综合拉曼光谱分析,通过多通道1D-CNN和基于SHAP的可解释性来区分有毒的蓝藻细菌
María Gabriela Fernández-Manteca1, Borja García García1, Susana Deus Álvarez2
1Photonics Engineering Group, Universidad de Cantabria, 39005, Santander, Spain; Instituto de Investigación Sanitaria Valdecilla (IDIVAL), 39011, Santander, Spain.
Talanta
|March 13, 2025
概括
这项研究结合了拉曼光谱学和深度学习,以准确识别有毒蓝藻物种,改善有害藻类繁殖的检测. 多道深度学习方法实现了86%的准确性,提高了水质监测.
科学领域:
- 环境科学 环境科学
- 生物技术是生物技术.
- 频谱学是一种光谱学.
背景情况:
- 蓝藻细菌的繁殖对水质和公共卫生构成风险,原因是毒素的产生.
- 准确识别蓝藻物种对于有效监测和管理有害藻类繁殖 (HAB) 是必不可少的.
研究的目的:
- 开发和评估基于拉曼光谱的深度学习方法,用于分类四种有毒的蓝藻细菌物种.
- 为了提高 HAB 监测中蓝藻细菌物种识别的准确性和可解释性.
主要方法:
- 使用共聚焦拉曼显微镜 (532nm激发) 从四种有毒蓝藻细菌中获取拉曼光谱.
- 多通道一维卷积神经网络 (1D-CNN) 的应用,包括原始,基线和预处理的光谱数据.
- 使用沙普利增量解释 (SHAP) 进行光谱区域的解释性.
主要成果:
- 多通道1D-CNN的分类准确率达到86%,超过单通道1D-CNN (74%).
- 与传统方法相比,多道方法证明了过的减少.
- SHAP分析确定了关键的光谱区域,对于准确的物种分类至关重要.
结论:
- 将拉曼光谱与可解释的深度学习相结合,为水质监测提供了一个强大的工具.
- 这种方法有助于早期检测和识别有害的藻类繁殖.
- 开发的方法提高了蓝藻细菌物种分类的准确性和可解释性.
更多相关视频
10:57Experimental Protocol for Detecting Cyanobacteria in Liquid and Solid Samples with an Antibody Microarray Chip
Published on: February 7, 2017
9.0K
07:37An Integrated Raman Spectroscopy and Mass Spectrometry Platform to Study Single-Cell Drug Uptake, Metabolism, and Effects
Published on: January 9, 2020
9.4K
