《Forensic Science International》：A Hierarchical Class-Based Machine Learning Approach for On-Site Detection of Explosives and Precursors Using NIR Spectroscopy
编辑推荐：
提出了一种用于手持式近红外（NIR）光谱仪的两级层次化机器学习框架，旨在实现爆炸物及其前体的现场检测。该框架在约17,000次NIR扫描数据上进行训练，涵盖约550种物质及混合物。在排爆（EOD）现场数据上，该方法达到了96.3%的总体准确率、3.1%的假阴性
提出了一种用于手持式近红外（NIR）光谱仪的两级层次化机器学习框架，旨在实现爆炸物及其前体的现场检测。该框架在约17,000次NIR扫描数据上进行训练，涵盖约550种物质及混合物。在排爆（EOD）现场数据上，该方法达到了96.3%的总体准确率、3.1%的假阴性率和0%的假阳性率。当第二级子类分类失败时，系统会回退至可靠的第一级检测结果。云架构允许根据现场反馈持续更新模型。
论文解读
研究背景与问题
当前安全形势下，为应急响应人员和排爆（EOD）团队提供准确的现场实时信息至关重要。便携式光谱技术如拉曼（Raman）和傅里叶变换红外（FTIR）虽被广泛使用，但在灵敏度、光谱分辨率及复杂基质分析的鲁棒性方面仍有限制。特别是自制爆炸物（HMEs）等异质样本，因其成分混合、杂质和污染物众多，导致现场检测中假阴性率显著升高。传统光谱匹配方法难以捕捉真实法医样本的内在变异性和复杂性，亟需一种能够建模非线性关系和异质条件的先进化学计量学方法。
研究内容与结论
本研究开发并实施了一种基于层次化分类的机器学习框架，旨在提高便携式近红外（NIR）光谱仪对爆炸物和前体的检测性能。研究的主要结论包括：该两级层次化策略在第一级实现了对爆炸物家族的宽泛、鲁棒分类，优先保证低漏检率；第二级则在受控条件下提供更精细的子类信息（如湿度状态、氮含量）。在包含195个爆炸物样本、10个前体样本和65个真阴性样本的独立EOD现场测试集上，系统取得了96.3%的准确率、3.1%的爆炸物假阴性率和0%的假阳性率，性能优于现有文献报道的单步分类方法。云架构设计使得模型可根据现场反馈持续更新，增强了系统的适应性和可扩展性。
关键技术方法
- 1.
手持式近红外（NIR）光谱采集：采用MicroNIR OnSite-W设备，工作波段950–1650 nm，通过蓝牙连接云端，实现对热敏感含能材料的非接触、无破坏测量。
- 2.
层次化分类框架：设计了两级级联分类策略。第一级（Level 1）利用高变异性现场数据训练，进行宽泛的爆炸物/前体家族检测；第二级（Level 2）使用受控实验室数据进行更精细的子类划分（如湿态TATP、氮含量等级）。
- 3.
机器学习模型集成：评估了18种算法，最终采用由线性核支持向量机（SVM）、逻辑回归（Logistic Regression）和K近邻（KNN）构成的硬投票集成模型（Custom Voting Hard），采用一对多（one-vs-all）策略在23个输出类别（15个爆炸物家族、7个前体家族和1个其他类）上训练。
- 4.
数据预处理与验证：应用Savitzky–Golay二阶导数和标准正态变量（SNV）预处理；通过500次迭代的自举法（bootstrapping）进行内部验证，并使用独立的EOD专家现场数据集进行外部测试。
研究结果
3.1 层次化分类方法
研究人员提出了一个两级级联框架。第一级使用多样化的真实世界光谱进行宽泛分类，优先考虑操作鲁棒性以最小化假阴性。第二级在受控实验室数据上细化分类，提供更高特异性和可解释性。即使第二级失败，第一级的阳性结果仍被保留，确保威胁识别的优先级。示例展示了TATP类在水分含量上的巨大变异性，以及硝酸铵基材料因不同配方和吸湿性导致的变异性。真阴性数据集的组成对提升精度和马修斯相关系数（MCC）至关重要。t-SNE可视化显示，目标类别在嵌入空间中形成紧凑区域，而子类则嵌套其中。化学相似的非目标化合物（如DADP、乙酸酐）被纳入真阴性集以降低误报。
3.2 层次化分类方法的性能评估
- •
自举法训练集：在18个模型中，硬投票集成模型表现最佳，平均宏F1分数为91.8%，MCC为93.9%，平衡准确率为91.6%。三个类别（硝化纤维素基爆炸物、高氯酸盐/氯酸盐/硝酸盐基前体、硫酸基前体）表现出较高的假阴性率（FNR > 20%），原因分别归结于样本光谱质量差、NIR对无机盐的固有局限性以及样本量少和纯度变异性大。爆炸物的整体FNR为1.7%，前体为15%。
- •
独立EOD测试集：在195个爆炸物样本上，未出现假阳性。共发现6个假阴性（1个ETN、3个HMTD、2个RDX），归因于训练数据中物理状态、合成阶段或外观变异性的不充分覆盖。前体样本（n=10）出现4个假阴性，均属于高氯酸盐/氯酸盐/硝酸盐类。总体准确率达96.3%，F1分数为92.1%，MCC为95.5%。爆炸物FNR升至3.1%，前体FNR升至40%（后者因样本量小而需谨慎解读）。对于训练集中未出现的13个新类别，部分被分配到化学相关的已知家族，部分被归为“其他”类，表明缺乏专门的离群值（OOD）拒绝机制。
3.3 层次化与单步分类方法的比较
以ANFO和湿态TATP为例，单步法的FNR分别为8.3%和5.2%。层次化方法的第一级FNR极低（0.9%和0.5%），确保了可靠的家族级报警；第二级FNR（7.5%和4.1%）略低于单步法，但更重要的是，即使第二级失败，第一级仍能触发警报，提供了安全保障。
讨论与结论
讨论：与文献相比，该层次化系统在独立数据集上将爆炸物FNR从19%降至3.1%，实现了约84%的相对降低。这归功于更多样化的训练集、层次化结构以及仪器性能。相较于单步法，层次化框架在提供更详细信息的同时大幅降低了漏检率。该方法的成功依赖于大规模、多样化的训练数据库，并能通过云架构持续整合现场反馈进行改进。其局限性在于：若某化学家族完全不在训练集中，系统可能将其误判为“其他”类或化学相关的已知类，因此报告的FNR仅适用于训练集中的22个家族。此外，NIR对不含氢键的无机盐灵敏度较低是技术固有限制。未来可结合双传感器策略（如NIR与Raman）进一步拓宽化学覆盖范围。
结论：基于云的层次化框架为使用便携式NIR光谱检测爆炸物和前体提供了一种可扩展的方法。机器学习驱动的化学计量学确保了鲁棒性能，同时为应急人员和EOD专家提供不同层级的信息。该系统通过云架构可实现实时数据共享和集中收集，支持国家级监测。其主要依赖大量且具代表性的训练数据，并通过持续更新来提升性能。尽管单一光谱技术有其局限性，但将互补的分析技术与层次化、基于云的机器学习框架相结合，有望显著降低假阴性率，使便携式光谱系统成为现场爆炸物和前体检测的实用、鲁棒且可靠的工具。
