光的问题，提高生物组织检测中组织识别精度，提供可靠数据。
Description
技术领域
本发明涉及数据处理分析领域，具体涉及一种用于深度学习训练的拉曼光谱数据集分析方法。
背景技术
拉曼光谱作为一种能够探测生物化学和生物分子的振动光谱技术，对癌细胞的光学诊断具有重要意义，目前，已有报道应用不同拉曼光谱技术行口腔癌组织、血液、唾液、尿液等标本检测及诊断。1928年，印度科学家Raman发现了拉曼散射效应，并将该效应产生的光谱称为“拉曼光谱”，拉曼光谱利用光的非弹性散射原理，能够提供细胞内部特定结构和构象的光谱特征，被称为“指纹分子”，它具有较高的特异性及分析效率，而且无需对血液、唾液、组织等样品染色或标记，与诸如超声、磁共振成像等成熟的医学成像技术相比，拉曼光谱能以相对低的成本，提供实时分子信息和高分辨率成像，对细胞的光学诊断具有重要的意义，而且，拉曼光谱具有非侵入性，可以直接对生物样本进行检验，极大的减轻了患者的痛苦及经济负担。但是，生物组织拉曼信息中常常伴随强荧光背景噪声和外界环境干扰信息，因此预处理算法的选择尤为重要，对预处理之后的光谱数据进行定性与定量的分析算法也需要针对不同的被测对象进行选择。
目前，国内外研究者们针对拉曼光谱技术应用中所提出的问题提供了相对应的解决算法，但大多数算法主要利用传统机器学习算法进行光谱数据预处理，包括有宇宙射线去除，平滑和基线校正等，这些算法在处理过程中会有损于数据的完整性；另一方面，由于光纤拉曼技术在临床应用中，会引入不规则环境光与组织荧光，这对于传统机器学习的分类算法是一个巨大的挑战。
发明内容
本发明为了解决现有技术存在的损坏原始数据完整性和数据中心引入环境光和荧光的问题，提供了一种用于深度学习训练的拉曼光谱数据集分析方法，具体方案如下：
一种用于深度学习训练的拉曼光谱数据集分析方法，包括以下步骤：
(1)拉曼光谱数据预处理；
(2)拉曼光谱数据相关度检测；
(3)拉曼光谱数据标记。
进一步地，所述预处理包括：拉曼光谱范围截取，拉曼光谱平滑处理，拉曼光谱去基线处理，拉曼光谱数据归一化处理；
所述拉曼光谱范围截取有两个截取范围，所述两个截取范围分别为600～1800cm-1和2800～3200cm-1。
进一步地，所述拉曼光谱平滑处理使用Savitzky-Golay滤波法，Savitzky-Golay滤波法是对一定窗口长度内的数据点进行k阶多项式拟合，从而得到拟合后的结果，在窗口内的数据的拟合通过最小二乘拟合实现；
所述窗口长度为n＝2m+1；
所述数据点为x＝(-m,-m+1,…0,1,…m-1,m)；
所述Savitzky-Golay滤波法的具体过程如下：
y＝a0+a1x+a2x2+...+ak-1xk-1
由n个上述方程，构成了k元线性方程组。要使方程组有解，则n应大于等于k，一般选择n＞k，通过最小二乘法拟合确定拟合参数A。由此得到
用矩阵表示为
Y(2m+1)×1＝X(2m+1)×kAK×1+E(2m+1)×1
A的最小二乘解A为
Y的模型预测值或滤波值
为
所以矩阵算子为
B＝X(XTX)-1XT
进一步地，所述拉曼光谱去基线处理使用非对称重加权惩罚最小二乘法算法，具体过程如下：
正则化最小二乘函数的最小化来得到平滑信号z，具体公式如下：
S(z)＝(y-z)T(y-z)+λzTDTDz
其中，y为长度为N的信号，z是要找到的平滑信号，y和z是列向量，λ是平衡参数，D是差分矩阵；所述平滑信号z遵循y的趋势，同时保持其平滑度；
假设二阶差分矩阵D为：
引入权重向量w后惩罚最小二乘函数为以下公式：
S(z)＝(y-z)TW(y-z)+λzTDTDz
其中，W是对角线上为w对角矩阵，y为长度为N的信号，z是要找到的平滑信号，y和z是列向量，λ是平衡参数，D是差分矩阵；
设偏导向量为零S/zT＝0，得出惩罚最小二乘函数的最小化解为：
z＝(W+λDTD)-1Wy
当信号区域中没有峰值或信号区域远大于基线时，增加非对称权重wi，具体计算公式如下：
其中，
和
是d-的平均值和标准偏差，给定d＝y-z，d-是d的一部分，其仅在yi＜zi的区域中定义；
其中，
进一步地，所述拉曼光谱数据相关度检测是将预处理后的拉曼光谱数据与标准光谱进行相关性检测，采用相关系数表明光谱之间的线性相关程度，相关系数具体公式如下：
其中，Cov(X,Y)为X与Y的协方差，Var[X]为X的方差，Var[Y]为Y的方差，将相关系数大于80％的数据存留。
进一步地，所述拉曼数据归一化处理可以消除设备和检测方式引入的相对响度之间的差异。
进一步地，所述相关系数设置为95％、90％、80％。
附图说明
图1是本实施例中预处理算法中平滑算法效果图；
图2是本实施例中预处理算法中去基线算法效果图；
图3是患病组织与正常组织拉曼光谱对比图；
图4是本实施例中数据筛选前后拉曼光谱数据图。
具体实施方式
通过参考示范性实施例，本发明的目的和功能以及用于实现这些目的和功能的方法将得以阐明。然而，本发明并不受限于以下所公开的示范性实施例；可以通过不同形式来对其加以实现。说明书的实质仅仅是帮助相关领域技术人员综合理解本发明的具体细节。
在下文中，将参考附图描述本发明的实施例。在附图中，相同的附图标记代表相同或类似的部件，或者相同或类似的步骤。下面通过具体的实施例对本发明的一种用于深度学习训练的拉曼光谱数据集分析方法进行说明：
本实施例中提供的一种用于深度学习训练的拉曼光谱数据集分析方法包括以下步骤：
1、拉曼光谱数据预处理；
2、拉曼光谱数据相关度检测；
3、拉曼光谱数据标记；
因为，生物组织的拉曼散射具有光谱信号弱，背景噪声强，荧光峰值高等特点，所以需要针对这些问题对拉曼光谱进行预处理，预处理主要包括校准由激光器，光纤探头，滤光片，光谱仪和CCD检测器组成的光学系统以及数据的有效提取，本实施例种在数据的有效提取中主要分为三个步骤：光谱平滑去噪、去基线，归一化。
平滑算法可以提高信噪比，将异常值从数据集中删除；去基线算法可以去除组织荧光信号的干扰，校正背景；信号强度被归一化以补偿不同的探针接触压力或探针到样本的距离。
具体方法如下：
(1)光谱平滑去燥：
本实施例中选用Savitzky-Golay平滑算法进行平滑滤波，可以提高原始拉曼光谱的平滑性，降低白噪声、宇宙射线等噪声干扰，Savitzky-Golay平滑算法是对一定窗口长度内的数据点进行k阶多项式拟合，从而得到拟合后的结果，在窗口内的数据的拟合通过最小二乘拟合实现。
Savitzky-Golay平滑算法的关键在于矩阵算子的求解，设滤波窗口的宽度为n＝2m+1，各测量点为x＝(-m,-m+1,…0,1,…m-1,m)采用k-1次多项式对窗口内的数据点进行拟合：
y＝a0+a1x+a2x2+…+ak-1xk-1 (1.1)
由形如式(1.1)的n个这样的方程，构成了k元线性方程组，要使方程组有解，则n应大于等于k，一般选择n＞k，通过最小二乘法拟合确定拟合参数A，由此得到：
用矩阵表示为：
Y(2m+1)×1＝X(2m+1)×kAK×1+E(2m+1)×1 (1.3)
A的最小二乘解A为：
Y的模型预测值或滤波值
为：
所以矩阵算子为：
B＝X(XTX)-1XT (1.6)
利用平滑算法的拉曼光谱曲线如图1所示，经平滑后的曲线噪声显著减少。
(2)光谱去基线
本实施例中所采用的基线校正方法为非对称重加权惩罚最小二乘算法(asymmetrically reweighted penalized least squares smoothing，arPLS)。
在各种平滑方法中，普遍使用正则化最小二乘平滑方法，假设以相等的间隔采样，令y为长度为N的信号，设z是要找到的平滑信号，平滑的信号应遵循y的趋势，同时保持其平滑度，假设y和z是列向量，则可以通过正则化最小二乘函数的最小化来得到平滑信号z：
S(z)＝(y-z)T(y-z)+λzTDTDz (2.1)
其中，D是差分矩阵，假设二阶差分矩阵D为：
式(2.10)中的第一项表示对数据的约束，而第二项表示z的平滑。参数λ调整两项之间的平衡。为了使用上述平滑方法校正基线，引入权重向量w。设W是对角线上为w对角矩阵。式(2.10)改变为以下惩罚最小二乘函数。
S(z)＝(y-z)TW(y-z)+λzTDTDz (2.3)
通过求偏导的向量并将其设为零，
给出了式(2.12)的最小化的解。
z＝(W+λDTD)-1Wy (2.5)
如果预先知道峰值区域，则可以将这些区域的wi设置为零，并将区域外的wi设置为1。但是基线和噪声的存在使得很难找到峰值区域。因此，在没有峰值的基线区域中，可以假设噪声在基线下方和上方均等地填充。算法为该区域的信号分配相似的权重，以免低估基线。但如果信号远大于基线，则权重设置为零，因为它是峰值的一部分。为了实现这些功能，提出非对称权重wi为
其中
和
是d-的平均值和标准偏差。给定d＝y-z，d-是d的一部分，其仅在yi＜zi的区域中定义。式(2.10)中的逻辑函数是一个广义逻辑函数，具体如下：
通过实际应用来体现算法效果，对口腔组织拉曼光谱进行去基线操作，得到结果如图2所示，去除基线后的拉曼光谱曲线中，拉曼峰得以突显，有利于后期进行识别分类。
(3)本实施例中的用于深度学习训练的拉曼光谱数据集分析方法在后期深度学习模型的分类算法中更侧重于特征峰之间的差异，因此，通过归一化处理可以消除设备和检测方式引入的相对强度之间的差异；
(4)光谱数据相关度检验
拉曼光谱数据经过上述预处理算法以后得到一个准确的拉曼光谱数据，将其定义为标准光谱，将后续拉曼光谱数据通过相同预处理算法后，与标准光谱进行相关性检测，对拉曼光谱数据筛选，采用相关系数来表面光谱之间的线性相关程度的量，简单相关系数定义如下：
其中，Cov(X,Y)为X与Y的协方差，Var[X]为X的方差，Var[Y]为Y的方差。将相关系数设置为95％、90％、80％，以适应不同的应用需求，相关系数大于80％的数据存留，作为数据库数据，以保证数据库数据的数量与数据的多样性，如图3所示，为患病组织与正常组织拉曼光谱对比图，图4为通过相关性检测对拉曼光谱数据进行筛选图，图a为筛选前，图b为筛选后，可以看出相关性检测筛选确保了不同类拉曼光谱的独立性，同一类拉曼光谱的相关性，这为深度学习模型识别算法提供了可靠准确的数据源。
结合这里披露的本发明的说明和实践，本发明的其他实施例对于本领域技术人员都是易于想到和理解的。说明和实施例仅被认为是示例性的，本发明的真正范围和主旨均由权利要求所限定。
Claims (7)
1.一种用于深度学习训练的拉曼光谱数据集分析方法，其特征在于，所述分析方法包括以下步骤：
(1)拉曼光谱数据预处理；
(2)拉曼光谱数据相关度检测；
(3)拉曼光谱数据标记。
2.根据权利要求1所述的一种用于深度学习训练的拉曼光谱数据集分析方法，其特征在于，所述预处理包括：拉曼光谱范围截取，拉曼光谱平滑处理，拉曼光谱去基线处理，拉曼光谱数据归一化处理；
所述拉曼光谱范围截取有两个截取范围，所述两个截取范围分别为600～1800cm-1和2800～3200cm-1。
3.根据权利要求2所述的一种用于深度学习训练的拉曼光谱数据集分析方法，其特征在于，所述拉曼光谱平滑处理使用Savitzky-Golay滤波法，Savitzky-Golay滤波法是对一定窗口长度内的数据点进行k阶多项式拟合，从而得到拟合后的结果，在窗口内的数据的拟合通过最小二乘拟合实现；
所述窗口长度为n＝2m+1；
所述数据点为x＝(-m,-m+1,…0,1,…m-1,m)；
所述Savitzky-Golay滤波法的具体过程如下：
y＝a0+a1x+a2x2+...+ak-1xk-1
由n个上述方程，构成了k元线性方程组。要使方程组有解，则n应大于等于k，一般选择n＞k，通过最小二乘法拟合确定拟合参数A。由此得到
用矩阵表示为
Y(2m+1)×1＝X(2m+1)×kAK×1+E(2m+1)×1
A的最小二乘解A为
Y的模型预测值或滤波值
为
所以矩阵算子为B＝X(XTX)-1XT。
4.根据权利要求2所述的一种用于深度学习训练的拉曼光谱数据集分析方法，其特征在于，所述拉曼光谱去基线处理使用非对称重加权惩罚最小二乘法算法，具体过程如下：
正则化最小二乘函数的最小化来得到平滑信号z，具体公式如下：
S(z)＝(y-z)T(y-z)+λzTDTDz
其中，y为长度为N的信号，z是要找到的平滑信号，y和z是列向量，λ是平衡参数，D是差分矩阵；所述平滑信号z遵循y的趋势，同时保持其平滑度；
假设二阶差分矩阵D为：
引入权重向量w后惩罚最小二乘函数为以下公式：
S(z)＝(y-z)TW(y-z)+λzTDTDz
其中，W是对角线上为w对角矩阵，y为长度为N的信号，z是要找到的平滑信号，y和z是列向量，λ是平衡参数，D是差分矩阵；
设偏导向量为零S/zT＝0，得出惩罚最小二乘函数的最小化解为：
z＝(W+λDTD)-1Wy
当信号区域中没有峰值或信号区域远大于基线时，增加非对称权重wi，具体计算公式如下：
其中，
和
是d-的平均值和标准偏差，给定d＝y-z，d-是d的一部分，其仅在yi＜zi的区域中定义；
其中，
5.根据权利要求1所述的一种用于深度学习训练的拉曼光谱数据集分析方法，其特征在于，所述拉曼光谱数据相关度检测是将预处理后的拉曼光谱数据与标准光谱进行相关性检测，采用相关系数表明光谱之间的线性相关程度，相关系数具体公式如下：
其中，Cov(X,Y)为X与Y的协方差，Var[X]为X的方差，Var[Y]为Y的方差，将相关系数大于80％的数据存留。
6.根据权利要求2所述的一种用于深度学习训练的拉曼光谱数据集分析方法，其特征在于，所述拉曼数据归一化处理可以消除设备和检测方式引入的相对响度之间的差异。
7.根据权利要求5所述的一种用于深度学习训练的拉曼光谱数据集分析方法，其特征在于，所述相关系数设置为95％、90％、80％。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011409057.9A CN112730373A (zh) | 2020-12-03 | 2020-12-03 | 一种用于深度学习训练的拉曼光谱数据集分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011409057.9A CN112730373A (zh) | 2020-12-03 | 2020-12-03 | 一种用于深度学习训练的拉曼光谱数据集分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112730373A true CN112730373A (zh) | 2021-04-30 |
Family
ID=75599199
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011409057.9A Pending CN112730373A (zh) | 2020-12-03 | 2020-12-03 | 一种用于深度学习训练的拉曼光谱数据集分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112730373A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113673409A (zh) * | 2021-08-16 | 2021-11-19 | 点靓纳谱(上海)生物医药科技有限公司 | 一种用于光谱分析的自动收敛光谱校正方法及装置 |
| CN114113035A (zh) * | 2021-11-18 | 2022-03-01 | 北京理工大学 | 转基因大豆油鉴别方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070136014A1 (en) * | 2005-12-08 | 2007-06-14 | Neiss Jason H | System and method for automated baseline correction for raman spectra |
| CN103217409A (zh) * | 2013-03-22 | 2013-07-24 | 重庆绿色智能技术研究院 | 一种拉曼光谱预处理方法 |
| CN108844939A (zh) * | 2018-03-14 | 2018-11-20 | 西安电子科技大学 | 基于非对称加权最小二乘的拉曼光谱检测基线校正方法 |
| CN111274874A (zh) * | 2020-01-08 | 2020-06-12 | 上海应用技术大学 | 基于adaboost的食源性致病菌拉曼光谱分类模型训练方法 |
| CN111398243A (zh) * | 2020-04-02 | 2020-07-10 | 中南大学 | 用于钨浮选精矿品位在线检测的光纤拉曼系统及方法 |
| CN111413316A (zh) * | 2020-04-09 | 2020-07-14 | 天津大学 | 基于拉曼光谱的乳粉真实性筛查方法 |
-
2020
- 2020-12-03 CN CN202011409057.9A patent/CN112730373A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070136014A1 (en) * | 2005-12-08 | 2007-06-14 | Neiss Jason H | System and method for automated baseline correction for raman spectra |
| CN103217409A (zh) * | 2013-03-22 | 2013-07-24 | 重庆绿色智能技术研究院 | 一种拉曼光谱预处理方法 |
| CN108844939A (zh) * | 2018-03-14 | 2018-11-20 | 西安电子科技大学 | 基于非对称加权最小二乘的拉曼光谱检测基线校正方法 |
| CN111274874A (zh) * | 2020-01-08 | 2020-06-12 | 上海应用技术大学 | 基于adaboost的食源性致病菌拉曼光谱分类模型训练方法 |
| CN111398243A (zh) * | 2020-04-02 | 2020-07-10 | 中南大学 | 用于钨浮选精矿品位在线检测的光纤拉曼系统及方法 |
| CN111413316A (zh) * | 2020-04-09 | 2020-07-14 | 天津大学 | 基于拉曼光谱的乳粉真实性筛查方法 |
Non-Patent Citations (1)
| Title |
|---|
| 夏嘉斌: ""生物参数光纤拉曼光谱在体实时检测技术研究"", 《中国优秀博硕士学位论文全文数据库（硕士） 基础科学辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113673409A (zh) * | 2021-08-16 | 2021-11-19 | 点靓纳谱(上海)生物医药科技有限公司 | 一种用于光谱分析的自动收敛光谱校正方法及装置 |
| CN114113035A (zh) * | 2021-11-18 | 2022-03-01 | 北京理工大学 | 转基因大豆油鉴别方法 |
| CN114113035B (zh) * | 2021-11-18 | 2024-02-02 | 北京理工大学 | 转基因大豆油鉴别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7620674B2 (en) | Method and apparatus for enhanced estimation of an analyte property through multiple region transformation | |
| Ly et al. | Combination of FTIR spectral imaging and chemometrics for tumour detection from paraffin-embedded biopsies | |
| EP1538968B1 (en) | Spectroscopic unwanted signal filters for discrimination of vulnerable plaque and method therefor | |
| US20220383979A1 (en) | Nucleic acid mass spectrum numerical processing method | |
| Hu et al. | A background elimination method based on wavelet transform for Raman spectra | |
| US6839661B2 (en) | System for normalizing spectra | |
| Bhargava | Towards a practical Fourier transform infrared chemical imaging protocol for cancer histopathology | |
| Miljković et al. | Spectral cytopathology: new aspects of data collection, manipulation and confounding effects | |
| CN112730373A (zh) | 一种用于深度学习训练的拉曼光谱数据集分析方法 | |
| CN1302210A (zh) | 荧光分光术中以乙酸用作增强信号对比度试剂 | |
| US20020133073A1 (en) | Spectroscopic system employing a plurality of data types | |
| WO2021232757A1 (zh) | 利用已知混合物拉曼光谱改善混合物成分识别精度的方法 | |
| EP0967918A1 (en) | Spectroscopic detection of cervical pre-cancer using radial basis function networks | |
| JP3737257B2 (ja) | ２次元表現によるスペクトルデータの処理方法及び補正方法 | |
| US20030087456A1 (en) | Within-sample variance classification of samples | |
| Ciobanu et al. | Potential of Raman spectroscopy for blood-based biopsy | |
| WO2023123329A1 (zh) | 近红外光谱的净信号提取方法及其系统 | |
| Barroso et al. | Characterization and subtraction of luminescence background signals in high‐wavenumber Raman spectra of human tissue | |
| Chen et al. | Removal of major interference sources in aqueous near-infrared spectroscopy techniques | |
| CN112716447A (zh) | 一种基于拉曼检测光谱数据深度学习的口腔癌分类系统 | |
| EP4361602A2 (en) | Infrared imaging of biological material | |
| Silveira Jr et al. | Discrete wavelet transform for denoising Raman spectra of human skin tissues used in a discriminant diagnostic algorithm | |
| US20160069809A1 (en) | Cervical Sample Preparation For Reduced Variability In Raman Spectroscopy | |
| Hu et al. | Discrimination of squamous cell carcinoma of the oral cavity using Raman spectroscopy and chemometric analysis | |
| CN112161966B (zh) | 一种含有荧光光谱的样本拉曼光谱的分离方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210430 |
|
| RJ01 | Rejection of invention patent application after publication |