基于多层感知机（MLP）的高通量微塑料FTIR光谱分类：机器学习加速环境污染物分析的新策略

本研究针对传统FTIR光谱库匹配方法在微塑料分析中计算效率低、依赖人工验证的瓶颈，开发了一种基于多层感知机（MLP）的半自动分类工作流。通过吸收度转换和基线校正预处理，系统实现了对10种欧盟优先聚合物等13类材料的高精度分类（准确率99.96%），将分析时间从数小时缩短至10-30分钟，为环境微塑料的高通量筛查提供了可靠解决方案。

　　

随着塑料污染在全球生态系统中的日益加剧，微塑料（MPs）已成为威胁环境和人类健康的重要污染物。这些尺寸小于5毫米的塑料颗粒广泛分布于水体、土壤和大气中，其准确识别与定量分析对评估污染程度和生态风险至关重要。傅里叶变换红外（FTIR）成像技术凭借其高空间分辨率和化学特异性，成为微塑料表征的主流手段。然而，传统的谱库相关性分析方法面临重大挑战：不仅计算耗时长达数小时，还需大量人工验证，对复杂环境样本中存在的噪声、基线漂移和基质干扰尤为敏感，严重制约了大尺度研究的效率。

为突破这些技术瓶颈，因斯布鲁克大学的Jovan Badzoka团队在《Microchemical Journal》上发表了一项创新研究，提出将机器学习中的多层感知机（MLP）模型应用于高光谱FTIR数据的分类工作流。该研究通过溴化钾（KBr）压片法制备样本，利用定制Python脚本从PerkinElmer专有.fsm格式中提取光谱数据，经过吸收度转换、滚动基线校正和CO₂干扰波段（2408-2248 cm^-1）剔除等预处理后，采用包含355个输入神经元、两个隐藏层（50和25个神经元）的MLP网络进行分类。系统不仅能识别10种欧盟优先聚合物（包括PE、PP、PVC、PET、PS、PU、PA、PC、PMMA和PTFE），还涵盖样本边框、天然聚酰胺（干皮肤）和KBr背景等共14个类别。

关键技术方法主要包括：1）采用KBr压片样本制备技术确保全中红外范围（4000-1000 cm^-1）测量；2）开发定制数据提取流程处理高光谱图像；3）构建多层感知机神经网络模型进行光谱分类；4）建立专家引导的半自动验证机制，通过空间聚类和参考光谱比对确保结果可靠性。

3.1. 分类性能

研究团队通过混淆矩阵和置信度阈值（0.8）评估模型性能，测试集整体准确率达到99.96%。尽管存在轻微过拟合（训练集准确率99.98%），但分类效果显著。主要误分类发生在信号强度低、类似KBr背景的光谱上。通过采用类别权重调整策略有效解决了数据集不平衡问题，确保低代表性材料也能获得准确分类。

3.2. 速度与效率提升

与传统谱库相关性方法相比，MLP分类展现出巨大效率优势。传统方法需要对每个聚合物参考谱进行单独关联计算，处理10种欧盟优先聚合物时耗时3-6小时。而MLP系统允许合并多个测量子区域（"标记"）数据一次性处理，对430万光谱的大数据集（13×13 mm，6.25μm分辨率）分类时间不超过30分钟，且无需复杂的光谱预处理步骤。

3.3. 分类光谱的可视化表示

研究采用空间邻近聚类策略，将相同类别且位置接近的光谱分组处理，计算平均光谱和标准差后与参考谱对比验证。这一过程生成.png格式比对图像供专家审查，有效识别了如纤维素纤维误判为聚氨酯（PU）等错误分类案例。最终通过二值化图像实现微塑料颗粒的定量分析。

3.4. 局限性与未来方向

研究指出当前模型在区分光谱特征相似的聚合物（如聚氨酯与纤维素）时仍存在挑战，训练数据集虽包含30万条光谱但主要来自原始聚合物，对环境样本中降解微塑料的泛化能力有待提升。未来将通过UV老化模拟和优化扫描协议扩展数据集多样性，并探索更复杂的神经网络架构进一步提升分类性能。

该研究成功证明了MLP神经网络在FTIR微塑料分析中的实用价值，通过半自动化工作流实现了快速准确的光谱分类。KBr压片法与MLP流程的独特结合，实现了全中红外覆盖、PTFE检测和多标记合并等优势，为人工智能辅助光谱分类奠定了坚实基础。虽然专家验证环节仍需保留，但该方法已显著降低人工工作量，为高通量微塑料筛查提供了可靠的技术路径，对推动环境污染物的标准化分析具有重要意义。