通过过干扰的FTIR光谱来增强微塑料的分类,在低维空间中使用维度缩小和深度学习
Aeint Shune Thar1, Seksan Laitrakun1, Pattara Somnuake1
1Sirindhorn International Institute of Technology, Thammasat University, Pathum Thani 12120, Thailand.
Marine pollution bulletin
|August 17, 2025
概括
这项研究引入了一种结合缩小维度和深度学习的新方法,用于准确地从过干扰的FTIR光谱中分类微塑料,从而改善环境监测.
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:
- 水生环境中的微塑料污染构成了重大威胁.
- 里埃变换红外光谱法 (FTIR) 是微塑料识别的一个关键方法.
- 过器干扰的FTIR光谱由于样本大小和过器干扰而降低了分类准确性.
研究的目的:
- 通过使用过干扰的FTIR光谱来开发微塑料分类的增强框架.
- 提高在水生样本中识别微塑料类型的准确性和效率.
主要方法:
- 提出了一个框架,将缩小维度 (DR) 技术与深度学习 (DL) 分类结合起来.
- 使用DR,将高维FTIR光谱转换为低维表示.
- 基于LeNet5架构的一维卷积神经网络 (CNN) 用于分类.
主要成果:
- 分类准确度在96.64%至98.83%之间,超过了基线方法 (94.95%).
- 在CNN模型中,可训练参数的数量减少了98%以上.
- 评估了五种不同的DR技术对其对分类性能的影响.
结论:
- 拟议的DR-DL框架有效地提高了从过干扰的FTIR光谱中微塑料的分类.
- 这种方法为水生环境监测中分析微塑料提供了一种高效准确的方法.
- 该研究强调了将DR和DL结合用于复杂光谱数据分析的潜力.
