FRDA:使用可解释AI进行基于FTIR的微塑料分类的指纹区域数据增强

科学领域:

• 环境科学 环境科学
• 分析化学 分析化学
• 数据科学数据科学数据科学

背景情况:

• 海洋微塑料 (MP) 污染对水生生态系统和人类健康构成重大风险.
• 机器学习 (ML) 模型,特别是那些使用减弱总反射里埃变换红外光谱 (ATR-FTIR) 的机器学习模型,对于MP识别至关重要.
• 不平衡和不足的样本数据,特别是对于共聚物和混合物,对于训练准确的ML模型来说是一个重大挑战.

研究的目的:

• 为了应对MP识别中不平衡数据集的挑战.
• 通过有效的数据增强来提高MP识别ML模型的性能.
• 通过可解释的人工智能 (XAI) 和高斯混合模型 (GMM) 来识别MP识别的有影响力的光谱区域.

主要方法:

• 利用可解释的人工智能 (XAI) 和高斯混合模型 (GMM) 来分析ATR-FTIR光谱并确定MP识别的关键光谱区域.
• 开发了一种基于指纹区域的新型数据增强 (FRDA) 方法,以基于确定的光谱区域生成合成FTIR数据.
• 补充了现有的MP数据集,使用FRDA方法新生成的数据.

主要成果:

• 该FRDA方法有效地产生了新的FTIR数据,增加了不平衡的MP数据集.
• 使用XAI和GMM进行的分析显示,特定的光谱区域对于区分MP类型至关重要.
• 评估表明,FRDA在改善ML模型性能方面显著优于现有的光谱数据增强技术.

结论:

• 拟议的FRDA方法是增加MP数据集的有效方法,特别是在解决样本不平衡和复杂性方面.
• 识别和利用指纹光谱区域可以提高基于ML的MP识别的准确性.
• 这项工作为改善海洋微塑料污染的分析和监测提供了宝贵的工具.