论文部分内容阅读
在利用表面增强拉曼光谱(SERS)对毛发中痕量物质进行分析时,该SERS信号中毛发特征峰与增强基底背景峰会相互耦合。在耦合情况下,背景峰会被误识别为毛发特征峰,导致待测物的识别错误,此外具有高峰强特性的背景峰对毛发中微弱特征峰产生掩盖干扰。因此,背景峰的扣除是解决上述问题的重要途径,但常规的扣峰方法会导致周围邻峰的严重失真。针对上述问题提出了高斯混合模型,该模型在表征SERS信号的同时又使得各特征峰相互独立,在扣峰过程中对周围邻峰不产生干扰,既实现干扰峰的扣除又保证了邻峰的微失真。高斯混合模型的核心问题在于模型参数的求解,文中提出了小波变换与共轭梯度法,分别解决模型的初始参数问题及最优解问题。小波变换通过映射放大SERS信号的细节信息,充分提取该信号的细微特征信息,将该特征信息作为模型的初始参数。其中共轭梯度法是迭代优化方法,将模型参数进行循环迭代优化,最终收敛结果即为模型参数的最优解。综上两种方法可准确建立高斯混合模型,模型中单高斯函数为SERS信号的特征峰,且两者的峰形保持一致。在扣除SERS信号的背景峰时应遵循以下过程,包括有效数据的提取、模型建立和峰的扣除。其中有效数据的提取是对空白与滴样的增强基底进行同位置检测,由此得到一组SERS信号。模型建立是通过高斯混合模型对滴样SERS信号进行表征,该信号可由多个高斯函数表现。最后利用空白增强基底的特征峰对滴样的SERS信号进行指认,其中峰形相似且峰位相同的特征峰可扣除。实验结果表明,方差值比最小时,高斯混合模型的峰位、峰宽、峰强等特征与毛发SERS信号基本相同,此时高斯混合模型可准确表征毛发SERS信号的特征信息。在对7组毛发进行扣峰实验时,毛发SERS信号中背景峰扣除率达到50%~100%,同时毛发的特征峰也得到有效提取。在对真实毛发样本进行快速分析时,该模型识别出了毒品曲马多。