基于U-Net架构的拉曼光谱去噪模型：多条件训练策略提升噪声鲁棒性与可解释性研究

拉曼光谱因低信噪比(SNR)在短积分时间下应用受限，传统去噪方法存在参数敏感、特征失真等问题。本研究创新性地采用U-Net架构，通过对比单条件(SC)和多条件(MC)训练策略，结合显著性图谱和雅可比矩阵分析，证实MC模型在RMSE、PCC等指标上显著优于SC模型和Savitzky-Golay滤波器，且能有效保留光谱聚类结构(CHI=56.7)，为快速精准的光谱检测提供了新范式。

　　

拉曼光谱作为"分子指纹"识别技术，在生物医学和材料科学领域具有重要价值。然而短积分时间下极低的信噪比(SNR)严重制约其应用，尤其在活细胞成像等时效性场景中。传统硬件优化需延长采集时间，而Savitzky-Golay等算法存在参数依赖性强、弱特征易失真等问题。尽管U-Net等深度学习模型展现出潜力，但现有研究多聚焦架构创新，对训练数据多样性影响及模型决策机制缺乏系统探索。

针对这一瓶颈，研究人员开展了一项创新性研究。通过构建相同U-Net架构的两种变体：单条件模型(SC，仅训练0.5s数据)和多条件模型(MC，整合0.1s/0.2s/0.5s数据)，系统比较了不同训练策略对模型性能的影响。研究采用THP-1细胞(人单核细胞系)的拉曼光谱数据集，包含20个细胞在12×12空间网格(6μm×6μm)的144个光谱，通过785nm激光激发，分别采集0.1s/0.2s/0.5s(低质量LQ)和1s(高质量HQ)四组数据。关键技术包括：1)光谱预处理流程(暗电流校正、SNV标准化等)；2)改进型U-Net架构(加入SE注意力模块和残差连接)；3)基于RMSE和PCC的定量评估；4)显著性图谱与雅可比矩阵的可解释性分析；5)K-means聚类验证(Davies-Bouldin/Calinski-Harabasz指数)。

2.1 视觉检测结果
MC模型在0.1s输入下重建的光谱与HQ参考高度吻合，而SC模型出现明显噪声残留和特征扭曲。平均光谱分析显示MC在指纹区(如995cm^-1)能精确恢复峰形，SC则产生系统性偏移。

2.2 光谱差异分析
MC的预测-HQ差异带最窄(标准差0.008)，Predicted-LQ曲线平滑度达HQ-LQ的72%，显著优于SC模型(差异带标准差0.015)。

2.3 定量性能评估
MC的RMSE(0.041)较SC降低38%，PCC达0.98。值得注意的是，Savitzky-Golay在0.1s条件下PCC(0.91)反超SC模型(0.87)，揭示SC对训练外噪声适应力不足。

2.4 与经典滤波对比
相对RMSE指标显示MC将误差降至基线噪声的45%，而SC仅达68%。迭代分析表明MC经5次预测后RMSE波动范围(±0.003)远小于SC(±0.011)。

2.5 显著性图谱发现
在沉默区(2045cm^-1)，SC梯度值达MC的3.2倍，表明其对噪声过度敏感。雅可比热图显示MC对角元素占比92%，而SC存在明显的非对角扩散(1700-2800cm^-1区域影响全局)。

2.6 去噪对聚类影响
MC使Calinski-Harabasz指数提升至56.7(较HQ参考高30%)，证实其不仅能降噪还可增强特征空间可分性。

这项研究开创性地揭示了训练数据多样性对光谱去噪的关键作用：MC模型通过接触不同噪声水平的数据，学会了区分真实特征与噪声的普适规则，而非简单记忆特定噪声模式。在可解释性方面，首次证实优秀模型会整合指纹区与C-H伸缩区(2850-3000cm^-1)的跨区域关联，这与分子振动耦合的物理本质高度一致。该成果为临床快速诊断(如术中病理检测)和工业过程监控提供了新工具，其提出的多条件训练范式可扩展至红外、荧光等其他光谱技术。未来研究可探索自监督学习减少对HQ数据的依赖，并开发更精细的注意力可视化方法。论文发表于《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》，为光谱智能处理领域树立了性能与可解释性协同优化的新标杆。