論文の概要: Determination of Trace Organic Contaminant Concentration via Machine Classification of Surface-Enhanced Raman Spectra

• arxiv url: http://arxiv.org/abs/2402.00197v1
• Date: Wed, 31 Jan 2024 21:49:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-02 17:11:17.115274
• Title: Determination of Trace Organic Contaminant Concentration via Machine Classification of Surface-Enhanced Raman Spectra
• Title（参考訳）: 表面強化ラマンスペクトルの機械分類による微量有機汚染濃度の定量
• Authors: Vishnu Jayaprakash, Jae Bem You, Chiranjeevi Kanike, Jinfeng Liu, Christopher McCallum, and Xuehua Zhang
• Abstract要約: 機械学習を用いて,未処理のRamanデータから試料汚染物質の濃度を予測する手法を提案する。 標準的な機械学習モデルを用いて、サンプル汚染物質の濃度を、生のRamanデータから80%以上のクロスバリデーション精度で予測する。
• 参考スコア（独自算出の注目度）: 0.7029155133139362
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate detection and analysis of traces of persistent organic pollutants in water is important in many areas, including environmental monitoring and food quality control, due to their long environmental stability and potential bioaccumulation. While conventional analysis of organic pollutants requires expensive equipment, surface enhanced Raman spectroscopy (SERS) has demonstrated great potential for accurate detection of these contaminants. However, SERS analytical difficulties, such as spectral preprocessing, denoising, and substrate-based spectral variation, have hindered widespread use of the technique. Here, we demonstrate an approach for predicting the concentration of sample pollutants from messy, unprocessed Raman data using machine learning. Frequency domain transform methods, including the Fourier and Walsh Hadamard transforms, are applied to sets of Raman spectra of three model micropollutants in water (rhodamine 6G, chlorpyrifos, and triclosan), which are then used to train machine learning algorithms. Using standard machine learning models, the concentration of sample pollutants are predicted with more than 80 percent cross-validation accuracy from raw Raman data. cross-validation accuracy of 85 percent was achieved using deep learning for a moderately sized dataset (100 spectra), and 70 to 80 percent cross-validation accuracy was achieved even for very small datasets (50 spectra). Additionally, standard models were shown to accurately identify characteristic peaks via analysis of their importance scores. The approach shown here has the potential to be applied to facilitate accurate detection and analysis of persistent organic pollutants by surface-enhanced Raman spectroscopy.
• Abstract（参考訳）: 水に残留する有機汚染物質の痕跡の正確な検出と分析は、環境の安定性と生物蓄積の可能性から、環境モニタリングや食品品質管理など、多くの分野で重要である。 従来の有機汚染物質の分析には高価な装置が必要であるが、表面増強ラマン分光法(SERS)はこれらの汚染物質の正確な検出に大きな可能性を示している。 しかし、スペクトル前処理やデノナイジング、基板ベースのスペクトル変動といったSERS分析の難しさは、この技術の普及を妨げている。 本稿では,機械学習を用いて未処理のRamanデータから試料汚染物質の濃度を予測する手法を示す。 フーリエ変換やウォルシュ・アダマール変換を含む周波数領域変換法は、水中の3つのモデルマイクロ汚染物質のラマンスペクトル(ロドアミン6G、クロロピリフォス、トリクロサン)に応用され、機械学習アルゴリズムの訓練に使用される。 標準的な機械学習モデルを用いて、サンプル汚染物質の濃度を生のRamanデータから80%以上精度で予測する。 85パーセントのクロスバリデーション精度は、中程度のデータセット(100スペクトル)でディープラーニングを使用して達成され、非常に小さなデータセット(50スペクトル)でも70から80%のクロスバリデーション精度が達成された。 また,標準モデルでは,重要度の分析により特徴ピークを正確に識別できることが示されている。 ここで示すアプローチは、表面励起ラマン分光法による残留有機汚染物質の正確な検出と分析を容易にするために応用される可能性を持っている。

関連論文リスト

• Interpretable cancer cell detection with phonon microscopy using multi-task conditional neural networks for inter-batch calibration [39.759100498329275]
  本稿では,バッチ間キャリブレーションを同時に実現する条件付きニューラルネットワークフレームワークを提案する。 異なる実験バッチをトレーニングし、検証することで、我々のアプローチを検証する。 このモデルを拡張して, 診断信号の再構成を行い, 疾患状態を示す有能な特徴の物理的解釈を可能にした。
  論文  参考訳（メタデータ） (2024-03-26T12:20:10Z)
• Artificial Intelligence for reverse engineering: application to detergents using Raman spectroscopy [0.0]
  デジタルツールや分析技術の開発は、潜在的に有毒な分子の同定を可能にする。 各種デジタルツール(スペクトルデータベース,混合データベース,実験設計,ケモメトリックス/機械学習アルゴリズム)と異なるサンプル作成方法の組み合わせにより,混合成分の同定が可能となった。 この戦略は、製品や原料の制御、品質管理の目的でも適用できる。
  論文  参考訳（メタデータ） (2023-10-31T08:16:22Z)
• Robust retrieval of material chemical states in X-ray microspectroscopy [10.621361408885765]
  本稿では,X線顕微鏡のための新しいデータ定式化モデルを提案する。 我々のフレームワークは、複雑で不均一なサンプルの化学状態を、挑戦的な条件下であっても正確に識別し、特徴付けることができる。
  論文  参考訳（メタデータ） (2023-08-08T12:17:02Z)
• Spectral Analysis of Marine Debris in Simulated and Observed Sentinel-2/MSI Images using Unsupervised Classification [0.0]
  本研究では,Sentinel-2ミッションのMultispectral Instrument(MSI)と機械学習アルゴリズムを組み合わせたRTMシミュレーションデータを用いた。 その結果, 汚染物質のスペクトル挙動は, ポリマーの種類や画素被覆率などの影響を受けていることがわかった。 これらの知見は、海洋プラスチック汚染を検知するためのリモートセンシングアプリケーションにおける将来の研究を導くことができる。
  論文  参考訳（メタデータ） (2023-06-26T18:46:47Z)
• ChemVise: Maximizing Out-of-Distribution Chemical Detection with the Novel Application of Zero-Shot Learning [60.02503434201552]
  本研究は,簡単な学習セットから複雑な露光の学習近似を提案する。 合成センサ応答に対するこのアプローチは, 分布外の化学分析物の検出を驚くほど改善することを示した。
  論文  参考訳（メタデータ） (2023-02-09T20:19:57Z)
• Evaluation of the potential of Near Infrared Hyperspectral Imaging for monitoring the invasive brown marmorated stink bug [53.682955739083056]
  BMSB(Halyomorpha halys)は、数種の作物を害する世界的重要性の害虫である。 本研究は、BMSB検体を検出する技術として、NIR-HSI(Near Infrared Hyperspectral Imaging)を実験室レベルで予備評価する。
  論文  参考訳（メタデータ） (2023-01-19T11:37:20Z)
• Exploring Supervised Machine Learning for Multi-Phase Identification and Quantification from Powder X-Ray Diffraction Spectra [1.0660480034605242]
  粉体X線回折分析は材料特性評価法の重要な構成要素である。 深層学習は、X線スペクトルから結晶学パラメータと特徴を予測するための主要な焦点となっている。 ここでは,多ラベル結晶相同定のための深層学習の代わりに,従来の教師付き学習アルゴリズムに関心がある。
  論文  参考訳（メタデータ） (2022-11-16T00:36:13Z)
• Estimating the concentration of chiral media with bright squeezed light [77.34726150561087]
  キラル分析物の濃度を推定するためのガウスプローブの性能を定量的に評価する。 4倍精度向上は、最先端のスクイーズレベルと強度測定を用いて達成できる。
  論文  参考訳（メタデータ） (2022-08-21T17:18:10Z)
• Unsupervised Machine Learning for Exploratory Data Analysis of Exoplanet Transmission Spectra [68.8204255655161]
  我々は、通過する太陽系外惑星のスペクトルデータを解析するための教師なし手法に焦点をあてる。 スペクトルデータには、適切な低次元表現を要求する高い相関関係があることが示される。 主成分に基づく興味深い構造、すなわち、異なる化学状態に対応する明確に定義された分岐を明らかにする。
  論文  参考訳（メタデータ） (2022-01-07T22:26:33Z)
• Automated fragment identification for electron ionisation mass spectrometry: application to atmospheric measurements of halocarbons [0.0]
  非標的スクリーニングは、疑いまたは未知のすべての現在の物質のサンプルを検索することである。 このアプローチは10年以上前に水分析の分野で導入されたが、室内および大気中の微量ガスの測定には依然として不十分である。 GC-EI-HRMSによる未知化合物の自動同定を可能にするデータ解析ツールを提案する。
  論文  参考訳（メタデータ） (2021-03-23T09:35:10Z)
• Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
  本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。 その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
  論文  参考訳（メタデータ） (2021-02-02T09:34:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。