利用注意力机制从傅里叶变换红外光谱（FTIR）中稳健地识别气体混合物，以减轻仪器线形变化的影响

《Analytical Chemistry》：Robust Identification of Gas Mixtures from FTIR Spectra using Attention Mechanism to Mitigate Instrument Line Shape Variations

傅里叶变换红外光谱（FTIR）分析中，通过引入注意力机制的深度学习框架有效解决了仪器线型变化、峰重叠及测量误差等难题。实验表明，该框架在包含10种仪器线型和8种气体成分的自建数据集上，对其他9种仪器线型的识别准确率超过91.7%，较现有方法提升25%-88%，展现出良好的泛化性和跨设备应用潜力。

　　

傅里叶变换红外光谱技术能够通过特征吸收峰快速、无损地识别混合物的成分。然而，在实际应用中，诸如仪器线形变化、吸收峰重叠以及各种测量误差等问题会显著增加混合物识别的难度。为了解决这些问题，我们基于注意力机制开发了一个创新的深度学习框架。我们在一个自构建的数据集上进行了大量实验，该数据集包含十种不同的仪器线形和八种气体成分。令人印象深刻的是，当该模型应用于其他九种仪器线形时，其准确匹配率超过了91.7%，相比现有方法的优势范围从25%到88%不等。这些结果表明了该模型强大的泛化能力和高效的部署灵活性，更重要的是，它显示出在跨设备应用、其他傅里叶变换红外光谱分析以及类似的光谱挑战（如近红外光谱中的传递函数问题）中的巨大潜力。