一种高度相关注释的拉曼光谱数据增强方案
使用深度学习方法,利用近红外光谱数据,通过卷积神经网络从光谱数据中提取特征,数据预处理使用了标准的扩展乘性散射校正和新的光谱数据增强方法进行基准测试,结果表明数据扩增并结合扩展乘性散射校正的组合效果最佳。卷积神经网络模型在使用第二台仪器和未被训练数据覆盖的分析物浓度创建的外推挑战中表现优异,同时定性研究表明 CNNs 核激活与著名的数据处理方法(如平滑、斜率 / 导数、阈值和光谱区域选择)相似。
Oct, 2017
本文介绍了使用激光诱导击穿光谱 (Raman) 进行光谱数据的定量分析。采用深度卷积多任务学习结构建立了鲁棒的校准模型,以预测分析物的浓度,辅助谱信息作为辅助输出。使用了基于模拟的数据扩充过程以合成代表实验数据的任意数量的光谱。通过利用多任务神经网络参数之间的相互依赖性,可以使用这些辅助输出来验证模型的可靠性。本文通过比较深度多任务模型与传统单变量和多变量分析的性能来突出了在该过程中引入的每个元素的单独贡献。
Oct, 2022
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
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
该研究介绍了一种综合机器学习和传统方法的新型神经网络,RamanNet,用于分析 Raman 光谱数据,并证明其在公共数据集上表现优异,有潜力成为 Raman 光谱数据分析的标准。
Jan, 2022
基于自编码神经网络的高光谱解混算法在化学计量学领域中可以更准确、更稳定、更高效地分离复杂混合物质,同时也适用于基于细胞的生物学研究中改进体积拉曼成像数据的生化特征分析。
Mar, 2024
本文介绍了一种用于对图和图片进行对比学习的新颖的光谱特征增强方法,通过不完全的幂迭代,可以部分平衡特征图的频谱,注入噪声,从而实现光谱增强,提高了泛化能力,是一种与其他增强策略互补且兼容各种对比损失的方法。
Dec, 2022
我们提出了一种新的方法来增加数字和混合数据集,通过利用交叉验证重采样和潜变量建模来生成额外的数据点。该方法对于具有中度到高度共线性的数据集特别有效,因为它直接利用了这个属性进行生成。该方法简单、快速,并且有很少的参数,在文中已经证明无需特定调整。我们对多个真实数据集进行了测试;在这里,我们报告了两种情况的详细结果,即基于近红外光谱的切碎肉中蛋白质的预测(完全数字数据,具有高度共线性)和因冠状动脉造影而被提及的患者的区分(混合数据,包括数字和分类变量,并具有中度共线性)。在这两种情况下,我们使用人工神经网络来开发回归和区分模型。结果显示模型性能有明显提高;因此,在预测肉类蛋白质时,拟合增强数据的模型可以将独立测试集的均方根误差减少 1.5 至 3 倍。
Dec, 2023
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