编辑推荐：
为解决 CARS 算法提取特征波数点（FWP）易漏透射峰（TP）、计算负荷高且 ANN 模型精度低的问题，研究人员开展基于红外光谱和 ANN 的 MPs 识别研究，提出 EIS-VIP-CARS 法。结果表明该法提取 FWP 少、模型精度超 99%，为 MPs 研究及废塑料管理提供参考。
微塑料（MPs）作为全球关注的新兴污染物，像无形杀手般悄然扩散至海洋、土壤甚至人体。这类直径 1 微米至 5 毫米的塑料颗粒，经光照、氧化等作用从大块塑料分解而来，不仅会释放持久性有机污染物（POPs）等有毒物质，还可能引发氧化应激、代谢紊乱等健康风险，被视为 21 世纪最严峻的环境挑战之一。然而，精准识别微塑料的 “身份” 并非易事：传统视觉分选误差高达 70%，拉曼光谱易受荧光干扰，傅里叶变换红外光谱（FTIR）虽被广泛应用，却依赖人工比对光谱，耗时且易受主观影响。随着机器学习（ML）的兴起，如何将其与光谱技术结合，高效提取特征光谱、提升识别精度，成为破解微塑料环境行为研究瓶颈的关键。
为攻克这一难题，国内研究团队开展了系列创新研究。他们聚焦 20 种典型微塑料，针对传统竞争自适应重加权采样算法（CARS）提取特征波数点（FWP）时易遗漏透射峰（TP）、计算负荷高的缺陷，提出一种融合等间隔采样（EIS）和投影变量重要性（VIP）的新型特征提取方法 ——EIS-VIP-CARS，并构建人工神经网络（ANN）模型评估识别性能。这项研究成果发表在《Environmental Research》，为微塑料的精准检测开辟了新路径。
研究主要采用以下关键技术方法：首先利用 FTIR 获取微塑料的中红外光谱，随后通过 EIS 对全光谱进行降维，保留主要信息；接着将 VIP 引入 CARS 算法，替代传统的回归系数绝对值（AVRC）作为权重评估标准，构建 EIS-VIP-CARS 模型提取特征光谱；最后对比分析基于全光谱、EIS、CARS、EIS-CARS、VIP-CARS 及 EIS-VIP-CARS 的 ANN 模型性能，同时考察多层神经网络（MNN）、卷积神经网络（CNN）与浅层神经网络（SNN）的差异。
全光谱分析与特征提取性能对比
研究显示，微塑料样本的中红外光谱在 3100-2850 cm-1范围内普遍存在多个独立且共有的功能基团（FGs），其中 3100-3000 cm-1对应芳香族和不饱和烃的 = C-H 键伸缩振动，2990-2850 cm-1与脂肪族化合物的 - CH3和 - CH2- 基团伸缩振动相关。通过不同算法提取特征光谱时，VIP-CARS 较 CARS 减少 49.41% 的 FWP，且分布更集中于透射峰附近，基于其构建的 ANN 模型识别精度普遍高于 CARS；而 EIS-VIP-CARS 进一步将 FWP 数量降至 55 个，较 EIS 和 VIP-CARS 分别减少 58.65% 和 57.03%，且特征点分布与功能基团高度吻合。
人工神经网络模型性能评估
在模型对比实验中，基于 EIS-VIP-CARS 的 ANN 模型对微塑料的识别准确率与 EIS 模型相近，均超过 99%，展现出良好的泛化能力。同时发现，MNN 和 CNN 模型的精度高于 SNN，但建模时间更长。这表明，尽管深层神经网络在复杂特征学习中具有优势，EIS-VIP-CARS 与 ANN 的结合已能在保证高精度的前提下显著提升计算效率。
结论与意义
本研究通过优化特征提取算法与机器学习模型，成功建立了一种高效精准的微塑料红外光谱识别方法。EIS-VIP-CARS 算法通过整合等间隔采样的全局信息保留能力和 VIP 的变量重要性评估机制，解决了传统 CARS 算法在特征提取中易遗漏关键透射峰、计算冗余的问题，使特征波数点数量大幅减少的同时，模型识别准确率保持在 99% 以上。这一成果不仅为微塑料的环境行为研究提供了关键技术支撑，也为塑料废弃物的分类管理奠定了方法学基础，有望推动全球在微塑料污染监测与防控领域的技术革新。未来，若能进一步拓展至更多类型的微塑料及复杂环境样本，该方法或将在生态风险评估与公共卫生领域发挥更大价值。
