Вышедшие номера
Home » Оптика и спектроскопия » Год 2026, выпуск 5 » Статья стр. 515
<<<>>>
Генерация синтетических спектров комбинационного рассеяния с использованием метода главных компонент
Ministry of Education and Science of the Russian Federation, FSMG-2025-0054
Прихожденко Е.С. 1
1Московский физико-технический институт (национальный исследовательский университет), Институт биофизики будущего, Лаборатория медицинского оборудования в области in vitro диагностики, Долгопрудный, Московская обл., Россия
Email: prikhozhdenko.es@mipt.ru
Поступила в редакцию: 21 ноября 2025 г.
В окончательной редакции: 17 декабря 2025 г.
Принята к печати: 17 декабря 2025 г.
Выставление онлайн: 8 июня 2026 г.
PDF версия
Предложен подход к генерации синтетических спектров комбинационного рассеяния с использованием метода главных компонент. В качестве исходных данных используются спектры комбинационного рассеяния, полученные для жировой ткани до и после воздействия липазы. Предлагаемые данные характеризуются схожестью спектров, поскольку исследуемые материалы обладают схожей химической структурой: жировая ткань представляет собой молекулы триглицеридов. После воздействия липазы образуется смесь из ди- и моноглицеридов, а также свободных жирных кислот. Предложенный в работе подход к генерации спектральных данных заключается в следующем: (1) применение метода главных компонент к набору реальных спектральных данных, (2) вычисление среднего значения и стандартного отклонения счетов выбранного количества главных компонент, (3) генерация нового набора счетов на основе среднего значения и стандартного отклонения, (4) генерация спектров по нагрузкам выбранного количества главных компонент и новому набору счетов. Для подтверждения схожести исходных и синтетических данных производилось обучение модели классификации на исходных данных с последующей оценкой точности на синтетических данных. Предложенный подход позволил синтезировать данные спектроскопии комбинационного рассеяния со средней точностью (90.6± 0.5)%. Ключевые слова:генерация спектров комбинационного рассеяния, метод главных компонент, машинное обучение, случайный лес.
  1. G. Pezzotti. J. Raman Spectrosc., 52, 2348.2443 (2021). DOI: 10.1002/jrs.6204
  2. D. Cialla-May, C. Krafft, P. Rösch, T. Deckert-Gaudig, T. Frosch, I.J. Jahn, S. Pahlow, C. Stiebing, T. Meyer-Zedler, T. Bocklitz, I. Schie, V. Deckert, J. Popp. Anal. Chem., 94, 86-119 (2022). DOI: 10.1021/acs.analchem.1c03235
  3. J.S. Prell, J.T. O.Brien, E.R. Williams. J. Am. Soc. Mass Spectr., 21, 800-809 (2010). DOI: 10.1016/j.jasms.2010.01.010
  4. L. Gao, R.T. Smith. J. Biophotonics, 8, 441-456 (2015). DOI: 10.1002/jbio.201400051
  5. A. Conlin, E. Martin, A. Morris. Chemom. Intell. Lab. Syst., 44, 161-173 (1998). DOI: 10.1016/S0169-7439(98)00071-9
  6. T. Mehmood, K.H. Liland, L. Snipen, S. S b. Chemom. Intell. Lab. Syst., 118, 62-69 (2012). DOI: 10.1016/j.chemolab.2012.07.010
  7. I. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, S. Ozair, A. Courville, Y. Bengio. Commun. ACM, 63, 139-144 (2020). DOI: 10.1145/3422622
  8. D. Papadopoulos, V.D. Karalis. Appl. Sci., 13, 8793 (2023). DOI: 10.3390/app13158793
  9. S. Yu, H. Li, X. Li, Y.V. Fu, F. Liu. Sci. Total Environ., 726, 138477 (2020). DOI: 10.1016/j.scitotenv.2020.138477
  10. Y. Du, D. Han, S. Liu, X. Sun, B. Ning, T. Han, J. Wang, Z. Gao. Talanta, 237, 122901 (2022). DOI: 10.1016/j.talanta.2021.122901
  11. A. Coccato, M.C. Caggiani. J. Raman Spectrosc., 55, 125-147 (2024). DOI: 10.1002/jrs.6621
  12. J.E. Guimar.es, R. Nadas, W. Zhang, T. Endo, K. Watanabe, T. Taniguchi, R. Saito, Y. Miyata, A. Jorio. Phys. St. Solidi, 2500291 (2025). DOI: 10.1002/pssb.202500291
  13. C. Huang, X. Xu, J. Fu, D.-G. Yu, Y. Liu. Polymers, 14, 3266 (2022). DOI: 10.3390/polym14163266
  14. N. Jin, Y. Song, R. Ma, J. Li, G. Li, D. Zhang. Anal. Chim. Acta, 1197, 339519 (2022). DOI: 10.1016/j.aca.2022.339519
  15. A. Massei, N. Falco, D. Fissore. Eur. J. Pharm. Biopharm., 200, 114342 (2024). DOI: 10.1016/j.ejpb.2024.114342
  16. D.R. Body. Prog. Lipid Res., 27, 39-60 (1988). DOI: 10.1016/0163-7827(88)90004-5
  17. U.M. Lankage, S.A. Holt, S. Bridge, B. Cornell, C.G. Cranfield. ACS Appl. Mater. Interfaces, 15 (45), 52237-52243 (2023). DOI: 10.1021/acsami.3c11767
  18. J. Xuan, Z. Wang, Q. Xia, T. Luo, Q. Mao, Q. Sun, Z. Han, Y. Liu, S. Wei, S. Liu. Foods, 11, 3664 (2022). DOI: 10.3390/foods11223664
  19. H. hai Wang, Q. Zhang, X. Yu, J. Liang, Y. Zhang, Y. Jiang, W. Su. Ind. Eng. Chem. Res., 62, 15733-15751 (2023). DOI: 10.1021/acs.iecr.3c02132
  20. F. Pedregosa, G. Varoquaux, A. Gramfort, V. Michel, B. Thirion, O. Grisel, M. Blondel, P. Prettenhofer, R. Weiss, V. Dubourg, J. Vanderplas, A. Passos, D. Cournapeau, M. Brucher, M. Perrot, E. Duchesnay. J. Mach. Learn. Res., 12, 2825-2830 (2011)
  21. L. Breiman/ Random Forests Mach. Learn., 45, 5-32 (2001). DOI: 10.1023/A:1010933404324
  22. I.Y. Yanina, Y.I. Svenskaya, E.S. Prikhozhdenko, D.N. Bratashov, M.V. Lomova, D.A. Gorin, G.B. Sukhorukov, V.V. Tuchin. J. Biophotonics, e201800058 (2018). DOI: 10.1002/jbio.201800058
  23. F. Gao, D. Ben-Amotz, S. Zhou, Z. Yang, L. Han, X. Liu. LWT, 134, 110105 (2020). DOI: 10.1016/j.lwt.2020.110105
  24. N.N. Yazgan Karacaglar, T. Bulat, I.H. Boyaci, A. Topcu. J. Food Drug Anal., 27, 101-110 (2019). DOI: 10.1016/j.jfda.2018.06.008
  25. M. Poth, G. Magill, A. Filgertshofer, O. Popp, T. Grob kopf. J. Raman Spectrosc., 53, 1580-1591 (2022). DOI: 10.1002/jrs.6402

Подсчитывается количество просмотров абстрактов ("html" на диаграммах) и полных версий статей ("pdf"). Просмотры с одинаковых IP-адресов засчитываются, если происходят с интервалом не менее 2-х часов.

Дата начала обработки статистических данных - 27 января 2016 г.

Учредители

Издатель

© 2026 Физико-технический институт им. А.Ф. Иоффе Российской академии наук
Powered by webapplicationthemes.com - High quality HTML Theme