尿液中常見毒品微量檢測的表面增強(qiáng)拉曼光譜識別

王磊+郭淑霞+戴吟臻+楊良保+劉國坤

摘 要 通過將自適應(yīng)平滑濾波器和結(jié)合小波變換的支持向量機(jī)（Support vector machine， SVM）分類器有機(jī)組合，建立了低信噪比拉曼光譜的模式識別方法。首先，通過自適應(yīng)平滑濾波器進(jìn)行光譜去噪，濾波窗口寬度根據(jù)信噪比估計值進(jìn)行調(diào)整，從而在保證特征峰信號強(qiáng)度的同時達(dá)到更好的噪聲濾波效果;其次，由小波變換實現(xiàn)光譜數(shù)據(jù)降維，通過小波分解層數(shù)優(yōu)化可以獲得訓(xùn)練集的最佳分類準(zhǔn)確率;最后，由SVM進(jìn)行分類，通過交叉驗證（Cross validation， CV）實現(xiàn)SVM參數(shù)尋優(yōu)，并根據(jù)交叉驗證與分類器之間的準(zhǔn)確率關(guān)系，得出分類器可用參數(shù)需滿足的條件?；诒砻嬖鰪?qiáng)拉曼光譜技術(shù)，本方法實現(xiàn)了人體尿液中甲基苯丙胺（Methamphetamine，MAMP）和亞甲基二氧基甲基苯丙胺（3，4-Methylenedio-xymethamphetamine， MDMA）的定性微量分析。實驗使用中國科學(xué)院合肥智能機(jī)械研究所研發(fā)的金納米棒拉曼光譜增強(qiáng)基底，由DeltaNu公司的Inspector型便攜拉曼光譜儀采集光譜，激發(fā)光波長785 nm，曝光時間為5 s， 整體檢測準(zhǔn)確率高于95.0%。

關(guān)鍵詞 拉曼光譜; 濾波; 小波變換; 支持向量機(jī)

1 引 言

目前，體內(nèi)常見毒品及其代謝物的主要分析方法有免疫分析法、光譜法、色譜法以及各種聯(lián)用技術(shù)。高效液相色譜（High performance liquid chromatography， HPLC）與氣相-色譜質(zhì)譜聯(lián)用（Gas chromatograph-mass spectrometer， GC/MS）技術(shù)均得到廣泛應(yīng)用[1～3]，這些檢測方法均需要處理樣品， 檢測費時， 設(shè)備昂貴， 對操作人員技術(shù)要求高。拉曼光譜檢測技術(shù)無需對樣品預(yù)處理， 成本低， 檢測周期短， 可用于現(xiàn)場檢測，已成為毒品快速檢測的重要武器^[4，5]。

以尿液進(jìn)行毒品檢測取樣方便。甲基苯丙胺（Methamphetamine， MAMP）在人體內(nèi)大約有45%仍以原體形式存在^[2];在尿液中MDMA藥物原體的檢出時限達(dá)藥后5天^[1]。本研究在正常人體尿液中定量加入被檢測毒品，模擬吸毒人體的尿液樣本，并結(jié)合表面增強(qiáng)拉曼光譜技術(shù)，實現(xiàn)尿液中MAMP和MDMA的微量定性分析。

由于尿液成分復(fù)雜，待檢樣品含量低，獲取的拉曼光譜信噪比低，被檢物質(zhì)的特征峰容易被背景信號淹沒，為光譜分類帶來困難。結(jié)合化學(xué)計量學(xué)方法，構(gòu)建適合的最優(yōu)分類器，有望實現(xiàn)類間差異微小的光譜有效分類，例如，文獻(xiàn)[6～8]均通過化學(xué)計量學(xué)方法完成了類間差異很小的光譜的分類任務(wù)，分類準(zhǔn)確率高于88.4%。為此，本研究提出了自適應(yīng)濾波法，以及結(jié)合小波變換的支持向量機(jī)分類器，從而實現(xiàn)尿液中MAMP和MDMA檢測的表面增強(qiáng)拉曼光譜分析。

2 光譜獲取

MAMP和MDMA樣本由中華人民共和國公安部物證鑒定中心提供。隨機(jī)選擇12名志愿者， 采集尿液，配制空白尿液（Ⅰ類）、含有50 mg/L MAMP的尿液（Ⅱ類）、含有50 mg/L MDMA的尿液（Ⅲ類）、同時含有30 mg/L MAMP和30 mg/L MDMA的尿液（Ⅳ類）4類樣本，取一小滴滴在金納米棒拉曼光譜（中國科學(xué)院合肥智能機(jī)械研究所研發(fā)）增強(qiáng)基底上，在空氣中自然揮干10～20 s，由Inspector便攜型拉曼光譜儀（DeltaNu公司）采集光譜，激發(fā)光波長785 nm，曝光時間為5 s，光譜采集過程均在尿液樣本獲得后的30 min內(nèi)完成。

對所有拉曼光譜數(shù)據(jù)進(jìn)行如下分組：隨機(jī)選擇10個尿液樣本對應(yīng)的1475條光譜作為訓(xùn)練集，其中包含Ⅰ類光譜350條，Ⅱ類光譜450條，Ⅲ類光譜450條，Ⅳ類光譜225條;剩余2個尿液樣本的450條光譜作為檢驗集，包含Ⅰ類光譜150條，Ⅱ類光譜100條，Ⅲ類光譜100條，Ⅳ類光譜100條。

另外，作為對方法擴(kuò)展性的驗證，本研究還包含孔雀石綠樣本溶液的表面增強(qiáng)拉曼光譜：將被測樣本、粒度55 nm的球形Au納米增強(qiáng)粒子、1 mol/L KI團(tuán)聚劑溶液以1∶1∶0.1的容積比例攪拌、搖勻，置于ReporteR型拉曼光譜儀（DeltaNu公司）檢測樣品槽內(nèi)，曝光時間為3 s，采集光譜。共采集光譜798條，其中，以去離子水配制的孔雀石綠溶液對應(yīng)的光譜636條（空白90條，非空白546條），作為訓(xùn)練樣本集;以3個采樣點所得海水所配置的孔雀石綠溶液對應(yīng)的光譜分別為93， 35， 34條，作為檢驗樣本集。

3 光譜分析原理

3.1 光譜預(yù)處理

在濾波過程中，希望對光譜中的噪聲和特征峰兩類區(qū)域，區(qū)別對待：特征峰區(qū)域要求更好的信號保真度;而其它區(qū)域要求更好的提高信噪比^[14]。為此，本研究采用自適應(yīng)濾波器，濾波過程如圖2a所示。通過公式（1）估計光譜噪聲水平，其中，λ表示調(diào)節(jié)噪聲概率分布水平的閾值;選定濾波窗口寬度初始值ω，在窗口移動過程中根據(jù)信噪比大小調(diào)整濾波器窗口寬度，如式（2），ω′為調(diào)整后的濾波窗口寬度。

3.2 特征分類

支持向量機(jī)基于統(tǒng)計學(xué)習(xí)理論，若應(yīng)用中事先不明確訓(xùn)練樣本是否線性可分，可引入懲罰因子C，允許一定的分類錯誤^[15，16]。然而支持向量機(jī)未給出最優(yōu)結(jié)構(gòu)參數(shù)選擇的理論依據(jù)^[17]，需要經(jīng)過參數(shù)尋優(yōu)過程，本研究選用尋優(yōu)算法中常用的交叉驗證實現(xiàn)這一過程。

小波變換（Wavelet transform， WT）根據(jù)信號頻率的不同，將信號按多尺度分解，依據(jù)尺度信息調(diào)整取樣步長，聚焦于信號中的特定頻率分量^[18]。將預(yù)處理后的光譜做N層小波變換，其近似分量長度為原始數(shù)據(jù)長度的1/2N，且可以代表光譜的大部分能量^[19]。在不影響分類結(jié)果準(zhǔn)確性的前提下，將光譜近似分量進(jìn)行分類，可以減少分類器的運算量。endprint

4 結(jié)果與討論

4.1 光譜預(yù)處理

采用文獻(xiàn)[12]所述方法對原始光譜進(jìn)行基線校正^[20]，基線校正參數(shù)為： σ=7.5， t1=0.9， t2=0.005; 對校正后的光譜進(jìn)行自適應(yīng)濾波處理，濾波參數(shù)為： t=30， λ=2.5; ω=31。結(jié)果如圖2b所示，此濾波方法可對噪聲區(qū)域較大平滑，并完整地保留了特征峰信息。

4.2 數(shù)據(jù)降維

選擇”db4”小波函數(shù)，對預(yù)處理后的光譜做小波變換。為了實現(xiàn)最優(yōu)分類效果，選擇不同的分解層數(shù)，分別對訓(xùn)練集進(jìn)行光譜處理，并將分解結(jié)果輸入支持向量機(jī)進(jìn)行分類，如圖3所示流程，選擇Thresh=90。小波分解層數(shù)與分類準(zhǔn)確率的關(guān)系見圖4a，當(dāng)分解層數(shù)從1開始逐漸增大，分類準(zhǔn)確率逐漸提高;當(dāng)分解層數(shù)為3時，分類效果最佳;此后，分類效果變差。因此，選擇3層小波分解。

4.3 特征分類

選擇Gauss核函數(shù)^[21]，如式（4），其中，λ為高斯參數(shù);引入懲罰因子C。支持向量機(jī)算法選用LIBSVM^[22]，通過10-fold交叉驗證對高斯參數(shù)γ與懲罰因子C尋優(yōu)^[22]。分類器初始參數(shù)為C=2 Symbolm@@ 2， γ=2 Symbolm@@ 10，參數(shù)調(diào)整方式為C=C×2， γ=γ×2^[21]，交叉驗證準(zhǔn)確率與參數(shù)的對應(yīng)關(guān)系如圖4b，隨著高斯參數(shù)或懲罰因子C逐漸變大，分類器容錯率逐漸降低，分類準(zhǔn)確率逐漸提高;同時，懲罰因子C與高斯參數(shù)γ對分類準(zhǔn)確率具有協(xié)同作用，當(dāng)兩者處于最佳匹配時，分類準(zhǔn)確率可以為99.7%。

在保證訓(xùn)練結(jié)果有效的同時，為了保證分類器對未知樣本的泛化能力，對分類器參數(shù)優(yōu)化結(jié)果及對應(yīng)分類器的泛化能力進(jìn)行了相關(guān)性研究：選擇交叉驗證結(jié)果高于70%時對應(yīng)的參數(shù)組合，對檢驗集進(jìn)行分類，所得分類準(zhǔn)確率與交叉驗證準(zhǔn)確率的關(guān)系圖如圖5所示。當(dāng)交叉驗證準(zhǔn)確率低于89%時，分類器分類準(zhǔn)確率較差;當(dāng)交叉驗證準(zhǔn)確率高于94%時，分類器分類準(zhǔn)確率存在振蕩，即此時分類器訓(xùn)練過程的過擬合影響了分類器的泛化能力。因此，分類參數(shù)最佳組合應(yīng)保證交叉驗證準(zhǔn)確率為89%～ 94%，即圖4b所示曲面拐點范圍內(nèi)。

4.4 結(jié)果分析

根據(jù)上文所述對交叉驗證準(zhǔn)確率的允許范圍，選擇交叉驗證準(zhǔn)確率為最小邊界（89.2%）時對應(yīng)的參數(shù)組合C=25， γ=2 Symbolm@@ 10，整體分類準(zhǔn)確率為95.1%，分類結(jié)果見表1;選擇交叉驗證準(zhǔn)確率為最大邊界（93.8%）時對應(yīng)的參數(shù)組合C=26， γ=2 Symbolm@@ 8，整體分類準(zhǔn)確率為95.3%，分類結(jié)果見表2;選擇最佳交叉驗證準(zhǔn)確率（91.86 %）對應(yīng)的參數(shù)組合C=23， γ=2 Symbolm@@ 6，整體分類準(zhǔn)確率為96.2%，分類結(jié)果見表3。

由分類結(jié)果可知，在交叉驗證準(zhǔn)確率允許范圍內(nèi)，整體分類準(zhǔn)確率高于95.0%，整體假陽性率不高于9.0%; 對于含有50 mg/L MAMP或MDMA的毒品尿液光譜，假陰性率不高于3.0%; 對于含有30 mg/L MAMP和MDMA的毒品尿液光譜，假陰性率低于1.0%。而當(dāng)選擇最佳分類參數(shù)組合時，所得假陽性率為7.3%，假陰性率為0。因此，通過參數(shù)優(yōu)化，可以實現(xiàn)得到令人滿意的結(jié)果。

5 結(jié) 論

建立了低信噪比拉曼光譜模式識別方法。提出了自適應(yīng)濾波算法，減少了拉曼特征峰強(qiáng)度的損失，同時得到了更好的濾波效果;通過小波分析及其分解層數(shù)尋優(yōu)，實現(xiàn)了滿足分類最優(yōu)條件的光譜數(shù)據(jù)降維;采用交叉驗證方法，研究了支持向量機(jī)參數(shù)優(yōu)化對分類器性能的影響，給出參數(shù)尋優(yōu)條件。將本方法用于人尿液中MDMA和（MAMP）兩種毒品的微量分析，實現(xiàn)了4種樣本分類，參數(shù)達(dá)到最優(yōu)組合時，整體分類準(zhǔn)確率高于95.0%，假陽性率為7.3%，假陰性率為0。將本方法用于海水中孔雀石綠的表面增強(qiáng)拉曼光譜檢測，實現(xiàn)了痕量定性分析。本方法分類能力強(qiáng)，識別度高，但是前期需以較多的光譜樣本作為訓(xùn)練數(shù)據(jù)，因而適用于光譜樣本易獲得， 光譜重現(xiàn)性較好的應(yīng)用體系。

References

1

SHEN Min， SHEN Bao-Hua， HUANG Zhong-Jie， XIANG Ping， LIU Wei， BU Jun. Journal of Chinese Mass Spectrometry Society， 1998， 19（2）： 65-69

沈 敏， 沈?qū)毴A， 黃仲杰， 向 平， 劉 偉， 卜 俊. 質(zhì)譜學(xué)報， 1998， ?19（2）： 65-69

2 SUN Hong-Feng， GU Xue-Xin， WANG Ji-Fen， NI Wei-Gui， LI Wen-Jun， LI-Ying. Chinese Journal of Chromatography， 2007， ?25（4）： 590-593

孫洪峰， 谷學(xué)新， 王繼芬， 倪為貴， 李文君， 李 瑛. ?色譜， 2007， ?25（4）： 590-593

3 CHEN Yue， ZHU Jun， YU Zhong-Shan， ZHANG Yun-Feng， LIU Yao. Chinese Journal of Chromatography， 2012， ?30（11）： 1148-1152

陳 躍， 朱 軍， 于忠山， 張云峰， 劉 耀. ?色譜， 2012， ?30（11）： 1148-1152endprint

4 FAN Yu-Xia， LAI Ke-Qiang， ?HUANG Yi-Qun. Spectroscopy and Spectral Analysis， 2014， 34（7）： 1859-1864

樊玉霞， 賴克強(qiáng)， 黃軼群. 光譜學(xué)與光譜分析， ?2014， ?34（7）： 1859-1864

5 ZHANG Jin-Ping， LU Xin-An， YANG Jie， YANG Gui-Mei， ZHU Wen-Jie. Chemical World， 2011， ?8： 465-469

張金萍， 魯心安， 楊 潔， 楊桂梅， 朱文杰. ?化學(xué)世界， 2011， ?8： 465-469

6 Hartmann K， Putsche M B， Bocklitz T， Pachmann K， Niendorf A， Rsch P， Popp J. Anal Bioanal Chem， ?2012， ?403（3）： 745-753

7 Stckel S， Meisel S， Elschner M， Rsch P， Popp J. Spectroscopic Analysis， ?2012， ?51（22）： 5339-5342

8 Stckel S， Meisel S， Elschner M，Rsch P， Popp J. Analytical Chemistry， ?2012， ?84（22）： 9873-9880

9 Trachta G， Schwarze B， Sagmuller B， Brehm G， Schneider S. Journal of Molecular Structure， ?2004， ?693（1-3）： 175-185

10 Sgmüller B， Schwarze B， Brehm G， Trachta G， Schneider S. Journal of Molecular Structure， ?2003， ?661-662： 279-290

11 Hargreaves M D， Page K， Munshi T， Tomsett R， Lynch G， Edwards H G M. Journal of Raman Spectroscopy， ?2008， ?39（7）： 873-880

12 Stewart A， Bell S. E. Chem. Commun （Camb）， ? 2011， ?47（15）： 4523-4525

13 Bell S E J， Thorburn B D， Dennis A C， Matchett L J， Speers J S. The Analyst， ? 2000， ?125（10）： 1811-1815

14 Gemperline P L. Translated by WU Hai-Long， KANG Chao. Practical Guide to Chemometrics （2nd Edition）. ?Beijing： ?Science Press， 2012

保羅·戈培林 著. 吳海龍， 康 超 譯. ?化學(xué)計量學(xué)實用指南 （第二版）， 北京： 科學(xué)出版社， 2012

15 GAO Jun. Artificial Neural Network Theory and Simulation （2nd Edition）. ?Beijing： China Machine Press， 2003： ?78-84

高 雋. ?人工神經(jīng)網(wǎng)絡(luò)原理及仿真實例（第2版）， 北京： 機(jī)械工業(yè)出版社， 2003： ?78-84

16 Theodoridis S， Koutroumbas K. Translated by LI Jingjiao， WANG Aixia， WANG Jiao. Pattern Recognition ?（4th Edition）. Beijing： Publishing House of Electronics Industry， 2010： ?81-90

（希）Theodoridis S， Koutroumbas K 著. 李晶皎， 王愛俠， 王 驕 譯. 模式識別 （第四版）， 北京： 電子工業(yè)出版社， 2010： ?81-90

17 LIN Ji-Peng， LIU Jun-Hua. Spectroscopy and Spectral Analysis， ?2006， ?12（29）： 2232-2235

林繼鵬， 劉君華. ?光譜學(xué)與光譜分析， 2006， ?12（29）： 2232-2235

18 Jiang X Q， Blunt L， Stout K J. Proc. R. Soc. Lond. A， ?2000， ?456： 2283-2313

19 Bggess A， Francis J M. Translated by RUI Guo-Sheng， KANG Jian. A First Couse in Wavelets with Fourier Analysis （2nd Edition）. Beijing： Publishing house of electronics industry， ?2010： ?173-195endprint

艾伯特·博格斯， 朗西斯 J. 馬科維奇 著. 芮國勝， 康 健 譯. ?小波與傅里葉分析基礎(chǔ)（第二版）， 電子工業(yè)出版社， 2010： ?173-195

20 GUO Shu-Xia， ZHANG Feng-Ling， GAO Pan， ZENG Yong-Ming， CHEN Hong-Ju， LIU Guo-Kun， WANG Lei. Spectroscopy and spectral analysis， ?2014， ?34（5）： 1284-1288

郭淑霞， 張鳳玲， 高 盼， 曾勇明， 陳宏炬， 劉國坤， 王 磊. ?光譜學(xué)與光譜分析， 2014， ?34（5）： 1284-1288

21 Hsu C W， Chang C C， Lin C J. http：//www.csie.ntu.edu.tw/～cjlin. Version： 2003. Last update： April 15， 2010

22 Chang C C， Lin C J. ACM Transactions on Intelligent Systems and Technology， ?2011， ?doi： 10， 1145/1961189， 196 1199

Surface Enhanced Raman Scattering Spectrum Recognition

for Trace Detection of Common Drugs in Urine

WANG Lei*1， GUO Shu-Xia1， DAI Yin-Zhen1， YANG Liang-Bao2， LIU Guo-Kun3

1（College of Physics and Mechanical and Electrical Engineering， Xiamen University， Xiamen 361005， China）

2（Institute of Intelligent Machines， Chinese Academy of Sciences， Hefei 230031， China）

3（College of Chemistry and Chemical Engineering， Xiamen University， Xiamen 361005， China）

Abstract Assembling an adapted smoothing method and a classifier of wavelet transform combined support vector machine （SVM）， a Raman spectrum recognition approach was built for low signal noise ratio situation. Firstly， spectra data were denoised by the adapted smoothing method. The smoothing window was adapted to the signal noise ratio， which would effectively remove noise with the intensity of the signal well remained. Secondly， the wavelet transform was used for dimension reduction of the data. The decomposition level of wavelet transform was optimized according to the best classification result of the training set. Lastly， SVM was used for classification. Cross Validation （CV） was applied to obtain the optimized parameters of SVM. Conditions for the effective parameters were searched considering the relation between the cross-validation result and the classification accuracy. Combined with the surface enhanced Raman scattering （SERS） technology， the developed spectrum recognition approach was used for qualitative analysis of methamphetamine （MAMP） and 3，4-methylenedioxymethamphetamine （MDMA） in people′s urine， where the detecting accuracy is above 95.0%. The uniform Au nanorods （NRs） SERS substrate synthetized by the Hefei Institute of Intelligent Machines of Chinese Academy of Sciences was used for the experiment. Raman spectra were acquired using an Inspector Raman （DeltaNu） spectrometer， with the excitation wavelength of 785 nm and the integrate time of 5 seconds.

Keywords Raman spectrum; Smoothing; Wavelet transform; Support vector machine

（Received 22 June 2014; accepted 22 September 2014）

This work was supported by the National Key Scientific Apparatus Development of Special Item （No. 2011YQ030124） and the National Natural Science Foundation of China （No.21373173）endprint