《Spectrochimica Acta Part B: Atomic Spectroscopy》：Classification of forensic human skeletal remains from handheld laser-induced breakdown spectroscopy data – The EMSLIBS 2025 data challenge
编辑推荐：
激光诱导击穿光谱（LIBS）是一种快速、准无损的原子发射技术，适用于几乎所有类型材料的元素分析。本研究首次组织了以法医学为背景的LIBS基准测试——EMSLIBS 2025数据挑战赛，旨在评估利用手持式LIBS光谱对六名捐赠者的人体骨骼遗骸进行个体再关联的能力
激光诱导击穿光谱（LIBS）是一种快速、准无损的原子发射技术，适用于几乎所有类型材料的元素分析。本研究首次组织了以法医学为背景的LIBS基准测试——EMSLIBS 2025数据挑战赛，旨在评估利用手持式LIBS光谱对六名捐赠者的人体骨骼遗骸进行个体再关联的能力。该挑战赛采用开放式盲测设计，参赛者仅获得原始光谱数据及其数字类别标签，未被告知样本性质与采集背景。数据集经过严格的骨骼级（bone-wise）无泄漏划分：训练集包含582条光谱，测试集包含510条光谱，且同一骨骼的全部光谱仅归属于训练集或测试集之一。18支参赛队伍中，最佳方案在无泄漏、骨骼级测试集上达到了92%的分类准确率。研究揭示，骨骼级划分暴露了隐藏的数据泄漏问题——在光谱级随机划分下准确率可达95%，而在未见骨骼上则降至75%。参赛方案的分析表明，结构感知的预处理策略比分类器本身的复杂程度更为关键。本研究为手持式LIBS在法医人类学中的应用提供了严谨的基准评估框架，并强调了分组划分在避免信息泄漏中的重要性。
论文解读文章
一、研究背景与问题
激光诱导击穿光谱（Laser-Induced Breakdown Spectroscopy, LIBS）是一种快速、准非破坏性的原子发射光谱分析技术，通过聚焦激光脉冲烧蚀微量样品产生微等离子体，对其冷却过程中发射的光进行光谱分辨，从而揭示目标的元素指纹特征。由于LIBS能够检测X射线荧光难以触及的轻元素（H、C、N、O），可同时捕获骨骼中钙羟基磷灰石矿物基质与有机胶原蛋白组分的综合信号，因此在法医学和人类学领域对硬生物组织的分析引起了广泛关注。
在法医人类学实践中，混合骨骼遗骸的再关联——即将混杂在一起的骨骼重新归属到其所属个体——是一个反复出现且极具挑战性的问题，尤其在群体性灾难事件中尤为突出。传统方法依赖形态学鉴定和DNA分析，而元素分析提供了一条互补的技术路线。手持式LIBS因其快速、可现场部署且仅造成视觉上非破坏性损伤的特点，成为极具吸引力的候选方案。已有研究表明，LIBS结合监督分类方法可用于个体水平的骨骼遗骸再关联，例如Kuehn等人利用手持式LIBS分析仪对六名有档案记录的捐赠者的多块骨骼进行光谱采集，通过主成分分析降维结合二次判别分析，实现了约91%的个体再关联准确率。
然而，现有研究存在一个关键的方法论缺陷：训练集与测试集的划分通常采用光谱级随机分割方式，导致同一骨骼采集的光谱可能同时出现在训练集和测试集中。由于同一骨骼的不同解剖位置光谱共享骨骼特异性的局部特征（如表面密度、微观形貌和该次测量的精确烧蚀条件），模型可能通过记忆骨骼特征而非恢复个体潜在的元素签名来获得虚高的表观准确率，即存在信息泄漏问题。这种泄漏使得模型的真实泛化能力被严重高估，无法反映法医实际工作中面对"全新骨骼"时的分类表现。
二、研究内容与意义
为解决上述问题，研究人员以EMSLIBS 2025会议为平台组织了公开的盲测数据挑战赛。该挑战赛的核心创新在于对原始数据集进行了骨骼级（bone-wise）重新划分：同一骨骼的全部光谱被完全分配到训练集或测试集之一，从而构建了一个严格无泄漏的基准测试。训练集包含582条带标签光谱，测试集包含510条来自训练阶段完全未见骨骼的光谱。挑战赛采用盲测设计，参赛者仅获得原始光谱和数字类别标签（1至6），未被告知样本为人体骨骼遗骸、六类对应六名个体，也未获得任何采集条件信息。这种设计使所有参赛者处于完全平等的起点，最终排名仅反映数据处理和机器学习策略的质量，而非对骨骼化学或LIBS光谱学的既有熟悉度。
该研究的重要意义在于：第一，建立了首个法医LIBS基准测试，为社区提供了可比较的标准化评估框架；第二，通过骨骼级划分揭示了光谱级随机划分导致的信息泄漏问题，量化了泄漏对准确率估计的影响（95%降至75%）；第三，数据集以开放形式发布在Zenodo平台，为后续研究提供了公共基准资源。
三、主要技术方法
研究人员采用的核心技术方法包括：光谱预处理方面，各参赛团队采用了不同的归一化策略，如Team #1的双阶段归一化（平方根变换加L2归一化）、Team #3的全面积归一化，而Team #2则刻意避免归一化以保留强度轴信息；特征选择方面，使用了LASSO正则化（Least Absolute Shrinkage and Selection Operator）和基于发射线识别的手工特征提取；分类模型方面，涉及一维卷积神经网络（1D-CNN）、多层感知机（MLP）和二次判别分析（QDA）等；验证策略方面，Team #2创新性地提出了基于强度尾部的高强度留出内部验证方案，以模拟训练-测试分布偏移。样本来源为南佛罗里达大学捐赠骨骼收藏的六具成人骨骼（三男三女，平均死亡年龄71±5岁），使用SciAps Z-300手持式LIBS分析仪采集，每张光谱包含23,431个波长通道，覆盖190–961 nm光谱范围。
四、研究结果
4.1 基线评估结果。 研究人员将Kuehn等人的原始方法（Ca I 443.5 nm线归一化、PCA降维、QDA分类）在严格无泄漏的骨骼级划分上重新评估，作为挑战赛的直接可比基线。结果显示，在光谱级随机划分下原始方法准确率为91%，但在骨骼级划分下准确率显著下降，印证了信息泄漏的存在。
4.2 参赛方案结果。 18支参赛队伍中，最佳方案在510条无泄漏测试光谱上达到92%的分类准确率。五支最佳队伍的方法各具特色：Team #1采用LASSO特征选择结合1D-CNN架构，通过双阶段归一化处理光谱强度波动；Team #2提出强度条件化的半合成数据增强策略，利用最大光谱强度作为采集强度代理变量，通过岭多项式回归生成外推光谱并注入最近邻残差，配合全光谱MLP分类器；Team #3基于发射线识别和峰强度比构建特征集，结合相关性筛选去除冗余特征。
4.3 关键发现。 研究结果揭示了一个重要现象：骨骼级划分导致训练集与测试集的强度分布不一致——测试光谱延伸到比大部分校准光谱更高的强度区域。这一差异并非人为设计，而是骨骼级划分的直接后果，因为LIBS信号强度很大程度上是骨骼元素的属性而非个体属性。参赛方案的分析表明，结构感知的预处理策略（如识别并适应强度分布偏移）比分类器本身的复杂程度更为关键，这一发现对便携式LIBS数据处理实践具有重要指导意义。
五、讨论与结论
讨论部分指出，骨骼级划分暴露了光谱级随机划分中隐藏的泄漏问题：当模型在训练阶段见过同一骨骼的光谱时，可以通过记忆骨骼特异性特征获得虚高的准确率；而在面对全新骨骼时，真实泛化性能大幅下降。这一发现对化学计量学领域的验证实践具有警示意义，强调了分组划分（grouped partition）在避免信息泄漏中的必要性。同时，研究也承认该基准测试存在局限性：它未再现真实混合遗骸组合中的埋藏学异质性，实际法医案件中骨骼元素可能经历显著不同的死后变化轨迹。
研究结论认为，该挑战赛成功建立了法医LIBS分类的严格基准，证明了在无泄漏条件下手持式LIBS结合机器学习方法能够以较高准确率实现骨骼遗骸的个体再关联，同时揭示了数据划分策略对模型评估结果的决定性影响。研究建议，在类似的高维光谱分类任务中，应优先考虑结构感知的预处理和验证策略，而非单纯追求分类器架构的复杂化。
