基于OPO脈沖激光激發(fā)光聲光譜的真假血液分類鑒別

任 重， 劉 濤， 劉國棟,2

1. 江西科技師范大學(xué)光電子與通信省級重點實驗室， 江西 南昌 330038 2. 江西科技師范大學(xué)南昌市光電檢測與信息處理重點實驗室， 江西 南昌 330038

引 言

血液是生命系統(tǒng)最重要的組織之一， 應(yīng)用十分廣泛。 在生物醫(yī)學(xué)領(lǐng)域， 血液可用于缺血性輸血、 凝血酶和血液疾病等方面的治療。 在刑偵領(lǐng)域， 血液可以作為重要物證。 同時， 血液在動物檢驗檢疫和食品等領(lǐng)域也具有十分重要的應(yīng)用價值。 由于血液的重要性和高利潤等因素， 目前出現(xiàn)了利用動物血充當(dāng)人血制造和擾亂犯罪現(xiàn)場， 在可食用血液制品中也有不法分子利用假冒偽劣血來冒充的報道， 給社會治安、 食品安全和醫(yī)療衛(wèi)生等帶來了不良影響， 對真血和假血的準(zhǔn)確鑒別意義重大。 傳統(tǒng)鑒別真假血液的方法有感官法、 液相/氣相色譜法[1]、 生化分析法[2]和電化學(xué)傳感法等。 由于假血顏色與真血類似， 從視覺、 嗅覺等來進(jìn)行判別會存在誤差。 液相/氣相色譜法、 生化分析法和電化學(xué)傳感法均需要進(jìn)行復(fù)雜的樣品預(yù)處理， 不僅檢測周期相對較長， 而且血液樣品無法回收再利用， 同時均需要專業(yè)人員來操作。 目前， 已有利用光學(xué)手段進(jìn)行真假血檢測的方法， 如： 近紅外光譜法、 拉曼光譜法、 熒光光譜法。 有研究利用近紅外光譜法對牛羊狗等常見動物全血樣品進(jìn)行了透射光譜測量， 利用支持向量機(jī)等算法實現(xiàn)了動物血的分類。 Gregory[3]使用拉曼光譜和化學(xué)計量學(xué)模型對人血和動物血溯源進(jìn)行了鑒別。 白鵬利等[4]使用拉曼光譜結(jié)合主成分分析方法， 對三種不同動物血和21個人血進(jìn)行了識別， 結(jié)果表明人與動物血樣的識別率均高于95%， 動物間的血樣識別率可達(dá)90%。 有報道利用熒光光譜法結(jié)合BP神經(jīng)網(wǎng)絡(luò)實現(xiàn)了對不同動物血的熒光光譜特征進(jìn)行提取和識別分類。 雖然已有利用純光譜法來進(jìn)行血液分類識別的研究報道， 但是， 由于不同動物之間血液光譜數(shù)據(jù)差異性較小， 且在某些波段會存在不同成分的光譜出現(xiàn)交疊， 導(dǎo)致有效的信號分離和特征提取較難。 另外， 光譜采集受環(huán)境光照等因素影響， 使得識別準(zhǔn)確度有待進(jìn)一步提高。

光聲技術(shù)是基于光致超聲機(jī)理， 采集的信號為超聲機(jī)械波， 從原理上可以較好地避免散射光和光譜混疊的問題。 雖然光聲技術(shù)已經(jīng)應(yīng)用于血液、 血糖[5-6]等生物醫(yī)療領(lǐng)域， 但是光聲技術(shù)應(yīng)用于真假血液的分類鑒別卻未見研究報道。 鑒于光聲技術(shù)的優(yōu)勢， 可提供一種真假血液分類鑒別新方法， 本工作采用光聲光譜技術(shù)對真假血液進(jìn)行分類識別， 以此克服純光譜法的不足， 提高真假血液分類和鑒別準(zhǔn)確率。 同時， 基于采集得到的五種真假血樣的光聲峰峰值譜， 通過研究遺傳優(yōu)化的WNN融合PCA算法， 進(jìn)一步提高真假血液分類鑒別的準(zhǔn)確度。

1 理 論

1.1 光聲理論

光聲技術(shù)的基本原理是光致超聲效應(yīng)和熱膨脹機(jī)制。 當(dāng)一束短脈沖激光以一定的重復(fù)頻率和脈沖持續(xù)時間照射某物質(zhì)時， 由于對入射光的選擇性吸收， 被照射區(qū)域能量沉積(釋放)而產(chǎn)生快速升溫(降溫)， 這種溫度變化使得物質(zhì)局部區(qū)域產(chǎn)生快速的熱膨脹或收縮， 進(jìn)而引發(fā)超聲機(jī)械波， 即： 光聲信號。 一般光聲信號產(chǎn)生機(jī)理可以用波動方程[7]來進(jìn)行描述， 但由于目前很難得到其具體解析解， 通常采用半經(jīng)驗公式[8]描述光聲信號， 即

式(1)中， E為脈沖激光輸出能量， μa為被測物質(zhì)的吸光系數(shù)， v為聲速， R為光聲源半徑， r為超聲探頭與光聲源的距離， β為物質(zhì)熱膨脹系數(shù)， Cp為比熱容， k為比例系數(shù)。 式中n,m,l為參數(shù)， 其滿足如下范圍： 0.5

1.2 基于遺傳優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)

選取小波神經(jīng)網(wǎng)絡(luò)(waveletneuralnetwork，WNN)[9]對真假血液進(jìn)行分類識別。WNN由3層網(wǎng)絡(luò)構(gòu)成， 如圖1所示。

圖1 WNN網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Structure of WNN network

式(3)中， ωkm為輸入層和隱含層的之間的權(quán)值， bk為小波基函數(shù)的平移因子， ak為小波基函數(shù)的伸縮因子。 m為輸入層節(jié)點， 下標(biāo)k為隱含層節(jié)點。

采用誤差反向傳播的方式對權(quán)值ωkm和ωnk， 以及小波基函數(shù)的平移因子bk和伸縮因子ak按照如下方式進(jìn)行修正， 即

圖2 GA算法流程圖Fig.2 Flow chart of GA algorithm

2 實驗部分

2.1 裝置

構(gòu)建了一套血液光聲檢測系統(tǒng)， 如圖3所示。 系統(tǒng)中采用波長可調(diào)諧Nd∶YAG 532 nm泵浦源光學(xué)參數(shù)振蕩(optical parameteric oscillator,OPO)脈沖激光器(OPOletteTM,532 II,OPOTEK Inc.,USA)作為光源， 其重復(fù)頻率20 Hz， 脈沖持續(xù)時間7 ns， 最大輸出能量2 mJ。 經(jīng)過反射鏡、 光闌和聚焦透鏡后將聚焦光斑落入到透明硅膠軟管中的血液樣品中， 激發(fā)產(chǎn)生的光聲信號， 由中心響應(yīng)頻率為2.5 MHz的聚焦超聲探測器(Doppler Co.,China)捕獲轉(zhuǎn)換為模擬電壓信號后， 先經(jīng)過信號放大器(ATA-5620,Aigtek Co.,China)進(jìn)行60 dB增益的信號放大， 再由低通濾波器(BLP-7-75+,Mini-Circuits,USA)去除高頻噪聲信號干擾， 然后由帶寬為500 MHz的雙蹤數(shù)字示波器(54642D,Agilent,USA)進(jìn)行采集并轉(zhuǎn)換為數(shù)字信號， 通過GPIB接口卡(GPIB-USB-HS,NI,USA)將數(shù)據(jù)傳輸至計算機(jī)保存和分析處理。 另外， 構(gòu)建了一套血液循環(huán)子系統(tǒng)便于實驗更換血液樣品， 由小型水泵、 硅膠軟管和燒杯構(gòu)成。 實驗前， OPO脈沖激光器預(yù)熱約30 min。 實驗中保持室溫20 ℃恒定。

圖3 實驗裝置圖Fig.3 Diagram of experimental set-up

2.2 材料

采用了5種不同的血樣， 即： 三種動物真血(馬血、 牛血和兔血)和兩種假血(道具假血和紅墨汁)來作為實驗真血和假血樣品， 如圖4所示。 其中馬血、 牛血和兔血由鄭州益康生物工程有限公司提供， 為了防止動物真血凝結(jié)， 在出廠前已按照1.6 mg·mL-1比例添加了乙二胺四乙酸(ethylenediamine tetraacetic acid,EDTA)抗凝血劑。 實驗血樣總樣本數(shù)125個， 即： 每種血樣校正集樣本20個， 測試集樣本5個。 每次實驗， 將循環(huán)子系統(tǒng)中的燒杯和硅膠軟管用醫(yī)用酒精消毒， 然后再用開水煮沸進(jìn)行二次消毒， 以防止血液在實驗過程中的污染。

圖4 實驗樣品(a)： 馬血; (b)： 牛血; (c)： 兔血; (d)： 道具假血; (e)： 紅墨汁Fig.4 Experimental samples(a)： Horse blood; (b)： Cow blood; (c)： Rabit blood;(d)： Props fake blood; (e)： Red ink

3 結(jié)果與討論

3.1 光聲檢測結(jié)果及分析

使用2.1節(jié)實驗系統(tǒng)， 對所有125組真假血液樣品進(jìn)行了光聲檢測。 實驗中， 將約10 mL的血樣裝入燒杯中， 開啟血液循環(huán)子系統(tǒng)模擬血液流動， 并將測試血樣導(dǎo)入到硅膠軟管中。 開啟OPO脈沖激光器激光輸出， 經(jīng)過數(shù)字示波器將數(shù)據(jù)采集平均128次， 得到了在激發(fā)波長740 nm下的五種不同血樣的實時光聲信號如圖5所示。

圖5 740 nm波長下不同血樣的時間分辨光聲信號Fig.5 Time-resolved photoacousic signals ofdifferent blood samples at 740 nm

從圖5中可知， 動物真血與假血的時間分辨光聲信號， 不僅動物真血的光聲信號幅值大于假血， 而且在信號輪廓上也存在差異。 三種動物真血的時間分辨光聲信號分別在3， 4.2和5.2 μs附近有明顯的波峰信號， 且幅值較大。 而對于假血而言， 在3 μs處的波峰信號與另外兩個時間點的波峰信號相比較不明顯， 且整體幅值均小于真血。 另外， 從峰值的時間位置上來看， 不同血樣的光聲信號峰值的時間位置均不同， 對于三種動物真血而言， 牛血的峰值時間點最小， 依次是馬血和兔血。 而假血的峰值時間均大于真血。

為了分析不同血樣在不同激發(fā)波長下的光聲信號強(qiáng)度變化情況， 得到了在700～1 064 nm波段下的五種不同血樣光聲峰峰值。 將每種血樣的各25組全波段的光聲峰峰值進(jìn)行平均， 獲得了平均光聲峰峰值譜， 如圖6所示。

圖6 五種不同血樣在700～1 064 nm波長范圍內(nèi)的 平均光聲峰峰值譜Fig.6 Photoacoustic peak-to-peak mean spectral of fivedifferent blood samples at 700～1 064 nm

從圖6中可知， 在700～1 064 nm， 不同血樣的峰峰值變化趨勢大致相同， 且峰峰值較大的波長均出現(xiàn)在740， 790， 830， 865， 905， 945和1 010 nm處。 但是， 不同血樣的光聲峰峰值卻存在差異。 相比而言， 在700～875 nm內(nèi)， 真血的光聲峰峰值比假血的大， 而在875～1 064 nm， 除了在905， 950和1 000 nm三個波長附近， 其他波長的光聲峰峰值的差別不明顯。

3.2 血液分類識別結(jié)果及分析

3.2.1 基于WNN-GA分類識別結(jié)果

在圖7(a)中， 對于WNN而言， 隱含層神經(jīng)元個數(shù)為13時， 其對真假血液的分類識別準(zhǔn)確率最優(yōu)為64%； 而對于WNN-GA， 隱含層神經(jīng)元個數(shù)為8-11時， 對真假血液的分類識別準(zhǔn)確率最優(yōu)可達(dá)92%。

圖7 WNN和WNN-GA各參數(shù)對真假血液分類識別的影響(a)： 隱含層神經(jīng)元個數(shù)的影響; (b)： 學(xué)習(xí)率因子η的影響;(c)： 學(xué)習(xí)率因子γ的影響; (d)： 迭代次數(shù)的影響Fig.7 Effects of parameters on the classification and identification of real or fake blood for WNN and WNN-GA

學(xué)習(xí)率因子η和γ對WNN和WNN-GA兩者對真假血液分類識別率的影響， 分別如圖7(b)和(c)所示。 從7(b)可知， 對于WNN和WNN-GA而言， 當(dāng)學(xué)習(xí)率因子η=0.001時， 兩者的分類識別準(zhǔn)確率均最高。 隨著學(xué)習(xí)率因子η增大， 兩者的識別準(zhǔn)確率均呈下降趨勢， 但是WNN識別準(zhǔn)確率振蕩不穩(wěn)定現(xiàn)象較嚴(yán)重。 對于學(xué)習(xí)率因子γ， WNN的識別準(zhǔn)確率依然出現(xiàn)不穩(wěn)定振蕩現(xiàn)象， 當(dāng)γ=0.02時， WNN的識別準(zhǔn)確率只有36%， 當(dāng)γ=0.07時， WNN的識別準(zhǔn)確率最大為72%。 而對于WNN-GA， 其識別準(zhǔn)確率變化趨勢較平坦， 且當(dāng)γ=0.06時， WNN-GA對真假血液的分類識別準(zhǔn)確率最優(yōu)達(dá)到96%。

對于WNN-GA， 利用GA對WNN的參數(shù)進(jìn)行迭代優(yōu)化。 圖7(d)為WNN-GA算法在不同迭代次數(shù)時的真假血液分類識別準(zhǔn)確率。 從圖中可知， 隨著迭代次數(shù)的增加， WNN-GA對真假血液的分類識別準(zhǔn)確率逐漸提高， 當(dāng)?shù)螖?shù)達(dá)到150時， WNN-GA的識別準(zhǔn)確率達(dá)到96%。 而對于WNN而言， 獲得的識別準(zhǔn)確率最大只有72%。

圖8(a)為WNN和WNN-GA不同訓(xùn)練次數(shù)對25組測試血樣識別結(jié)果的均方誤差。 從圖中可知， 隨著訓(xùn)練次數(shù)的增加， 兩者對測試血樣的均方誤差均逐漸減小。 但是， WNN出現(xiàn)了振蕩不穩(wěn)定現(xiàn)象， 而對于WNN-GA， 在訓(xùn)練次數(shù)超過10之后， 其識別均方誤差呈平穩(wěn)下降趨勢。 且WNN-GA的均方誤差均明顯小于WNN的均方誤差。 圖8(b)給出了WNN和WNN-GA對25組測試血樣的分類識別結(jié)果。 由于WNN和WNN-GA均為監(jiān)督學(xué)習(xí)分類識別算法， 利用數(shù)字1， 2， 3， 4和5來對馬血、 牛血、 兔血、 道具假血和紅墨汁進(jìn)行標(biāo)記。 從圖8(b)可知， WNN對兩種假血的分類識別較準(zhǔn)確， 而對三種真血的鑒別準(zhǔn)確度不高。 但是， 對于WNN-GA， 除了牛血有1個測試樣本的結(jié)果誤判為兔血之外， 其余血樣的分類識別均正確。 經(jīng)過計算， WNN-GA的分類識別率為96%。 因此， 與WNN相比， WNN-GA大大提高了真假血液的分類識別率。

圖8 WNN和WNN-GA對真假測試血樣的分類識別結(jié)果(a)： 訓(xùn)練次數(shù)對測試血樣均方誤差的影響;(b)測試血液的分類識別結(jié)果Fig.8 Results of classification and identificationof real or fake blood for WNN and WNN-GA(a)： Effect of training time on the mean square error;(b)： Results of classification and identification of test bloods

3.2.2 基于PCA-WNN-GA分類識別結(jié)果

由于血樣的全波段光聲峰峰值， 不僅包含了具有區(qū)分度的特征波長下的光聲信息， 還包含了不具備區(qū)分度波長下的信息， 使得真假血液的分類識別準(zhǔn)確度受到影響。 同時， 輸入血樣的數(shù)據(jù)維數(shù)較大， 會造成WNN內(nèi)部參數(shù)過多且計算復(fù)雜度高。 為了進(jìn)一步提高WNN-GA對真假血樣的分類識別準(zhǔn)確率， 采用主成分分析(principle components analysis,PCA)算法[12]提取真假血液樣本的主要特征信息。

PCA的基本原理是數(shù)據(jù)降維， 即： 將原數(shù)據(jù)進(jìn)行某個維度的投影， 再用較少的變量信息來代替原始眾多變量的信息， 而又最大限度地不丟失原先的特征信息， 即

式(7)中， x1,x2,…,xp為原始變量(下標(biāo)p表示變量的個數(shù)),Z1,Z2,…,Zm為新變量， 即主成分(下標(biāo)m表示新變量的個數(shù)),kmp為載荷系數(shù), 且m≤p。

根據(jù)特征值累計貢獻(xiàn)率大于80%， 分別選取了輸入樣本的2， 4， 6和8個主成分， 再利用WNN-GA算法進(jìn)行識別。 根據(jù)隱含層神經(jīng)元個數(shù)公式可以知道PCA降維后的隱含層神經(jīng)元范圍為[2,13]。 當(dāng)學(xué)習(xí)率因子η=0.001， γ=0.04時， 獲得了在不同隱含層神經(jīng)元個數(shù)情況下， 不同主成分對真假血液的識別準(zhǔn)確率， 如圖9(a)所示。

從圖9(a)可知， 當(dāng)2個主成分時， 神經(jīng)元個數(shù)為8所對應(yīng)的識別準(zhǔn)確率只有84%。 當(dāng)4個主成分時， 神經(jīng)元個數(shù)為5所對應(yīng)的識別準(zhǔn)確率為92%。 隨著主成分個數(shù)增大到6， 神經(jīng)元個數(shù)為11時， 其識別準(zhǔn)確率可達(dá)100%。 當(dāng)繼續(xù)增加主成分個數(shù)時， 最優(yōu)識別準(zhǔn)確率依然為100%。 圖9(b)和(c)分別給出了不同主成分， 學(xué)習(xí)率因子η和γ在不同取值對真假血的分類識別準(zhǔn)確率的影響。 從圖中可知， 隨著主成分個數(shù)的增加， 識別準(zhǔn)確率逐漸增大； 當(dāng)η=0.001時， 對于所有的主成分均得到最優(yōu)識別準(zhǔn)確率， 且對于6個主成分而言， η=0.001和γ=0.04所對應(yīng)的分類識別準(zhǔn)確率可達(dá)100%。 圖9(d)為PC-WNN-GA算法中不同主成分下， 遺傳迭代次數(shù)對真假血分類識別準(zhǔn)確率的影響。 從圖9(d)可知， 對于所有主成分而言， 隨著遺傳迭代次數(shù)的增加， 真假血的分類識別準(zhǔn)確率逐漸提高； 并且， 隨著主成分的增加， 對真假血的分類識別準(zhǔn)確率也有較大提高， 當(dāng)主成分個數(shù)增加到6時最終可以獲得100%的識別準(zhǔn)確率。

圖9 PCA-WNN-GA算法中各參數(shù)對真假血液 分類識別的影響(a)： 隱含層神經(jīng)元個數(shù)的影響; (b)： 學(xué)習(xí)率因子η的影響;(c)： 學(xué)習(xí)率因子γ的影響; (d)： 迭代次數(shù)的影響Fig.9 Effects of parameters on the classification and identification of real or fake blood gor PCA-WNN-GA

圖10(a)給出了PCA-WNN-GA算法， 在四個不同主成分個數(shù)下， 樣本訓(xùn)練次數(shù)對測試血樣分類識別均方誤差的影響曲線。 從圖中可知， 隨著樣本訓(xùn)練次數(shù)的增加， 對測試血樣的分類識別均方誤差均逐漸減小。 并且， 分類識別均方誤差隨著主成分個數(shù)的增加也減小了。 經(jīng)過計算當(dāng)樣本訓(xùn)練次數(shù)為200次時， 主成分個數(shù)為6所對應(yīng)的分類識別均方誤差約為0.004 2。

圖10 不同主成分個數(shù)下PCA-WNN-GA對真假 測試血樣的分類識別結(jié)果(a)： 訓(xùn)練次數(shù)對測試血樣均方誤差的影響;(b)： 測試血液的分類識別結(jié)果Fig.10 Results of classification and identification of real or fake blood for PCA-WNN-GA under different principle components

圖10(b)為PCA-WNN-GA算法選取四個不同主成分時， 對五種不同真假測試血樣的分類識別結(jié)果。 從圖中可知， 選取2個主成分時， 對三個真血的分類識別存在偏差， 此時分類識別準(zhǔn)確度只有88%。 當(dāng)選取4個主成分時， 由于累計貢獻(xiàn)率超過了90%， 所能表征區(qū)分血樣的特征增多， 使得對測試血樣的分類識別率提高到了92%。 當(dāng)選取6個主成分時， PAC-WNN-GA算法對測試血樣的分類識別率提高到了100%。

3.2.3 不同算法的分類識別結(jié)果對比

最后， 對比了7種不同算法對25個測試血樣進(jìn)行分類識別的效果。 其中， 選取了5種監(jiān)督型分類識別算法， 即： 極限學(xué)習(xí)機(jī)(extreme learning machine,ELM)、 支持向量機(jī)(support vector machine， SVM)、 WNN、 WNN-GA和PCA-WNN-GA， 另外選取2種無監(jiān)督型分類識別算法， 即： 競爭神經(jīng)網(wǎng)絡(luò)(competitive neural networks,CNN)和自組織映射神經(jīng)網(wǎng)絡(luò)(self organizing map neural network,SOM)。 對于ELM而言， 由于隱含層傳遞函數(shù)采用的是BP神經(jīng)網(wǎng)絡(luò)的sigmoid函數(shù)， 且由于ELM網(wǎng)絡(luò)隱含層到輸出層的權(quán)值和閾值參數(shù)沒有給出， 采用的是對隱含層的輸出結(jié)果和訓(xùn)練樣本的標(biāo)簽求偽逆的思想， 它的目標(biāo)誤差為0， 故無需進(jìn)行樣本訓(xùn)練。 得到的7種不同算法對真假血液的分類識別準(zhǔn)確率如圖11所示。

圖11 七種不同算法的真假血液識別率對比Fig.11 Correction rate of classification and identification of real or fake bloods for seven different algorithms

從圖11中可知， 單純的WNN分類識別準(zhǔn)確度與CNN和SVM算法的準(zhǔn)確度相當(dāng)， 且低于ELM和SOM算法。 其原因是由于在全波段下的血液樣本維數(shù)較大， 且WNN識別準(zhǔn)確度受初始化權(quán)值和閾值、 小波基平移因子和伸縮因子， 以及學(xué)習(xí)率因子等影響， 使得識別正確率不高。 在用GA算法對WNN網(wǎng)絡(luò)的權(quán)值和閾值、 小波基平移因子和伸縮因子進(jìn)行迭代優(yōu)化后， 使得真假血液分類識別率提高了24%。 并且， 在利用PCA算法對血樣的全波段光聲峰峰值提取6個主成分的基礎(chǔ)上， 利用PCA-WNN-GA算法， 最終可以使得對真假血樣的分類識別準(zhǔn)確率提高到100%。

4 結(jié) 論

真假血液的快速準(zhǔn)確分類識別對維護(hù)社會治安、 保障食品安全和醫(yī)療衛(wèi)生等方面至關(guān)重要。 通過利用光聲光譜技術(shù)聯(lián)合PCA-WNN-GA算法實現(xiàn)了對真假血液的高準(zhǔn)確度分類識別， 同時對血液樣本未造成任何破壞， 可以實現(xiàn)回收再利用。 其中構(gòu)建了一套血液光聲檢測系統(tǒng)， 獲取了五種血樣的光聲信號和光聲峰峰值譜。 從光聲信號幅度、 輪廓、 峰值時間點、 光聲峰峰值等角度宏觀對比了三種動物真血和兩種假血之間的信號差異。 為了實現(xiàn)真假血液的分類識別， 通過三層神經(jīng)網(wǎng)絡(luò)和類Morlet小波基函數(shù)構(gòu)建了WNN神經(jīng)網(wǎng)絡(luò)， 將五種血樣的100組樣本在全波段下的光聲峰峰值譜作為輸入數(shù)據(jù)進(jìn)行訓(xùn)練， 為了提高WNN網(wǎng)絡(luò)的識別率， 采用GA算法對WNN網(wǎng)絡(luò)的權(quán)值、 閾值和小波基函數(shù)的平移因子和伸縮因子進(jìn)行了優(yōu)化。 同時， 鑒于輸入的全波段血樣的數(shù)據(jù)維數(shù)較大， 采用了PCA算法提取了所有血樣的特征主成分， 再利用WNN-GA算法來對提取的血樣主成分進(jìn)行樣本訓(xùn)練和測試血樣的分類識別， 結(jié)果表明， 當(dāng)選取主成分個數(shù)為6時， PCA-WNN-GA算法對真假血液的分類識別準(zhǔn)確率可以達(dá)到100%。 因此， 光聲光譜技術(shù)聯(lián)合PCA-WNN-GA算法在真假血液的分類鑒別方面有較好的應(yīng)用價值。