基于波段選擇的拉曼光譜血痕鑒別

楊志超， 石 璐， 蔡 競， 張 輝

1. 浙江警察學院， 浙江 杭州 310053 2. 毒品防控技術浙江省重點實驗室， 浙江 杭州 310053

引 言

在公安刑偵、 檢驗檢疫等工作中， 血痕是重要的物證之一， 往往需要對血痕進行種屬鑒別， 判斷其為何物種所留。 傳統(tǒng)的血痕鑒別技術有酶免疫分析、 DNA檢測法、 高效液相色譜法等[1-3]， 此類方法會損耗檢測樣品， 因物證樣本是行政執(zhí)法和法庭審判的重要證據(jù)， 應盡量采用無損的檢測方法。 拉曼光譜技術具有無損、 無需前處理、 分析檢測速度快的優(yōu)勢， 特別適合物證檢驗。 特別是表面增強拉曼技術[4-7]， 分子附著與納米金屬材料表面， 通過納米金屬顆粒放大待測物的拉曼光譜信號， 增強倍率可達106以上。 目前， 拉曼光譜技術及其相關技術已被廣泛應用于化工、 醫(yī)學、 半導體、 地質(zhì)等領域[8-10]， 在血痕種屬鑒別等相關領域也日漸成熟。

利用拉曼光譜技術可以快速有效的鑒別血痕的物種歸屬。 白鵬利等人以3種不同物種動物和人類血痕為研究樣本， 采取拉曼光譜技術結合主成分分析法(PCA)， 對于樣本血痕進行定性識別[11]。 鄭祥權等采用了人血與比格犬血作為實驗樣本， 檢測血痕樣本的拉曼光譜數(shù)據(jù)， 結合PCA和線性判別分析(LDA)分類算法， 構建了一種可以對人血和犬血進行種屬判斷的多元統(tǒng)計算法模型， 測試集的準確率達到90%[12]。 董家林等利用海洋光學Raman光譜儀測得共326例樣本數(shù)據(jù)(人110例、 犬116例、 兔100例)， 采用SVM分類器， 訓練集分類正確率達100%， 測試集分類正確率達93.52%[13]。

本文收集人血和雞、 鴨、 豬、 牛、 鼠5種動物血痕的拉曼光譜數(shù)據(jù)， 對數(shù)據(jù)完成降噪和基線矯正， 結合特征選擇算法， 建立多分類模型， 對比各特征選擇算法和分類模型對準確率的影響， 并對結果進行驗證， 建立一套血痕種屬鑒別的快速檢測方法。

1 實驗部分

1.1 血痕樣本

收集雞、 鴨、 豬、 牛、 鼠5種動物的血痕樣本75份， 每種動物的血痕樣本15份。 收集15名健康志愿者血痕樣本15份， 所有志愿者同意協(xié)助完成實驗。 所有血痕樣本不做任何的前處理， 取血后24 h內(nèi)測量， 血液滴載玻片表面， 靜置約2 h， 待血液完全凝固后獲取其拉曼光譜， 實驗環(huán)境溫度為20 ℃， 濕度為40%。

1.2 訓練集、 驗證集和測試集的劃分

將6類物種， 每類物種15個樣本分成訓練集和測試集。 每類物種隨機選取10個樣本作為訓練集， 利用訓練集樣本完成模型的建立和調(diào)參。 另外5個樣本作為測試集， 利用測試集數(shù)據(jù)做最終的模型評價。 對每個樣本隨機選取10個不同的位置獲得拉曼光譜數(shù)據(jù)。 最終得到的訓練集中有600組拉曼光譜數(shù)據(jù)， 測試集中有300組拉曼光譜數(shù)據(jù)。

1.3 拉曼光譜儀與計算環(huán)境

實驗采用美國Thermo Fisher公司生產(chǎn)的DXR2xi顯微激光拉曼成像光譜儀， 拉曼光譜儀具有超低暗噪聲， 單光子信號探測器等優(yōu)勢。 計算機環(huán)境為Intel(R)Core(TM)i5-5200U CPU @ 2.2 GHz， RAM： 12.0 GB， 64位操作系統(tǒng)。

1.4 拉曼光譜數(shù)據(jù)的獲取與校正

利用拉曼光譜儀獲取血痕的拉曼光譜， 實驗考察了不同的激發(fā)波長、 物鏡倍數(shù)、 激光強度、 曝光時間、 掃描次數(shù)等采集參數(shù)， 綜合比較對樣本的破壞、 熒光干擾、 拉曼信號信噪比、 實驗效率等方面。 實驗選擇633 nm激光作為激發(fā)光源， 采用10×物鏡聚焦， 激光強度為3.0 mW， 曝光時間為0.2 s， 掃描次數(shù)為100次， 采集后的拉曼光譜的信噪比約40。 實驗采用迭代自適應加權懲罰最小二乘法校正基線， 使用S-G平滑濾波實現(xiàn)平滑處理， 選取100～1 700 cm-1波段測試研究， 共830個波段。

2 結果與討論

研究分兩部分實驗， 第一部分實驗， 建立PLS-DA， LDA， PCA+LDA與SVM， PCA+SVM模型進行對比實驗， 比較SVM分類方法相對于其他兩種方法的準確率， 以及PCA降維的效果。 第二部分實驗， 采用三種波段選擇方法對拉曼光譜降維， 將被選擇的波段數(shù)據(jù)放入SVM分類器中， 探討波段選擇方法對分類準確率的影響。

2.1 分類方法實驗

線性判別分析(linear discriminant analysis, LDA)是一種多元線性學習方法， 思路是將數(shù)據(jù)投影到一條直線上， 使不同類數(shù)據(jù)的投影之間的距離盡量遠， 且同類數(shù)據(jù)的投影之間的距離盡量近。 偏最小二乘判別分析(partial least squares discriminant analysis， PLS-DA)是一種用于多元判別分析方法， 適用于樣本少、 特征多， 且特征變量之間存在多重共線性的情況。 實驗通過十折交叉驗證， 對參與建模的前10個主成分做判別分析并計算準確率。

支持向量機(support vector machine， SVM)利用核函數(shù)把樣本從低維空間映射到高維空間， 尋找最優(yōu)超平面將特征空間劃分開。 只有少量的支持向量在SVM分類中起決定作用， 不僅避免了“維數(shù)災難”問題， 也使SVM算法魯棒性更強。 因此， SVM算法適用于小樣本、 高維度的拉曼光譜數(shù)據(jù)問題。 SVM分類模型有兩個重要的參數(shù)C和gamma。 通過網(wǎng)格搜索的方法確定最佳的C和gamma組合， 如圖1所示， 當C=100， gamma=0.001， 準確率達到90%以上。

圖1 C和gamma網(wǎng)格搜索的結果

不同的分類方法的準確率結果如表1所示， PCA+SVM方法在測試集中的準確率最高， 達85.7%。 LDA的準確率最低， 可能的原因是血痕的拉曼光譜數(shù)據(jù)存在嚴重的共線性問題。 通過PCA降維后， LDA和SVM算法在測試集中的準確率都有所提高， 可以說PCA降維對于測試準確率的提高有一定的幫助。 另一方面， SVM算法的準確率相對于LDA和PLS-DA都更高。 因此， SVM分類器是更優(yōu)的選擇。

表1 五種分類方法在訓練集和測試集的準確率

2.2 波段選擇實驗

光譜數(shù)據(jù)的降維方法分為基于數(shù)學變換的降維方法和基于波段選擇的降維方法。 基于數(shù)學變換的降維方法， 比如PCA， LDA和PLS等， 改變了原始數(shù)據(jù)的物理意義， 可解釋性差， 同時復雜的降維算法也增加了計算成本。 基于波段選擇的降維是從原始光譜數(shù)據(jù)中篩選出波段子集， 剔除不起作用或有干擾作用的冗余波段， 不會改變原始特征數(shù)據(jù)， 不產(chǎn)生新的特征， 所挑選出來的波段依然保持原來的物理意義， 可解釋性強， 并且有效的提高計算效能。 如圖2所示， t1, t2, t3， …表示原始的拉曼光譜數(shù)據(jù)， s1, s2表示經(jīng)過數(shù)學變換降維后的光譜數(shù)據(jù)。

圖2 光譜降維算法示意圖

互信息(mutual information， MI)度量了兩個隨機變量之間的統(tǒng)計依賴關系， 因此可以用來評估每個波段對分類的相對效用。 相對于單獨使用信息熵來說， 互信息搭起了波段信息與實際目標之間的關系。 計算每一個波段與類別信息之間的互信息值， 然后對波段的互信息進行降序排列， 選擇出互信息值最大的前K個波段， 組成波段子集。

遺傳算法(genetic algorithm, GA)是一種模擬生物遺傳機理的模型， 通過適者生存的方式尋找最優(yōu)解。 從一個隨機的種群開始， 逐代演化出更近似的解。 依據(jù)對問題的適應性來選擇個體， 然后個體之間進行交叉和變異產(chǎn)生新的種群。 實驗中遺傳算法主要參數(shù)： 變異概率2%， 迭代次數(shù)150次， 種群個體數(shù)為200。

等間隔組合法(equidistant combination, EC)本質(zhì)上是降低了光譜的分辨率， 達到波段選擇的目的。 其主要思想是在一定光譜范圍內(nèi)以相同的間隔提取波段。 等間隔組合方法的參數(shù)包括以下三個： 起始波長、 波長個數(shù)、 相鄰波長點之間的間隔數(shù)， 比如(101， 200， 5)的波段數(shù)為20。 本實驗中， 波段數(shù)相同的， 取準確率最高者。

訓練數(shù)據(jù)集中， 采用SVM分類器， 三種波段選擇方法10折交叉驗證的準確率表現(xiàn)如圖3所示。 在取25個波段時， 互信息法準確率不高， 隨著波段的數(shù)量增加， 互信息法所選擇的波段準確率提升較快， 并且在150個波段后保持穩(wěn)定， 整體準確率較高。 在波段選擇數(shù)為300時， 遺傳算法、 等間隔組合算法與互信息法的準確率接近， 達到93%左右。

圖3 不同的波段數(shù)量下三種波段選擇方法的訓練集準確率

在選擇波段的數(shù)量為50時， MI+SVM, GA+SVM, EC+SVM在訓練集準確率為88.8%， 88.3%和86.8%， 已達到PCA+SVM方法的相近的水平。 根據(jù)訓練集中確定的最優(yōu)光譜波段， 同樣的選取測試集中對應的50個波段組合， 并放入SVM分類器中驗證方法的可靠性， 結合PCA+SVM和PLS-DA， 結果對比如圖4所示。

圖4 五種方法在訓練集和測試集的準確率對比

在選擇波段的數(shù)量為50時， MI+SVM, GA+SVM, EC+SVM在測試集準確率為86.0%， 85.3%和84.7%， 互信息法過濾得到的50個波段組合， 在訓練集和測試集準確率都是最高的。 在測試集數(shù)據(jù)中， MI+SVM算法的分類準確率高于PCA+SVM(86.7%)。 另外， 從圖4中可以發(fā)現(xiàn)， 采用波段選擇降維方法， 訓練集準確率與測試集準確率之差更小， 主要原因是波段選擇方法排除了冗余的干擾波段的影響， 其表現(xiàn)更加穩(wěn)定。

未參與建模的300組測試樣本(6個物種各50組拉曼光譜)中， 人、 豬、 牛、 鼠、 雞和鴨的血液拉曼光譜預測準確率分別為84%， 80%， 84%， 82%， 92%和94%。 人血與豬血之間是判錯率較高， 人血的錯例中有87.5%是被錯判為豬血的， 豬血的錯例中有60%是被錯判為人血的， 這與豬血與人血的拉曼光譜更為相近有關。 雞血和鴨血之間容易混淆， 兩者同為禽類， 拉曼光譜更為相似。 禽類(雞、 鴨)和哺乳類動物(人、 豬、 牛、 鼠)之間是完全沒有錯判的， 說明禽類和哺乳類動物血液的拉曼光譜有較大區(qū)別。

圖5 互信息法選擇的最佳的25個波段

3 結 論

在血痕種屬鑒別方面， 以SVM算法作為拉曼光譜數(shù)據(jù)的分類器， 相對于LDA和PLS-DA分類器的準確率更高。 波段選擇降維方法應用于血痕拉曼光譜鑒別充分體現(xiàn)出其有效性。 通過互信息法過濾得到的最佳波段組合， 再利用SVM算法分類， 其在驗證集和測試集準確率都是較高的。 在選擇50個波段時， 分別達到88.8%和86.0%。 PCA+SVM算法的準確率低于MI+SVM。 波段選擇方法的適應性更好、 可解釋性更強， 對利用拉曼光譜在其他領域應用有借鑒意義。 在實踐方面， 波段選擇可以簡化拉曼光譜系統(tǒng)， 使該技術應用于刑事技術、 海關檢疫等方面更加快捷和經(jīng)濟。