基于机器学习的石油馏分与汽油痕迹识别：实测与合成GC谱图的创新应用

这篇综述系统阐述了如何结合实测与合成气相色谱（GC）谱图，开发机器学习（ML）工作流，实现易燃液体（石油馏分PD、汽油BZ及其他物质HR）的高精度分类。研究通过k近邻（kNN）、随机森林（RF）及深度学习（DL）等算法，验证了合成数据对模型性能的提升，为法医火灾残留分析提供了高效自动化解决方案。

　　

引言

当前纵火案件调查中，石油馏分和汽油因易获取、易燃等特性成为主要助燃剂。传统依赖专家人工分析气相色谱-质谱（GC-MS）数据的方法耗时且主观性强。本研究提出基于机器学习（ML）的自动化分类框架，结合实测与合成GC谱图，显著提升分类效率。

材料与方法

数据集：以色列法医科学部（DIFS）提供了四类数据：181例真实火灾现场样本（PD/BZ/HR）、89例后续验证样本及两类参考数据库（汽油/石油馏分的不同蒸发程度样本）。样本经固相微萃取（SPME）和GC-MS处理，色谱图数字化为2924维向量。

合成谱图算法：通过随机线性组合同类样本生成10⁵条合成谱图，专家盲测显示其与真实谱图难以区分（正确识别率仅60%），验证了合成数据的合理性。

模型构建：采用kNN、RF、代表谱图及深度学习（DL）四种算法。DL模型为三层全连接神经网络，使用Adam优化器（学习率10^-5）。数据归一化采用对数转换后线性缩放至[0,1]范围。

结果

初始模型性能：仅用真实数据训练的kNN和RF模型表现优异（F1-score 0.77-0.92），而代表谱图法效果较差（F1-score 0.61-0.68）。

合成数据增强：加入合成数据后，DL模型在真实测试集上F1-score达0.85-0.96。RF性能同步提升（F1-score 0.86-0.95），代表谱图法则出现精度与召回率的显著波动。

独立验证：后续89例真实样本测试中，DL和RF模型表现突出（F1-score 0.95-1.00），证实模型泛化能力。

讨论与结论

1. 1.

   算法选择：kNN和RF等“简单”模型在数据量适中时即可达到与DL相当的分类精度，表明性能提升更多依赖训练数据规模而非算法复杂度。

2. 2.

   合成数据价值：基于物理原理的谱图合成有效解决了小样本场景下DL的训练需求，可推广至其他法医分析领域。

3. 3.

   应用前景：该工作流可扩展至其他易燃液体分类，并通过SHAP值等解释工具增强模型可解释性。

作者贡献与声明

Omer Kaspi主导实验设计与数据分析，Yaniv Y. Avissar负责数据采集，Hanoch Senderowitz统筹项目并资助。团队声明无利益冲突。

（注：全文严格依据原文内容缩编，未添加非文献支持信息。）