本研究提出了一种机器人拉曼系统，能够可靠地定位和界定嵌入到健康组织中的肿瘤，在模拟组织中建模为选择性注入金纳米星区域。此外，通过实现迁移学习，对比控制琼脂进行了金纳米星的验证分类，从而为基于拉曼的深度学习训练流程提供了概念验证。该研究在 10.2 分钟内重建了 30x60mm 的手术区域，并实现了 98.2% 的准确度。此外，还验证了拉曼系统和分类算法不是基于样本颜色，而是基于 SERS 试剂的存在。本研究在术中肿瘤学领域中智能拉曼系统的应用上迈出了关键一步。

Jan, 2024

通过使用数字化工具和分析技术，例如化学计量学、机器学习、拉曼光谱、近红外光谱和质谱等，我们可以快速评估新产品对环境的潜在毒性，并可以精确鉴定和定量洗涤剂产品的成分，从而节省时间并改善污染物鉴定和污染评估的效率。

Oct, 2023

深度学习技术与拉曼光谱学的结合在临床环境中具有潜力，能够精确快速地鉴定病原细菌。然而，传统的封闭集分类方法假设所有测试样本属于已知病原体，其适用性有限；本研究通过开发一种新颖的 ResNet 集成模型和注意机制，结合目标空间损失函数进行特征正则化，提高了病原体检测的准确性，并有效降低了误报率。该研究提出的拉曼光谱学算法能够检测未知、未编目和新出现的病原体，为适应未来可能出现的病原体提供了灵活性，并有潜力提高在动态操作环境（如公共安全应用）中拉曼光谱解决方案的可靠性。

Oct, 2023

利用深度学习方法，通过获取最大的细菌 Raman 光谱数据集，成功实现对细菌病原体的快速识别和抗生素敏感性测试，证明了在不需要培养的情况下通过结合 Raman 光谱技术和深度学习方法对细菌菌株和抗生素抵抗性快速实现检测的潜力。

Jan, 2019

使用机器学习算法结合携带式拉曼光谱仪直接识别和表征商业威士忌样品中乙醇 / 甲醇浓度，可实现超过 99% 的品牌识别准确性，并能通过瓶内光谱分析检测伪造或掺杂的酒精和其他高价值液体样品。

Sep, 2023

本研究旨在使用光学遥感与机器学习算法，研究海洋塑料污染的光谱行为，并评价辐射传输模型在此研究领域中的适用性。结果表明，污染物的光谱行为受到聚合物类型和像素覆盖百分比等因素的影响。这些发现可以指导未来在遥感应用中检测海洋塑料污染的研究。

Jun, 2023

通过扩散映射方法和依托于拉曼光谱的数据集，建立了三个机器学习流程来准确预测从拉曼光谱中得出的聚合物颗粒大小，其中包括直接扩散映射、交替扩散映射和一种名为对等自编码器神经网络的方法。对比现有技术方法，这些自编码器在预测聚合物大小方面取得了有希望的首次突破。

Mar, 2024

Raman spectroscopy 及其化学计量学等算法对生物药物生产过程实时监控的应用进行了研究，并通过生成合成的 Raman 混合物数据集，比较了 4 种不同的算法，实证了卷积神经网络自动提取浓度信息的潜力，可用于提高药物生产的过程控制。

Jun, 2023

通过添加数据点并利用峰面积特性，使用卷积神经网络提高了在 Raman 光谱中监测底物、生物量和 PHA 生物聚合物浓度的能力。

Feb, 2024

通过使用时间序列分类算法，利用电子鼻测量的离散图进行分类和分析，本研究首次将离散图解释为一系列逐渐发展的测量，并通过实验证明，长短期记忆神经网络可以在分类上达到最高的准确度为 88%。这一新的分类方法为离散图的分析和分类提供了一种新的视角，并公开分享了一组新的离散图数据集。

Jan, 2024