用于微塑料评估中受滤光片干扰的FTIR光谱重建的深度卷积自编码器

《Marine Pollution Bulletin》：Deep convolutional autoencoders for the spectral reconstruction of filter-interfered FTIR spectra in microplastic assessment

　　

•深度CAE框架可从受滤波器干扰的输入中重建高保真光谱。
•该框架已在22种微塑料类型和三种常见滤膜基材上进行了验证。
•使用六种最先进的深度CNN对编码器进行了基准测试。
•Xception-CAE在极端-30 dB信干比（SIR）水平下实现了0.9403的皮尔逊相关系数。
•重建的FTIR光谱可直接改善下游识别效果。

引言

塑料材料的广泛使用引发了普遍且持久的环境危机——微塑料污染（Luo等，2025；Obeng等，2025；Ashokkumar等，2025；Nguyen等，2026；Roy等，2026）。微塑料被定义为小于五毫米的塑料碎片，这些颗粒已渗透到地球上几乎每一个生态系统，从深海沉积物和陆地土壤到大气的各个层面（Zheng等，2025；Li和Meng，2025；Ho等，2025；Thapa等，2026）。特别值得关注的是微塑料在水环境中的积累，包括海洋、河流和饮用水源（Dar等，2025；Khu等，2025；Solayman等，2026），它们对生态完整性构成重大风险并进入食物链（Jangid等，2025；Venkatachalam等，2025；Hamed等，2026）。随着对这些污染物毒理学影响的担忧日益加剧，亟需建立稳健、准确且可扩展的监测方法，以识别微塑料类型、评估污染来源并为制定有效的缓解策略提供依据（Jolaosho等，2025；Yu等，2025；Huang等，2025）。

在现有的分析技术中，傅里叶变换红外（FTIR）光谱法已成为微塑料化学鉴定的核心方法（Kumar等，2024；Vasudeva等，2025；Zhang等，2025）。通过测量特定波数范围内红外辐射的吸收情况，FTIR光谱法可生成独特的光谱特征，作为特定微塑料的分子指纹。传统分析方法涉及将所获取的光谱与参考库进行比较，以基于特征吸收峰确定塑料类型（Renner等，2019）。该技术能够精确区分成分，这对于来源追踪和风险评估至关重要。

尽管FTIR光谱法具有强大的分析能力，但将其应用于水样中的微塑料分析时，却受到与样品制备相关的技术难题的阻碍。分析水样的标准步骤之一是过滤，该步骤将微塑料浓缩在膜过滤器上，膜过滤器作为后续光谱测量的基材。然而，滤膜材料本身会与红外光束相互作用，产生独特的光谱特征。这导致产生受滤膜干扰的光谱，该光谱是目标微塑料光谱与滤膜基材光谱的复杂叠加（Buaruk等，2024；Thar等，2025）。这种干扰引入了显著的光谱失真，特别是在滤膜吸收带与目标微塑料特征带发生重叠时。当分析小型微塑料时，问题尤为严重，因为小型微塑料产生的固有吸收光谱较弱，很容易被底层滤膜材料的强光谱特征所淹没。在这些条件下，传统依赖视觉判读或标准库搜索算法的分析流程往往无法有效分离混合光谱，导致误识别（Buaruk等，2024；Thar等，2025）。因此，从受滤膜干扰的光谱中可靠地重建高保真光谱，仍然是自动微塑料监测中的一个重大障碍。

近年来，深度学习框架越来越多地被应用于光谱增强。最初为计算机视觉而设计的架构，如自编码器（AEs）（Chen和Guo，2023；Mienye和Swart，2025）、卷积自编码器（CAEs）（Mienye和Swart，2025）和U-Net（Jiangtao等，2025），通常从二维（2D）图像处理领域迁移并适应到一维（1D）光谱向量处理。在光谱分析流程中，这些模型被广泛用作预处理步骤，以重建清洁的光谱轮廓。例如，Wahl等（2020）提出了一种18层的卷积神经网络（CNN）框架用于单步拉曼预处理，证明深度架构能够比传统多元方法更有效地同时去除基线漂移、宇宙射线干扰和噪声。在微塑料分析的特定领域中，Brandt等（2021）成功实施了自编码器来重建高保真度的FTIR和拉曼光谱，通过抑制仪器伪影，与标准平滑滤波器相比显著提高了光谱相关性。为增强计算效率并实现信号增强的自动化，Fan等（2021）引入了CAEs，这些CAEs利用局部空间处理来改善拉曼光谱中的信噪比（SNR），而无需手动参数调整。这一方法随后由Han等（2024）进一步完善，他们开发了一种统一解决方案，采用专门的CAE模块进行同步去噪和基线校正，特别关注关键吸收峰强度的保留。最近，Kane等（2025）利用ResUNet和1D CNN架构从低扫描次数的采集数据中重建高质量FTIR光谱，有效克服了长时间测量的瓶颈，并证明了基于1D CNN的残差网络在临床应用中的优越性。

尽管深度学习在光谱学领域取得了显著进展，仍存在两个研究空白。首先，虽然已有大量关于一般噪声去除（例如高斯噪声）的研究文献（Wahl等，2020；Brandt等，2021；Fan等，2021；Han等，2024；Kane等，2025），但专门针对从受滤膜干扰的光谱中重建高保真光谱的研究却寥寥无几。这是与去除随机噪声截然不同的挑战，因为滤膜干扰并非随机的，而是由独特的、重叠的光谱特征组成，需要通过光谱去除而非简单平滑来解决。其次，基于CAEs的现有方法主要采用浅层编码器架构（Wahl等，2020；Fan等，2021；Han等，2024），通常仅由少数几个卷积层组成。虽然通过使用空间处理在计算效率方面具有优势，但这些浅层编码器具有有限的感受野和受限的表征能力。FTIR光谱是一个高维数据向量（通常包含超过1000个数据点），官能团区域与指纹区域之间存在复杂的非局部相关性。浅层编码器造成了严重的信息瓶颈，可能无法捕捉区分微塑料特征与复杂滤膜干扰所需的细微形态特征。

为了解决这些局限性，本研究提出了一种新的框架，利用深度CAE对受滤膜干扰的FTIR光谱进行高保真光谱重建。增强编码器的深度和架构复杂度对于捕捉有效光谱重建所需的复杂特征层次至关重要。因此，我们研究并适应了六种最先进的CNN架构的特征提取模块，包括VGG16（Simonyan和Zisserman，2014）、Inception（Szegedy等，2015）、ResNet50（He等，2015）、Inception-ResNet（Szegedy等，2016）、Xception（Chollet，2016）和MobileNets（Howard等，2017），将其作为光谱重建的深度编码器。通过利用这些先进架构——最初在复杂的计算机视觉任务中得到验证——我们旨在提高重建质量，特别是在小型微塑料颗粒典型的低信干比（SIR）场景下。本研究的主要贡献总结如下：

（1）与主要处理随机仪器噪声的先前提研究不同，本工作建立了一个专门设计的计算框架，用于从严重受膜滤基材干扰的数据中重建高保真光谱。我们使用包含22种不同微塑料类型、跨越三种不同膜滤基材的数据集来评估该方法，该数据集引入了显著的结构复杂性和重建挑战。

（2）我们提出并系统评估了六种深度CAE，这些CAE集成了先进的CNN架构作为1D编码器。这些深度架构具备必要的表征能力来分离重叠的光谱轮廓。在皮尔逊相关系数方面，它们优于传统的浅层CAE基线。

（3）通过对六种深度CAE变体的性能比较，我们确定了1D光谱重建的最高性能结构范式。这些发现确定了能够最大化特征提取效率的特定架构机制，从而可以为未来优化的高级光谱分析深度网络设计提供指导。

（4）我们通过实验证明，通过所提出的深度CAE框架进行光谱重建可以显著恢复下游微塑料识别准确率。这一验证确认了该方法有效地恢复了关键诊断特征。因此，即使在极端基材干扰下，也能实现可靠的自动分类。

方法论

本研究引入了一种深度学习框架，旨在从受滤膜干扰的光谱中重建高保真度的微塑料光谱。我们提出了一种深度CAE架构，该架构集成了最先进的CNN作为其编码器。该架构的目标是提供优越的特征提取能力，从而比具有浅层编码器的传统CAE实现更准确的去噪性能。整体方法论包括多个阶段，包括数据采集和数据……

高保真FTIR光谱的特征化：分析基线

为了建立评估重建性能的分析基线，我们首先对高保真度的真实FTIR光谱进行了特征化分析。这一初步分析的目的是证明，在没有干扰的情况下，22种微塑料类型在光谱上是可区分的，因而容易识别。如图2所示，22种微塑料类型的参考光谱各自展现出独特的分子指纹，由一系列特征谱带所定义。

结论

本研究通过提出一种深度CAE框架，解决了微塑料分析中基材干扰这一关键挑战，该框架旨在从受滤膜基材扭曲的输入中重建高保真FTIR光谱。在-30 dB极端信干比下的比较分析揭示了一个清晰的表现等级，其中表现最优的前三种——Xception-CAE、Inception-CAE和Inception-ResNet-CAE——相对于基线浅层CAE表现出显著的性能优势。因此……

CRediT作者贡献声明

Seksan Laitrakun：撰写——审阅与编辑，撰写——初稿，验证，监督，软件，资源，项目管理，方法论，调查，资金获取，形式分析，概念化。
Nuttapat Limanond：撰写——审阅与编辑，撰写——初稿，验证，软件，方法论，调查。
Jarawee Saengkaewsuk：撰写——审阅与编辑，验证，软件，方法论，调查。
Pavinee Pipatanagovit：撰写——审阅与编辑，形式分析……

生成式AI和AI辅助技术在写作过程中的使用

在本研究的准备过程中，作者使用了Google的Gemini以改善手稿的可读性和语言表达。此外，Google的Gemini还被用于提供关于行文流畅性和呈现方式的反馈。在使用该工具/服务后，作者对内容进行了审阅和编辑，并对已发表文章的内容承担全部责任。

资金

作者衷心感谢通过泰国农业大学提供的泰国科学与创新基础研究基金（Thailand Science Research and Innovation Fundamental Fund）的科研资助。

利益冲突声明

作者声明以下可能存在潜在利益冲突的财务利益/个人关系：Seksan Laitrakun报告称，行政支持、文章出版费用、设备、药品或耗材、统计分析、差旅以及写作协助均由通过泰国农业大学提供的泰国科学与创新基础研究基金提供。Pattara Somnuake报告称，行政支持、文章出版费用、设备……

作者名单

Seksan Laitrakun | Nuttapat Limanond | Jarawee Saengkaewsuk | Pavinee Pipatanagovit | Pattara Somnuake | Pakorn Opaprakasit | Anas Langu | Peetipat Sakontarat | Chatchanan Khamtonwong | Puntawat Rattananuntakorn