河海大学方芳CEJ: 深度学习快速识别3D激发-发射矩阵荧光光谱中的荧光成分

三维激发发射矩阵（3D-EEM）荧光光谱已广泛应用于检测从天然水体到废水处理过程样品中的荧光成分，一般需要使用并行因子分析 (PARAFAC) 等数据解释方法来分解3D-EEM光谱中的重叠荧光信号。然而，PARAFAC对数据的严格要求和复杂的程序限制了样品的在线监测和分析。

图1. 3D-EEM数据的预处理、代表性光谱和PARAFAC分析程序

在此，河海大学方芳副教授等人开发了一种基于深度学习方法的快速荧光识别网络 (FFI-Net) 模型，只需输入单个3D-EEM光谱即可快速预测荧光成分的数量和图谱。由从含微生物分泌的胞外聚合物（EPS）和可溶性微生物产物（SMP）的活性污泥和微囊藻收集的3D-EEM进行训练，包括那些存在于实际应用中的物质，并评估了FFI-Net模型的预测性能。

具体地，PARAFAC分析了3D-EEM数据集以形成荧光成分的数量和图谱，但仅应用于训练数据集的准备阶段。经过训练数据集训练后的FFI-Net可以直接使用，无需再利用PARAFAC方法。

图2. FFI-Net模型的建立

作者训练了两种类型的卷积神经网络 (CNN)模型，最终以0.956的精度对荧光成分的数量进行分类，并以 8.9×10^-4的最小平均绝对误差预测荧光成分。当更多3D-EEM数据可用作训练数据集时，FFI-Net模型的准确性将得到进一步提高。

同时，作者还设计了一个用户友好的界面，以方便实际应用。这项研究提供了一种有效的方法来克服 PARAFAC方法的不足，并为在线分析水样中的荧光成分提供了一个新平台。

图3. 两种类型的卷积神经网络结构及FFI-Net的应用程序

Fast identification of fluorescent components in three-dimensional excitation-emission matrix fluorescence spectra via deep learning, Chemical Engineering Journal 2021. DOI: 10.1016/j.cej.2021.132893

原创文章，作者：科研小搬砖，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/15/898a07e405/

河海大学方芳CEJ: 深度学习快速识别3D激发-发射矩阵荧光光谱中的荧光成分

相关推荐