用分离器和神经网络方法快速分析时光光谱复杂化数据中的光分数
Jonas Rottmann1, Alexander Netaev1, Nicolas Schierbaum1
1Fraunhofer Institute for Microelectronic Circuits and Systems IMS, Duisburg, Germany.
Journal of biomedical optics
|September 10, 2025
概括
分相分析和前神经网络 (FNN) 从复杂的时光光谱数据中提供更快,更准确的光素分数确定. 阶段子分析显示出卓越的准确性,优于FNN和传统的装配方法.
科学领域:
- 生物物理学的生物物理.
- 分析化学 分析化学
- 频谱学是一种光谱学.
背景情况:
- 生物和环境系统中的光素分数为系统动态提供了洞察力.
- 传统的测定化物分量的方法依赖于光发射光谱 (ES) 或寿命 (LT).
- 时间光谱复合数据提供了更高的准确性,但在数据复杂性和分析速度方面存在挑战.
研究的目的:
- 引入和评估从复杂的时间光谱数据中提取光分数的新方法.
- 为满足对高维光数据的先进和快速分析技术的需求.
- 为了提高光分数的确定精度和效率.
主要方法:
- 对时间光谱数据进行相位分析的开发和应用.
- 在人工混合数据上训练的Feedforward神经网络 (FNN) 的实施.
- 将法索和FNN方法与基于线性组合的曲线拟合 (FIT) 方法进行比较,使用受控的光体混合物.
主要成果:
- 在分数测定中,分相分析取得了最低的绝对误差 (两组分的1.4%,三组分的4.7%).
- FNN和FIT方法在三组件场景中遇到了困难,而相位分析成功识别了所有组件.
- 与FIT相比,用Phasor和FNN方法的计算工作量减少了大约六倍.
结论:
- 与传统的装配技术相比,分相分析和FNN方法在速度和准确性方面具有显著的优势.
- 这些先进的方法提高了时光光谱多重数据的可访问性和实用性.
- 这些发现特别适用于需要快速精确光体分析的高速应用.
