《Analytical Chemistry》：What Lies INSIDE: Chemometric Insights on the Penetration Depth of Near-Infrared Radiation in Spectral Imaging Configurations
编辑推荐：
了解近红外(NIR)辐射向物质内部的穿透深度对于解释(高)光谱成像(SI)数据至关重要，然而目前对穿透深度的系统性评估仍然有限。尽管NIR-SI传统上被视为表面分析技术，但次表层贡献可能影响光谱轮廓，对这一传统认知构成挑战。本研究采用3D打印制备的多层聚合物样
了解近红外(NIR)辐射向物质内部的穿透深度对于解释(高)光谱成像(SI)数据至关重要，然而目前对穿透深度的系统性评估仍然有限。尽管NIR-SI传统上被视为表面分析技术，但次表层贡献可能影响光谱轮廓，对这一传统认知构成挑战。本研究采用3D打印制备的多层聚合物样品，在受控SI装置中对NIR穿透行为进行了系统性定量研究。研究人员使用聚乳酸(PLA)和聚对苯二甲酸乙二醇酯-1,4-环己烷二甲醇酯(PETG)制成的层叠立方体和圆柱体，在两套独立的短波NIR-SI系统上进行分析。穿透行为通过整合的化学计量学工作流程进行评估，包括探索性分析〔主成分分析(PCA)〕、解混〔经典最小二乘(CLS)〕、有监督线性〔偏最小二乘(PLS)〕及非线性〔卷积神经网络(CNN)〕回归方法。结果表明NIR-SI可从次表层获取化学信息，有效穿透深度达约1 cm；穿透深度受材料组成、内部结构和照明条件强烈影响。PCA和CLS揭示了非线性衰减与散射现象，而回归模型成功从全样品高度范围内反演出次表层信息，CNN持续优于PLS，凸显非线性建模的重要性。本策略的稳健性源于使用专门设计的样品、两套独立仪器及多种互补化学计量学方法获得一致结果。总体而言，本研究挑战了NIR-SI仅限表面的传统观点，并为NIR穿透研究提供了可靠框架，支持发展深度分辨乃至层析NIR-SI方法。
本文解读论文"What Lies INSIDE: Chemometric Insights on the Penetrance Depth of Near-Infrared Radiation in Spectral Imaging Configurations"，发表于《Analytical Chemistry》。
研究背景与目的：传统上近红外光谱成像(Near-Infrared Spectral Imaging, NIR-SI)被视作表面分析技术，但实际采集的光谱可能含有次表层物质的贡献，而现有文献缺乏对NIR在SI配置下穿透深度的系统性定量研究，且多使用点测量光谱而非空间分辨的SI数据。为此，研究人员在INSIDE项目框架下开展研究，旨在定量阐明短波NIR辐射在受控SI配置中的穿透行为及其影响因素，为发展深度分辨三维NIR-SI层析奠定基础。
主要关键技术方法：研究人员使用Original Prusa i3MK3S+MMU3 3D打印机以100%填充密度制备21块1 cm边长层叠立方体（PLA与PETG逐层交替，步长0.5 mm）和4个1 cm高层叠圆柱体（步长2 mm，不同填充图案），分别以上层为PETG面向探测器(PETG-UP)和上层为PLA面向探测器(PLA-UP)两种方向采集。采用两台推扫式短波NIR-SI系统（Specim SWIR3与HySpex SWIR-384，光谱范围960–2500 nm，MCT探测器，卤钨灯45°照明），经白板暗板校正得反射率。数据经ROI掩膜分割后，依次实施：(1) 主成分分析(PCA)，采用Savitzky-Golay一阶导数+标准正态变量(SNV)预处理；(2) 经典最小二乘(Classical Least Squares, CLS)线性解混，以纯组分平均光谱为基准预测各层高度；(3) 偏最小二乘(Partial Least Squares, PLS)回归，留一水平交叉验证选潜变量数；(4) 卷积神经网络(Convolutional Neural Network, CNN)回归（三层卷积+三层全连接，ReLU激活，Adam优化器，MSE损失，70 epoch，学习率衰减因子γ=0.6，训练5次取外部测试集最优），分别在训练集、内测集（同一样本随机顺序重测）和外测集（圆柱体独立样本）上验证。
研究结果：
光谱分析(Spectral Analysis)：PLA与PETG在NIR区1100–1250 nm处C–H键二阶倍频吸收特征不同，PETG在~1400 nm有O–H/CH组合带。原始反射率随表层聚合物厚度呈总强度效应，经SNV处理后1100–1500 nm波段随表层高度连续变化至约5 mm，5–10 mm区间光谱重叠显著，表明NIR信号含次表层信息但随深度增加衰减。
PCA：Savitzky-Golay一阶导数+SNV预处理下PC1解释>90%方差且与两聚合物相对高度比例相关，呈非线性饱和趋势——PETG-UP在表层0–3 mm变化显著，3–6.5 mm减弱，>6.5 mm基本稳定；PLA-UP在0–6 mm变化显著，>6 mm趋稳。载荷在1100–1250 nm及1600–1700 nm（PLA甲基C–H一阶倍频肩峰）为高值，证实PC1捕获化学组成信息。外测集因填充图案不同出现额外噪声与轻微PC1得分偏移，说明内部结构影响散射与穿透。
CLS：以纯组分光谱解混得表层预测高度相对真值呈非线性偏离，PLA-UP组RMSE较PETG-UP低约0.6 mm，暗示NIR在PLA中穿透略深；PETG-UP在>7 mm明显低估表层厚度（信号饱和），PLA-UP在6–10 mm仍有微弱上升趋势。对数变换表层高度可部分线性化但无法完全消除非线性，证实穿透过程本身具非线性（含散射与长光程效应）。
回归(Regression)—PLS：PLA-UP模型在全范围(0–10 mm)保持线性趋势（RMSECV≈0.68 mm，5个潜变量LVs），PETG-UP在表层>7 mm现平台（RMSECV≈0.77 mm，6 LVs），VIP显示两构型敏感波段略有差异（PETG-UP约1350 nm权重较高，PLA-UP约1600–1700 nm略高）。内/外测集预测与交叉验证趋势一致，HySpex（更高照度灯）所得模型RMSE低于Specim，提示照明强度影响穿透表现。
回归(Regression)—CNN：非线性CNN模型消除了PETG-UP的高层平台效应，训练集两聚合物性能相当（RMSEC PLA-UP≈0.14 mm，PETG-UP≈0.18 mm），内测集预测良好（RMSEP≈0.16–0.24 mm），外测集因填充图案差异出现轻度欠估计与异方差性（RMSEPEXT≈0.50–1.04 mm），证明CNN可刻画深层非线性相互作用并从全1 cm厚度反演表层高度信息，说明NIR辐射可有效穿透至少1 cm并在合适非线性模型下被解译。
讨论与结论翻译：本研究通过建立综合化学计量学框架定量评估SI中NIR辐射穿透，结合PCA、CLS、PLS及CNN证明NIR-SI可从表层下方约1 cm的次表层获取化学信息；穿透深度强烈依赖于材料光学属性（化学组成、形貌、打印填充图案）与仪器参数（照明强度），非固定值；CNN模型揭示非线性穿透行为，补充了线性方法的局限。该框架表明NIR-SI光谱常含深于通常假设（有时超1 cm）的层贡献，实际应用需谨慎解译与光谱解混。未来需在更厚多组分样品上界定最终穿透边界并考察波长依赖性。本研究重新定义了NIR-SI不限于表面分析的传统认识，展现其发展为深度分辨分析及层析工具的潜力，所提出的非破坏性、材料特异性穿透分析框架可为质量控制、材料设计及多层体系无损检测提供新途径，推动下一代光谱成像方法学发展。
