Reconocimiento y análisis de componentes mediante espectroscopía de fluorescencia tridimensional basado en...

Área de la Ciencia:

• Química Analítica
• Espectroscopía
• Aprendizaje Automático

Sus antecedentes:

• La espectroscopía de fluorescencia de matriz de excitación-emisión tridimensional (3D EEM) es valiosa para identificar sustancias fluorescentes.
• La contaminación espectral por impurezas puede comprometer la precisión de la identificación.
• Es crucial desarrollar métodos robustos para la detección de contaminación y el análisis de componentes.

Objetivo del estudio:

• Presentar un enfoque integrado de aprendizaje automático y espectroscopía 3D EEM para la detección de contaminación y el análisis de componentes.
• Evaluar el rendimiento de varios algoritmos de aprendizaje automático en la identificación de contaminantes.
• Desarrollar un modelo avanzado de aprendizaje profundo para analizar mezclas fluorescentes complejas.

Principales métodos:

• Se recopilaron datos de espectroscopía de fluorescencia 3D EEM en un entorno de contaminación simulada.
• Se evaluó la detección de contaminantes utilizando K-Nearest Neighbors (KNN), Random Forest (RF) y Red Neuronal Convolucional (CNN).
• Se desarrolló y entrenó un modelo Shared Encoder U-Net (SE-UNet) utilizando perfiles espectrales derivados de PARAFAC para el análisis de componentes.

Principales resultados:

• Todos los modelos de aprendizaje profundo probados mostraron una precisión comparable en escenarios simples de componentes binarios.
• El SE-UNet optimizado demostró un rendimiento y una generalización superiores en mezclas complejas en comparación con las arquitecturas CNN y VGG.
• SE-UNet permitió una inferencia rápida de muestras individuales, superando al método iterativo de Análisis de Factor Paralelo (PARAFAC).

Conclusiones:

• El marco integrado ofrece una solución práctica y escalable para el análisis de contaminación.
• El modelo SE-UNet proporciona una herramienta robusta para identificar impurezas fluorescentes y analizar mezclas complejas.
• Este enfoque mejora la fiabilidad de la espectroscopía 3D EEM en el monitoreo de laboratorio y ambiental.