Вступ і актуальність
Інфрачервона спектроскопія з перетворенням Фур’є (FT-IR), особливо у формі ослабленого повного відбиття (ATR), стала незамінною в хімічному аналізі судової медицини, біомедичних та харчових наук через її швидкість, мінімальну підготовку зразків і неруйнівний відбір проб. Однак спектри, які він виробляє, часто переповнені шумом, зсувами базової лінії та ефектами розсіювання, які приховують важливу хімічну інформацію. Як наголошують у своєму огляді Лоонг Чуен Лі, Чонг-Єун Ліонг і Абдул Азіз Джемейн з Університету Кебангсан Малайзії (1), нехтування належною попередньою обробкою даних може підірвати навіть найскладніші хемометричні моделі. Ця стаття міні-підручника підсумовує їхні висновки та розкриває практичні стратегії попередньої обробки, які покращують спектральну якість і аналітичні результати.
Основний зміст навчального посібника
Принципи: Чому попередня обробка даних важлива
У дослідженні 2017 року Лі, Ліонга та Джемейна (1) висвітлюється попередня обробка даних (DP) як критично важливий, але часто недооцінений перший крок у хемометричному робочому процесі. Спектри FT-IR ATR — це масиви даних великої розмірності, що містять як інформативні, так і неінформативні сигнали. Без належного DP алгоритми моделювання, такі як аналіз головних компонентів (PCA) або часткові найменші квадрати (PLS), можуть неправильно інтерпретувати нерелевантні варіації, такі як дрейфи базової лінії або розсіювання, як хімічну інформацію.
Належна попередня обробка мінімізує систематичний шум і мінливість, спричинену зразком, що дозволяє виділяти справжні молекулярні характеристики. Як підтверджено нещодавніми дослідженнями FT-IR щодо автентифікації меду (2) та біомедичного аналізу (3), попередня обробка гарантує, що спектральні дані відображають справжні відмінності в складі, а не артефакти від представлення зразка або дрейфу інструменту.
Як це працює на практиці
У спектроскопії FT-IR ATR інфрачервоне світло взаємодіє з поверхнею зразка через повне внутрішнє відбиття, створюючи спектр, характерний для його молекулярного складу. Однак, як зазначають Лі та його колеги (1), кілька факторів, таких як гетерогенність зразка, розмір частинок, шорсткість поверхні та стабільність приладу, можуть спотворювати сигнали абсорбції.
Загальні спектральні спотворення включають:
- Базові варіації (зміщення, нахили або кривизна)
- Спектральний шум (через розсіювання, варіацію зразка, оптичне вирівнювання, кристалічне забруднення ATR, CO2вологість або нестабільність детектора)
- Варіація інтенсивності (спричинене різним представленням вибірки або довжиною шляху)
- Спектральне перекриття (між аналітом і фоновими компонентами, особливо в складних сумішах).
Щоб пом’якшити ці проблеми, спектроскопісти використовують комбінацію етапів попередньої обробки:
- Нормалізація налаштовує всі спектри на загальну шкалу інтенсивності, компенсуючи відмінності в кількості зразків (довжина шляху). Загальні підходи включають ділення на найінтенсивніший пік або загальну площу поглинання.
- Корекція розсіювання (SC) методи, такі як стандартна нормальна варіація (SNV) і корекція мультиплікативного розсіювання (MSC), коректне мультиплікативне масштабування та фонові ефекти через варіації розміру частинок або розсіювання світла.
- Центрування та масштабування стандартизувати середнє значення та дисперсію кожної змінної (хвильового числа). Середнє центрування (MC) зміщує середнє поглинання до нуля, сприяючи більш чіткій інтерпретації PCA; автомасштабування коригує як середнє, так і дисперсію, гарантуючи, що змінні однаково впливають на модель.
- Корекція базової лінії (BC) усуває фонові дрейфи, спричинені ефектами відбиття та заломлення, властивими оптиці ATR. Часто використовуються алгоритми поліноміальної підгонки або «гумової стрічки».
- Похідні інструменти (Drv)особливо першого та другого порядку, додатково усувають базові ефекти та підвищують спектральну роздільну здатність шляхом поділу піків, що перекриваються.
При систематичному застосуванні ці перетворення перетворюють необроблені спектри ATR у стабільні набори даних, які можна інтерпретувати, придатні для багатовимірного аналізу.
Приклади застосування та методу
Лі та його співробітники (1) ілюструють ці ефекти попередньої обробки за допомогою судово-медичного аналізу чорнила, де спектри FT-IR ATR чорнила на паперових підкладках оцінюються для виявлення підробки. Неруйнівний характер техніки зберігає цілісність доказів, але спектральні перешкоди від паперу ускладнюють інтерпретацію. Нормалізація та корекція базової лінії значно покращують дискримінаційну силу між зразками чорнила, виявляючи тонкі варіації композиції, інакше приховані фоновим шумом.
Подібним чином Tsagkaris і його співробітники (2) продемонстрували, як попередня обробка впливає на класифікацію меду за ботанічним походженням, використовуючи спектри FT-IR. Їхнє дослідження порівняло кілька комбінацій попередньої обробки та виявило, що конкретні конвеєри, такі як SNV з наступним перетворенням другої похідної, оптимізували точність моделі.
У біомедичних застосуваннях Magalhães і його співробітники (3) підкреслили, що попередня обробка є необхідною для вирішення перекриваються біохімічних сигналів у складних тканинах або біорідинах. Вони зазначили, що непослідовна попередня обробка в дослідженнях часто призводить до невідтворюваності та неправильної інтерпретації діагностичних моделей.
Ці приклади пояснюють універсальність проблем DP у різних додатках і галузях, від судової експертизи до харчових і біомедичних наук, а також необхідність емпіричного пристосування стратегій попередньої обробки до конкретних характеристик даних.
Поради та поширені підводні камені
Лі та його колеги (1) виявили кілька прогалин у знаннях і поширених помилок у практиці попередньої обробки FT-IR ATR:
- Надмірна залежність від умов за замовчуванням: Багато користувачів використовують стандартні методи попередньої обробки (наприклад, автомасштабування, SNV), не перевіряючи їх придатність для певного набору даних.
- Повністю нехтуючи попередньою обробкою: Деякі якісні дослідження пропускають DP через хибне припущення, що візуальної спектральної інтерпретації достатньо, що призводить до ненадійних висновків.
- Відсутність інструментів оцінки: Існує кілька стандартизованих показників для оцінки ефективності попередньої обробки. Часто використовується візуальний огляд або кластеризація PCA, але обидва вони суб’єктивні.
- Ігнорування розмірності даних: Спектральні дані великої розмірності вимагають попередньої обробки, яка врівноважує збереження сигналу зі зменшенням шуму, зазначаючи, що надмірне згладжування або застосування похідних обробок (диференціювання) може приховати відповідні функції.
Щоб уникнути цих пасток, користувачі повинні:
- Порівняйте кілька конвеєрів попередньої обробки, використовуючи показники продуктивності моделі (наприклад, RMSE, точність).
- Зберігайте необроблені дані для відстеження.
- Застосуйте знання предметної області, такі як відомі смуги поглинання та знання інтерпретаційної спектроскопії, щоб переконатися, що попередня обробка не спотворила хімічно значущі області.
- Документуйте кожен етап попередньої обробки для відтворюваності та узгодженості робочого процесу.
Висновки та практичні висновки
Попередня обробка даних є сполучною ланкою між отриманням необроблених спектрів і значущим хемометричним моделюванням. Огляд Лі, Ліонга та Джемейна (1) служить важливим нагадуванням про те, що попередня обробка не є ні необов’язковою, ні тривіальною. У спектроскопії FT-IR ATR, де тонкі нахили базової лінії або ефекти розсіювання можуть ввести в оману моделі класифікації, ретельно підібрана попередня обробка перетворює необроблені дані в характеристики, які можна хімічно інтерпретувати.
Найкраща практика передбачає тестування комбінацій нормалізації, корекції розсіювання та базових або похідних методів, оцінюючи кожен з них на точність і відтворюваність. Нові програми, від автентифікації меду (2) до біомедичної діагностики (3), демонструють, що правильна стратегія попередньої обробки може значно підвищити спектральну дискримінацію та надійність моделі.
Майбутня робота має бути зосереджена на розробці стандартизованих показників оцінювання та автоматизованих інструментів для керування оптимальним вибором DP. Як роблять висновок автори, цій галузі все ще бракує єдиної «стратегії практики ДП». Усунення цієї прогалини забезпечить повну реалізацію потенціалу спектроскопії FT-IR ATR як надійного, високопродуктивного аналітичного інструменту в різних дисциплінах.
Список літератури
(1) Лі, Л.С.; Ліонг, CY; Джемейн, А.А. Сучасний огляд практичної стратегії попередньої обробки даних (DP) у спектрі FT-IR ATR. Chemom. Intell. Лабораторія. сист. 2017 рік, 16364–75. DOI:
(2) Цагкаріс, А.С.; Бечинська, К.; Нтакулас, Д.Д.; Пасіас, IN; Веллер, П.; Proestos, C.; Hajslova, J. Дослідження впливу попередньої обробки спектральних даних для оцінки ботанічного походження меду за допомогою інфрачервоної спектроскопії з перетворенням Фур’є (FT-IR). J. Food Compos. анальний 2023 рік, 119105276. DOI:
(3) Magalhães, S.; Гудфеллоу, BJ; Nunes, A. FT-IR спектроскопія в біомедичних дослідженнях: як максимально використати її потенціал. апл. Spectrosc. Рев. 2021 рік, 56 (8–10), 869–907. DOI: