微塑料混合物与卷积神经网络的SERS光谱的组件识别

科学领域:

• 环境科学 环境科学
• 分析化学 分析化学
• 频谱学是一种光谱学.

背景情况:

• 微塑料 (MP) 污染是一个日益严重的全球性问题.
• 表面增强拉曼光谱 (SERS) 是由于其独特的光谱指纹而成为MP识别的关键技术.
• 从MP混合物中分析复杂的SERS光谱仍然是一个重大挑战.

研究的目的:

• 开发一种创新的方法,使用SERS.同时识别和分析微塑料混合物中的单个成分.
• 为了评估卷积神经网络 (CNN) 在本分析中的有效性.
• 将CNN的性能与传统算法进行比较.

主要方法:

• 一个卷积神经网络 (CNN) 模型被开发用于分析六种常见的微塑料混合物的SERS光谱.
• CNN模型是使用原始,未经预处理的光谱数据进行训练的.
• 性能与支持向量机 (SVM),主要组件分析线性差异分析 (PCA-LDA),部分最小平方差异分析 (PLS-DA),随机森林 (RF) 和K-最近邻居 (KNN) 算法进行了比较.

主要成果:

• 对于微塑料组件,CNN模型实现了99.54%的平均识别准确率.
• 这种高精度是使用原始,未经预处理的SERS光谱数据获得的.
• 在使用和不使用光谱预处理的情况下,CNN显著超过了所有测试过的传统算法.

结论:

• 卷积神经网络提供了一个高度准确和高效的解决方案,用于从SERS光谱中识别微塑料混合物.
• 该CNN方法消除了复杂的光谱预处理步骤的需要,简化了分析.
• 这一进步促进了对微塑料污染物的快速和精确检测.