CN115060631B - 一种自适应的颗粒物拉曼相似度判别方法 - Google Patents
一种自适应的颗粒物拉曼相似度判别方法 Download PDFInfo
- Publication number
- CN115060631B CN115060631B CN202210829700.6A CN202210829700A CN115060631B CN 115060631 B CN115060631 B CN 115060631B CN 202210829700 A CN202210829700 A CN 202210829700A CN 115060631 B CN115060631 B CN 115060631B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- similarity
- raman
- max
- different
- 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.)
- Active
Links
- 238000001069 Raman spectroscopy Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000013618 particulate matter Substances 0.000 title claims abstract description 9
- 238000001228 spectrum Methods 0.000 claims abstract description 74
- 238000001237 Raman spectrum Methods 0.000 claims abstract description 39
- 230000003595 spectral effect Effects 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000012850 discrimination method Methods 0.000 claims abstract description 8
- 238000011524 similarity measure Methods 0.000 claims abstract description 6
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 44
- 239000002245 particle Substances 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 2
- 239000013598 vector Substances 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 11
- 239000003814 drug Substances 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007876 drug discovery Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011192 particle characterization Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 229960005486 vaccine Drugs 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Dispersion Chemistry (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明一种自适应的颗粒物拉曼相似度判别方法，包括计算待匹配光谱与数据库光谱拉曼位移交集区域，以适应不同波段拉曼光谱匹配；对所述交集区域进行插值拟合，以适应不同分辨率拉曼光谱匹配；提出基于DTW的拉曼光谱动态判别方法，即DTW算法，适应不同峰位、不同强度校准差异的拉曼光谱匹配；所述最短路径距离值转换为相似性，用于直观显示光谱相似性测度；克服现有医药领域基于拉曼光谱检测中，因为不同拉曼光谱仪厂商、不同波段范围、不同光谱分辨率、不同峰位校准以及不同强度校准，导致无法计算相似度或计算结果不准确的问题。
Description
技术领域
本发明涉及拉曼检测技术领域，尤其是一种自适应的颗粒物拉曼相似度判别方法。
背景技术
不溶性微粒(本专利也称颗粒物)是药典规范中一项重要的检测指标，注射液中不溶性微粒所引起的医药安全问题，受到众多研究人员的关注，由于传统检测方法的局限性，使得注射液中不溶性微粒的检测判断较低，对注射液的质量控制产生不利影响。
拉曼光谱技术是一种非侵入、免标记、快速、实时、灵敏、精准的检测方法，正在快速地成为颗粒表征工具库的一项关键技术。基于拉曼光谱技术的颗粒物检测，利用拉曼光谱技术的检测优势能够快速地鉴定出未知颗粒物的化学成分，为抗体蛋白制剂、细胞及基因制剂和生物疫苗产品的药物发现、配方开发、工艺优化、稳定性研究、生产偏差调查、质量控制和投诉处理提供强有力的依据。
颗粒物拉曼光谱数据库系统能帮助建立稳定、快捷的定性分析模型、定量分析模型以及特征分析模型等，在拉曼光谱数据库系统中，准确、高效的光谱匹配检索算法是整个系统有效运行的关键。
但现有技术中，拉曼光谱匹配检索算法多以相同像素长度、相同分辨率和相同的波段范围为基准进行相似度计算，计算准确性还要建立在拉曼光谱仪相同的峰位校准和强度校准基础上，现有算法的准确率己无法满足光谱数据库系统的要求。
发明内容
为了克服现有技术的不足，本发明提供一种自适应的颗粒物拉曼相似度判别方法，旨在克服现有医药领域基于拉曼光谱检测中，因为不同拉曼光谱仪厂商、不同波段范围、不同光谱分辨率、不同峰位校准以及不同强度校准，导致无法计算相似度或计算结果不准确的问题。
一种自适应的颗粒物拉曼相似度判别方法，包括如下步骤：
步骤一：计算待匹配光谱与数据库光谱拉曼位移交集区域，以适应不同波段拉曼光谱匹配；
其中，设待匹配光谱MS的拉曼位移集合为：{MS|msmin＜＝MS＜＝msmax}，msmin表示待匹配光谱的起始波数，msmax表示终止波数；数据库光谱DS的拉曼位移集合为：{DS|dsmin＜＝DS＜＝dsmax}，dsmin表示数据库光谱起始波数，dsmax表示终止波数。本专利覆盖如下可匹配范围波段：
波段范围1：{(msmin＞dsmin)and(msmax＜dsmax)}
波段范围2：{(msmin＞＝dsmin)and(msmin＜dsmax)and(msmax＞dsmax)}
波段范围3：{(msmin＜dsmin)and(msmax＞dsmin)and(msmax＜＝dsmax)}
波段范围4：{(msmin＜＝dsmin)and(msmax＞＝dsmax)}
计算所述波段范围1至波段范围4，得出四种波段范围的交集区域为：{MS,DS|smin＜＝MS,DS＜＝smax}；
步骤二：对所述交集区域进行插值拟合，以适应不同分辨率拉曼光谱匹配；
进一步的，所述插值拟合采用MS为模板对DS进行插值拟合，也可以采用DS为模板对MS进行插值拟合；
进一步的，所述交集区域的插值拟合方法包括但不限于：Lagrange插值、Newton插值、Hermite插值、样条插值和/或多项式拟合、高斯拟合、洛伦兹拟合等；
步骤三：提出基于DTW(动态时间规整)的拉曼光谱动态判别方法，即DTW算法，适应不同峰位、不同强度校准差异的拉曼光谱匹配；
进一步的，根据精度要求，在步骤二中的所述交集区域自定义插值点，不同拉曼光谱仪厂商使用峰位和强度校准算法不同，导致拉曼光谱峰位和相对强度不统一；设交集区域内光谱插值点个数为N，由于峰位校准不统一，可能导致相同样品光谱特征峰位出现点不一致，以及相同特征峰位相对强度不标准，通过基于DTW的拉曼光谱动态判别方法寻找一个时间规整函数，将N个光谱像素点用MS为模板非线性地映射到DS上或用DS为模板非线性地映射到MS上，使该函数满足两个光谱N*N像素矢量之间的距离测度最小，即最短路径距离值；
进一步的，所述基于DTW的拉曼光谱动态判别方法匹配过程就是寻找一条从点(1,1)到(N,N)的最短路径距离值d[i,j]，伪代码为：
For i＝1～N
For j＝1～N
{a[i][j]＝DS的第i个像素点和MS的第j个像素点的特征参量距离；}
do
{d[i,j]＝min{a[i,j]a[i,j+1]，a[i,j+2]}；
i++；j++；
}while
步骤四：所述最短路径距离值转换为相似性，用于直观显示光谱相似性测度。
进一步的，4种最短路径距离值转换为相似性方法：
①{d[i,j]|d[i,j]＞1},光谱相似性similarity[MS,DS]＝1/d[i,j]
②{d[i,j]|0＜＝d[i,j]＜＝1},光谱相似性similarity[MS,DS]＝1-d[i,j]
③{d[i,j]|d[i,j]＞0},光谱相似性similarity[MS,DS]＝1/ed[i,j]
④{d[i,j]|d[i,j]＞0},光谱相似性similarity[MS,DS]＝1/(1+d[i,j])
其中，d[i,j]表示第i和j个光谱之间的DTW最短路径距离，similarity[MS,DS]表示待匹配光谱和数据库光谱相似性测量值。
本发明的有益效果：
本发明提供提出一种自适应的颗粒物拉曼相似度判别方法，旨在克服现有医药领域基于拉曼光谱检测中，因为不同拉曼光谱仪厂商、不同波段范围、不同光谱分辨率、不同峰位校准以及不同强度校准，导致无法计算相似度或计算不准确的问题。
通过计算待匹配光谱与数据库光谱拉曼位移交集，解决不同波段拉曼光谱匹配问题；通过对交集区域进行插值拟合，解决不同分辨率拉曼光谱匹配问题；通过提出基于DTW的拉曼光谱动态判别方法，解决不同峰位校准、强度校准差异拉曼光谱匹配问题；通过几种距离值转换为相似性方法，解决抽象的距离测度转换为直观相似性测度。
附图说明
图1是本发明一种自适应的颗粒物拉曼相似度判别方法之整体流程框架设计图。
图2是本发明一种自适应的颗粒物拉曼相似度判别方法之待匹配光谱与数据库光谱存在的六种对应关系图。
图3是本发明一种自适应的颗粒物拉曼相似度判别方法之波段范围1的距离示意图。
图4是本发明一种自适应的颗粒物拉曼相似度判别方法之交集区域插值后预处理效果图。
图5是本发明一种自适应的颗粒物拉曼相似度判别方法之待匹配光谱与数据库光谱的匹配排序显示图。
具体实施方式
下面结合附图对本发明的优选实施例进行详细说明。
参照图1所示，一种自适应的颗粒物拉曼相似度判别方法，包括如下步骤：
步骤一：计算待匹配光谱与数据库光谱拉曼位移交集区域101，以适应不同波段拉曼光谱匹配；
如图2所示，所述待匹配光谱与数据库光谱存在六种对应关系，可以形成所述交集区域的有四种波段范围；
其中，设待匹配光谱MS的拉曼位移集合为：{MS|msmin＜＝MS＜＝msmax}，msmin表示待匹配光谱的起始波数，msmax表示终止波数；数据库光谱DS的拉曼位移集合为：{DS|dsmin＜＝DS＜＝dsmax}，dsmin表示数据库光谱起始波数，dsmax表示终止波数。本专利覆盖如下可匹配范围波段：
计算所述波段范围1至波段范围4，得出四种波段范围的交集区域为：{MS,DS|smin＜＝MS,DS＜＝smax}；
作为一种举例说明，图3是波段范围1的举例示意图，表示待匹配光谱(实线光谱)的波段范围落在数据库光谱(虚线光谱)范围内。
作为一种应用举例说明，图3中，计算波段范围1里，待匹配光谱和数据光谱交集区域为【1310cm-1,3500cm-1】。
步骤二：对所述交集区域进行插值拟合102，以适应不同分辨率拉曼光谱匹配；
采用图3记载的波段范围1为例，对交集区域进行差值拟合；
进一步的，所述插值拟合采用MS为模板对DS进行插值拟合；对数据库光谱数据进行三次样条差值，使其满足待匹配光谱分辨率为：2cm-1。
步骤三：提出基于DTW(动态时间规整)的拉曼光谱动态判别方法103，适应不同峰位、不同强度校准差异的拉曼光谱匹配；
作为一种举例说明，应用基于DTW算法对图3中待匹配光谱和数据库光谱交集区域进行相似度匹配计算；相似度匹配计算前可对光谱数据进行预处理操作；
作为一种举例说明，所述预处理操作包括：
预处理一、对待匹配光谱和数据库光谱进行基线校正，可以使用自适应迭代重加权惩罚最小二乘(airPLS)进行基线校正；
预处理二、对待匹配光谱和数据库光谱进行归一化操作；
进一步的，可以使用0-1归一化(Min-Max scaling)，效果图如图4所示；
进一步的，预处理后的待匹配光谱和数据库光谱应用DWT求解最短路径距离值，伪代码为：
For i＝1～N
For j＝1～N
{a[i][j]＝DS的第i个像素点和MS的第j个像素点的特征参量距离；}
do
{d[i,j]＝min{a[i,j]a[i,j+1]，a[i,j+2]}；
i++；j++；
}while
步骤四：所述最短路径距离值转换为相似性，用于直观显示光谱相似性测度104。
进一步的，4种最短路径距离值转换为相似性方法：
①{d[i,j]|d[i,j]＞1},光谱相似性similarity[MS,DS]＝1/d[i,j]
②{d[i,j]|0＜＝d[i,j]＜＝1},光谱相似性similarity[MS,DS]＝1-d[i,j]
③{d[i,j]|d[i,j]＞0},光谱相似性similarity[MS,DS]＝1/ed[i,j]
④{d[i,j]|d[i,j]＞0},光谱相似性similarity[MS,DS]＝1/(1+d[i,j])
其中，d[i,j]表示第i和j个光谱之间的DTW最短路径距离，similarity[MS,DS]表示待匹配光谱和数据库光谱相似性测量值。
作为一种举例说明，为满足所有定义域函数距离转相似度映射，可以使用similarity[MS,DS]＝1/ed[i,j]函数，将距离函数转换为光谱相似度；
重复步骤一到步骤四的所有流程，遍历计算数据库光谱与待匹配光谱的相似度；将所有数据库光谱与待匹配光谱相似度值从高到低排序，效果图如图5所示。
本发明提供提出一种自适应的颗粒物拉曼相似度判别方法，旨在克服现有医药领域基于拉曼光谱检测中，因为不同拉曼光谱仪厂商、不同波段范围、不同光谱分辨率、不同峰位校准以及不同强度校准，导致无法计算相似度或计算不准确的问题。
通过计算待匹配光谱与数据库光谱拉曼位移交集，解决不同波段拉曼光谱匹配问题；通过对交集区域进行插值拟合，解决不同分辨率拉曼光谱匹配问题；通过提出基于DTW的拉曼光谱动态判别方法，解决不同峰位校准、强度校准差异拉曼光谱匹配问题；通过几种距离值转换为相似性方法，解决抽象的距离测度转换为直观相似性测度。
以上所述的仅为本发明的优选实施例，所应理解的是，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想，并不用于限定本发明的保护范围，凡在本发明的思想和原则之内所做的任何修改、等同替换等等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种自适应的颗粒物拉曼相似度判别方法，其特征在于，包括如下步骤：
步骤一：计算待匹配光谱与数据库光谱拉曼位移交集区域，以适应不同波段拉曼光谱匹配；
其中，设待匹配光谱MS的拉曼位移集合为：{MS|msmin＜＝MS＜＝msmax}，msmin表示待匹配光谱的起始波数，msmax表示终止波数；数据库光谱DS的拉曼位移集合为：{DS|dsmin＜＝DS＜＝dsmax}，dsmin表示数据库光谱起始波数，dsmax表示终止波数；覆盖如下可匹配范围波段：
波段范围1：{(msmin＞dsmin)and(msmax＜dsmax)}
波段范围2：{(msmin＞＝dsmin)and(msmin＜dsmax)and(msmax＞dsmax)}
波段范围3：{(msmin＜dsmin)and(msmax＞dsmin)and(msmax＜＝dsmax)}
波段范围4：{(msmin＜＝dsmin)and(msmax＞＝dsmax)}
计算波段范围1至波段范围4，得出四种波段范围的交集区域为：{MS,DS|smin＜＝MS,DS＜＝smax}；
步骤二：对所述交集区域进行插值拟合，以适应不同分辨率拉曼光谱匹配；
所述插值拟合采用MS为模板对DS进行插值拟合，或采用DS为模板对MS进行插值拟合；
所述交集区域的插值拟合方法包括：Lagrange插值、Newton插值、Hermite插值、样条插值和/或多项式拟合、高斯拟合、洛伦兹拟合；
步骤三：提出基于DTW的拉曼光谱动态判别方法，即DTW算法，适应不同峰位、不同强度校准差异的拉曼光谱匹配；
根据精度要求，在步骤二中的所述交集区域自定义插值点，不同拉曼光谱仪厂商使用峰位和强度校准算法不同，导致拉曼光谱峰位和相对强度不统一；设交集区域内光谱插值点个数为N，由于峰位校准不统一，可能导致相同样品光谱特征峰位出现点不一致，以及相同特征峰位相对强度不标准，通过基于DTW的拉曼光谱动态判别方法寻找一个时间规整函数，将N个光谱像素点用MS为模板非线性地映射到DS上或用DS为模板非线性地映射到MS上，使该函数满足两个光谱N*N像素矢量之间的距离测度最小，即最短路径距离值；
步骤四：所述最短路径距离值转换为相似性，用于直观显示光谱相似性测度；
4种最短路径距离值转换为相似性方法：
①{d[i,j]|d[i,j]＞1},光谱相似性similarity[MS,DS]＝1/d[i,j]
②{d[i,j]|0＜＝d[i,j]＜＝1},光谱相似性similarity[MS,DS]＝1-d[i,j]
③{d[i,j]|d[i,j]＞0},光谱相似性similarity[MS,DS]＝1/ed[i,j]
④{d[i,j]|d[i,j]＞0},光谱相似性similarity[MS,DS]＝1/(1+d[i,j])
其中，d[i,j]表示第i和j个光谱之间的DTW最短路径距离，similarity[MS,DS]表示待匹配光谱和数据库光谱相似性测量值。
2.根据权利要求1所述的一种自适应的颗粒物拉曼相似度判别方法，其特征在于，所述基于DTW的拉曼光谱动态判别方法匹配过程就是寻找一条从点(1,1)到(N,N)的最短路径距离值d[i,j]，其中伪代码为：
For i＝1～N
For j＝1～N
{a[i][j]＝DS的第i个像素点和MS的第j个像素点的特征参量距离；}
do
{d[i,j]＝min{a[i,j]a[i,j+1]，a[i,j+2]}；
i++；j++；
}while。
3.根据权利要求1所述的一种自适应的颗粒物拉曼相似度判别方法，其特征在于，应用DTW算法对待匹配光谱和数据库光谱交集区域进行相似度匹配计算前，对光谱数据进行预处理操作。
4.根据权利要求3所述的一种自适应的颗粒物拉曼相似度判别方法，其特征在于，所述预处理操作包括：
预处理一、对待匹配光谱和数据库光谱进行基线校正，使用自适应迭代重加权惩罚最小二乘进行基线校正；
预处理二、对待匹配光谱和数据库光谱进行归一化操作。
5.根据权利要求1所述的一种自适应的颗粒物拉曼相似度判别方法，其特征在于，为满足所有定义域函数距离转相似度映射，使用similarity[MS,DS]＝1/ed[i,j]函数，将距离函数转换为光谱相似度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210829700.6A CN115060631B (zh) | 2022-07-14 | 2022-07-14 | 一种自适应的颗粒物拉曼相似度判别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210829700.6A CN115060631B (zh) | 2022-07-14 | 2022-07-14 | 一种自适应的颗粒物拉曼相似度判别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115060631A CN115060631A (zh) | 2022-09-16 |
| CN115060631B true CN115060631B (zh) | 2023-07-25 |
Family
ID=83206384
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210829700.6A Active CN115060631B (zh) | 2022-07-14 | 2022-07-14 | 一种自适应的颗粒物拉曼相似度判别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115060631B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118568684B (zh) * | 2024-08-02 | 2024-10-15 | 河南方栾建设工程有限公司 | 一种建筑工程扬尘监测方法及设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104777143A (zh) * | 2014-01-15 | 2015-07-15 | 中国人民解放军第二军医大学 | 一种用于过期药的、基于拉曼光谱的相似度鉴定方法 |
| CN110243806A (zh) * | 2019-07-30 | 2019-09-17 | 江南大学 | 拉曼光谱下基于相似度的混合物组分识别方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6989100B2 (en) * | 2002-05-09 | 2006-01-24 | Ppd Biomarker Discovery Sciences, Llc | Methods for time-alignment of liquid chromatography-mass spectrometry data |
| CN102801719B (zh) * | 2012-08-08 | 2015-02-25 | 中国人民解放军装备学院 | 基于主机流量功率谱相似性度量的僵尸网络检测方法 |
| WO2021053409A1 (en) * | 2019-09-20 | 2021-03-25 | King Abdullah University Of Science And Technology | Encoding raman spectral data in optical identification tags for analyte identification |
| CN111289489B (zh) * | 2020-03-05 | 2023-06-02 | 长春长光辰英生物科学仪器有限公司 | 一种基于拉曼光谱的微生物单细胞生长检测方法 |
| US11614408B2 (en) * | 2020-05-19 | 2023-03-28 | Jiangnan University | Method for improving identification accuracy of mixture components by using known mixture Raman spectrum |
| CN114330411A (zh) * | 2021-11-16 | 2022-04-12 | 安徽中科赛飞尔科技有限公司 | 一种基于相似度的自适应窗口化拉曼光谱识别方法 |
| CN114739925A (zh) * | 2022-04-08 | 2022-07-12 | 山东船舶技术研究院 | 基于水拉曼峰强度和波长校准的激光光谱白酒检测方法 |
-
2022
- 2022-07-14 CN CN202210829700.6A patent/CN115060631B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104777143A (zh) * | 2014-01-15 | 2015-07-15 | 中国人民解放军第二军医大学 | 一种用于过期药的、基于拉曼光谱的相似度鉴定方法 |
| CN110243806A (zh) * | 2019-07-30 | 2019-09-17 | 江南大学 | 拉曼光谱下基于相似度的混合物组分识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115060631A (zh) | 2022-09-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Rapid measurement of total acid content (TAC) in vinegar using near infrared spectroscopy based on efficient variables selection algorithm and nonlinear regression tools | |
| Shaw et al. | Noninvasive, on-line monitoring of the biotransformation by yeast of glucose to ethanol using dispersive Raman spectroscopy and chemometrics | |
| CN101915744B (zh) | 物质成分含量的近红外光谱无损检测方法及装置 | |
| Yu et al. | A feasibility study on on-line determination of rice wine composition by Vis–NIR spectroscopy and least-squares support vector machines | |
| CN110836878B (zh) | 一种卷积插值耦合高斯混合模型快速三维荧光寻峰方法 | |
| CN115060631B (zh) | 一种自适应的颗粒物拉曼相似度判别方法 | |
| 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 | |
| CN102590129B (zh) | 近红外检测花生中氨基酸含量的方法 | |
| US11561182B2 (en) | Method for detecting quality of cell culture fluid based on Raman spectral measurement | |
| JP2022547771A (ja) | 微生物を同定する方法およびシステム | |
| CN111999258B (zh) | 一种面向光谱基线校正的加权建模局部优化方法 | |
| CN112230236B (zh) | 一种光谱共焦位移传感器测距计算方法、系统、装置及存储介质 | |
| Zhang et al. | Mixture analysis using reverse searching and non-negative least squares | |
| CN117542446A (zh) | 一种基于深度学习的拉曼光谱定量分析方法及分析系统 | |
| CN109001182B (zh) | 封闭容器中酒精含量的拉曼光谱无损测定方法 | |
| Wang et al. | Raman spectrum model transfer method based on Cycle-GAN | |
| CN117250169A (zh) | 一种基于模型转移技术无损快速判别野生冬虫夏草的方法 | |
| CN116794010A (zh) | 一种用于拉曼光谱仪器的跨仪器拉曼位移校准方法及系统 | |
| CN114062306B (zh) | 一种近红外光谱数据分段预处理方法 | |
| CN104374737A (zh) | 一种近红外定性鉴别方法 | |
| CN114018856B (zh) | 光谱校正方法 | |
| CN107024449A (zh) | 基于尿液判别哺乳动物性别的近红外光谱分析方法 | |
| CN111060476A (zh) | 一种用于检测创面或lb培养液细菌感染的近红外光谱系统及其检测方法 | |
| Coma et al. | Soft and hard modelling methods for deconvolution of mixtures of Raman spectra for pigment analysis. A qualitative and quantitative approach | |
| CN116793991B (zh) | 一种基于近红外光谱和混合损失的谷氨酸浓度测量方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |