一种适用于便携式拉曼光谱仪的强大模型迁移方法：实现不同测量环境下的互操作分析

《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》：A robust model transfer approach for portable Raman spectrometers: Enabling interoperable analysis across measurement environments

　　

李玉婷|王子龙|梁佩|廖玉燕|张玉璐|唐成杰|孙彪

中国吉利大学光电技术学院，杭州310018，中国

摘要

手持拉曼光谱提供了一种快速、无损的现场分析方法。然而，由于光学配置、探测器响应和组装公差的变化，不同仪器收集的拉曼光谱往往存在显著的非线性差异。这些差异阻碍了数据之间的可比性，并限制了手持拉曼系统的广泛应用。在这项工作中，我们提出了一种基于标准材料的模型迁移方法，以实现手持式和台式显微拉曼仪器之间的精确光谱对齐。该方法结合了波数校准、多尺度卷积和基于注意力机制的分段迁移策略，从而建立了从手持光谱到显微拉曼参考谱的高保真映射。这种方法有效地纠正了非线性波数偏移，同时保留了关键的光谱特征，包括峰值位置、相对强度和整体光谱形状。实验结果表明，所提出的框架显著降低了多种分析物之间的峰值位置均方根误差（RMSE），并提高了标准光谱相似性指标，如光谱角度映射器（SAM）、动态时间规整（DTW）和最大平均差异（MMD）。此外，迁移后的光谱在下游分类任务中表现出更好的性能，证实了跨仪器可靠性的提升。这项工作为实现不同拉曼平台之间的光谱一致性提供了可靠的解决方案，支持了不同测量环境下的互操作分析，并为多仪器光谱协调奠定了基础。

引言

由于拉曼光谱具有快速、无损且无需标记的分析能力，因此已被广泛应用于化学、药物分析和材料表征[1]、[2]、[3]、[4]。近年来，由于其便携性和操作简便性，手持式拉曼光谱仪在食品安全检测、药物筛查和现场分析等应用中受到了越来越多的关注[5]、[6]。然而，不同制造商的仪器之间存在系统性的差异——这些差异源于光学设计、组件规格、探测器响应和组装公差的变化——通常会导致峰值位置偏移、强度不一致性和分辨率波动[7]、[8]。这些跨仪器差异已在大规模的实验室间研究中得到证实。例如，郭等人报告称，即使在经过制造商的标准校准后，35台拉曼光谱仪之间仍然存在不可忽视的波数偏移和光谱轮廓变化[9]、[10]。在生物分析拉曼研究中也发现了类似的挑战，其中仪器间的响应差异被认为是限制光谱可比性的关键因素[11]。这些差异可能会因仪器批次效应和组装引起的变化而进一步加剧，导致在一个仪器上开发的模型在转移到另一个仪器上时表现不佳，从而限制了拉曼光谱技术的广泛应用。

为了缓解这些问题，拉曼光谱模型迁移方法受到了越来越多的关注。传统的直接标准化（DS）和分段直接标准化（PDS）方法已被广泛采用[12]、[13]、[14]、[15]，但这些方法通常基于线性或准线性假设，并且严重依赖于参数调整。因此，它们往往难以处理非线性峰值偏移和局部光谱失真，特别是在复杂的光谱区域或信噪比较低的情况下。

近年来，拉曼社区中出现了一类基于参考材料的标准化和互操作性策略，通常称为协调协议。例如，Fernández-álvarez等人提出的拉曼设备配对协议使用参考样品建立了不同仪器之间的强度响应关系，实现了强度协调并提高了仪器间的可比性[16]。在此基础上，后续研究将拉曼光谱协调扩展到了实际应用中，如防伪，强调了设备互操作性和协调强度在分布式感知和基于机器学习的分析中的作用[17]。此外，Lellinger等人研究了峰值调整和波长校准的不确定性，系统分析了峰值拟合策略、半高宽（FWHM）和参考材料对光谱一致性的影响，从而为跨仪器峰值对齐提供了协议级的基础[18]。然而，这些方法主要分别解决强度协调或峰值校准问题，因此不足以同时处理非线性峰值偏移、局部光谱失真和手持式与显微拉曼光谱之间的全局结构差异。因此，与这些基于协议的方法不同，本研究专注于基于标准材料的基于学习的全光谱跨仪器映射策略，旨在保留峰值位置和强度关系，以及局部光谱形态和全局结构完整性。

除了基于协议的方法外，还提出了一些针对拉曼光谱的标准化算法。例如，陈等人开发了一种基于自动峰值检测和洛伦兹拟合的方法[19]，然后通过多项式校正波数偏差来实现仪器间的峰值对齐。然而，这些方法严重依赖于可识别的特征峰值，对于具有密集峰值或低信噪比的光谱效果较差。另一种代表性的方法是RS-VPdtw（特定于拉曼的变量惩罚动态时间规整）[20]，它通过动态规划优化源光谱和目标光谱之间的变形路径来进行非线性对齐。尽管这种方法不需要参考材料，并且可以在数学意义上实现峰值匹配，但它本质上是一种成对光谱变形方法。其性能强烈依赖于选定的目标光谱，并且缺乏对光谱连续性、强度比和仪器响应特性的明确约束。因此，它可能在复杂的光谱区域或弱信号区域引入局部失真。因此，这些方法更适合单光谱标准化，而不是构建可重用的跨仪器映射函数。

随着深度学习的快速发展，基于神经网络的方法越来越多地应用于拉曼光谱分类、定量分析和领域适应，已在微生物鉴定、医学诊断和复杂系统分析等应用中取得了有希望的结果[21]、[22]、[23]、[24]。然而，大多数现有研究主要关注提高分类性能，而不是实现物理意义上的跨仪器光谱对齐。在实际场景中，跨仪器迁移不仅需要精确的峰值对齐，还需要保持局部光谱结构、强度关系和全局光谱连续性，而这些方面目前的方法尚未得到充分解决[25]、[26]。此外，许多方法依赖于基线校正和平滑等预处理技术[27]、[28]、[29]、[30]，这些技术可能会改变固有的光谱特征并引入额外的不确定性。深度学习模型还面临计算成本高、可解释性有限和泛化能力受限等挑战[31]、[32]。

跨仪器拉曼分析中的另一个关键问题是，观察到的光谱差异通常既源于仪器响应的变化，也源于真实的化学差异。样品条件、制备过程或浓度水平的变化可能导致峰值位置和强度的变化，这些变化不能完全归因于仪器[33]。在没有可靠参考的情况下，纯算法方法可能会将化学变化误解为仪器差异，从而影响校正的物理可靠性。相比之下，具有经过认证和可重复光谱特性的标准材料为跨仪器对齐提供了可靠的基准[34]、[35]。通过基于这些标准材料构建配对的光谱数据集，可以将仪器引起的变化与化学差异分离，从而建立更具物理意义的光谱映射关系，提高一致性和可解释性。

基于上述考虑，本研究提出了一种基于标准材料的分段拉曼光谱模型迁移框架。采用轻量级的卷积神经网络来实现从手持拉曼光谱到其显微对应光谱的非线性映射。通过使用三种标准材料构建配对的光谱数据，所提出的模型能够在不需要传统预处理（如基线校正）的情况下，同时优化波数对齐和光谱重建。与现有方法相比，该方法不仅单独解决了强度一致性或峰值对齐问题，还实现了峰值位置、局部光谱形态和全局光谱结构的同步保持，从而显著提高了不同仪器之间的光谱一致性。该框架建立了使用手持设备进行快速现场检测与高精度实验室分析之间的有效桥梁，为拉曼光谱中的跨仪器数据共享和模型互操作性提供了新的策略。

章节片段

方法

本研究提出了一种基于标准材料的分段拉曼光谱模型迁移方法，用于将手持拉曼光谱映射到显微拉曼参考光谱。使用三种标准材料——对乙酰氨基酚、环己烷和萘——构建了源域（手持拉曼）和目标域（显微拉曼）的数据集。输入的一维光谱首先被扩展维度，然后输入到波数对齐模块中，其中进行非线性校正

峰值对齐性能

为了评估所提出模型在峰值位置层面的跨仪器迁移性能，首先分析了六种代表性物质的峰值位置残差分布。峰值位置残差定义为迁移光谱中相应拉曼峰值位置与目标光谱中峰值位置之间的差异，是评估跨仪器波数对齐准确性的直接物理指标。

结论

本研究旨在解决由于仪器架构、光学设计和硬件配置差异导致的手持拉曼光谱与显微拉曼光谱之间的非线性差异。通过建立基于标准材料的光谱模型迁移框架，所提出的方法提高了仪器间拉曼光谱的一致性和可用性。使用标准材料作为桥梁参考，该方法结合了波数对齐和多尺度

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。

致谢

该项目得到了国家重点研发计划（编号：2022YFF0606702）、国家自然科学基金（资助编号：22174133和1210042018）的支持。此外，该工作还得到了NMPA POCT技术转化与质量控制重点实验室的的大力支持。