基于拉曼光譜和機器學習的百合分類識別

王志新，王慧薈，張文波，王 忠，李月娥

蘭州大學信息科學與工程學院，甘肅 蘭州 730000

引 言

百合是百合科(Liliaceae)百合屬(Lilium)植物, 其多年生草本球根生長的肥厚鱗片構成的地下變態(tài)莖稱為百合鱗莖[1]。甘肅蘭州、江蘇宜興、江西萬載等地栽培百合鱗莖的歷史悠久, 其產(chǎn)量、質(zhì)量與產(chǎn)地有密切聯(lián)系[2-3]。百合鱗莖有著高蛋白、低脂肪的特點，是十分理想的保健食品，同時百合鱗莖具有廣泛的藥理作用, 如抗腫瘤、抗抑郁、降血糖、提高免疫力等[4-5]，產(chǎn)地不明或混淆使用會導致百合制品的質(zhì)量不穩(wěn)定，影響藥理作用的發(fā)揮[6]。因此，實現(xiàn)精準產(chǎn)地和質(zhì)量鑒別分析對促進百合鱗莖市場化發(fā)展具有重要意義。

傳統(tǒng)檢驗依賴感官經(jīng)驗，通過外觀、色澤、滋味及香氣等感官指標實現(xiàn)產(chǎn)地和質(zhì)量的鑒別分析，但當前市面上的百合品種眾多，又存在種植條件和存儲方式不同導致的外在差異，導致基于人工經(jīng)驗的感官評審模式無法實現(xiàn)快速、精確、無損的檢測[7]。目前，除了傳統(tǒng)的檢驗方式以外，還可用大型儀器結合化學計量學分析的方法，如高效毛細管電泳法(HPCE)[8]、高效液相色譜法(HPLC)[5]、液相色譜質(zhì)譜聯(lián)用法(LC-MS)、液相二級質(zhì)譜法(LC-MS-MS)[9]、氣相色譜法(GC)[10-11]等。袁志鷹[12]等采用傅里葉變換衰減全反射紅外光譜(ATR-FTIR)技術采集百合的紅外光譜，并使用層次聚類分析(HCA)區(qū)分幾類百合粉末。上述方法樣品前期處理過程復雜，操作繁瑣且耗時長，會產(chǎn)生較高的現(xiàn)場倉儲成本及檢測成本，不能無損檢測而且難以滿足產(chǎn)地鑒別這一要求[13]。

拉曼光譜(Raman spectroscopy)是一種基于振動分子對光的非彈性散射的光學技術，基于拉曼光譜可以提供細胞、組織或生物液體的化學指紋圖譜，做快速準確的無損檢測，相比于其他光譜技術，拉曼光譜對水的敏感性較低，檢測過程不易受到水的干擾，這為含水生物樣本的檢測提供了很大的方便性，現(xiàn)已在農(nóng)牧業(yè)生產(chǎn)過程中獲得廣泛的應用[14-17]。

研究將拉曼光譜與機器學習算法相結合，建立了我國分布最為廣泛的三種百合鱗莖(蘭州百合、宜興百合和龍牙百合)的產(chǎn)地分類模型，提出了一種基于拉曼光譜的成分含量定量估計的方法。采用了人工先驗方法、主成分分析和t-分布隨機鄰域嵌入三種方法提取光譜數(shù)據(jù)特征，并分別應用到支持向量機、決策樹和隨機森林等算法。此外，拉曼光譜數(shù)據(jù)結合機器學習算法可以快速識別和鑒定百合鱗莖的產(chǎn)地，可為現(xiàn)代化生產(chǎn)的產(chǎn)地鑒別和百合鱗莖質(zhì)量分析提供新方法。

1 實驗部分

1.1 儀器

研究所用波長為532 nm激光(Verdi v-6)作為激發(fā)源的Alpha共聚焦拉曼顯微鏡系統(tǒng)(WITec，德國)和配備Pixis Spec 10-100× CCD相機(Princeton Instruments，Trenton，NJ)的ACTON 300i光譜儀采集拉曼光譜。激光束通過蔡司LD EC Epiplan-Neofluar 50×物鏡(NA=0.55)聚焦到樣品中(日本尼康)。

1.2 樣本采集

樣本選取甘肅省蘭州市的蘭州百合、江西省萬載縣的龍牙百合和江蘇省宜興市的宜興百合，按照百合鱗莖采挖時間和保存情況進行分組，樣本信息如表1所示。

表1 樣本信息

百合鱗莖在采摘后通常冷藏貯存，為了模擬真實的過程，所有的樣品存放于(3±0.5)℃的冷藏室中。百合鱗莖的所有內(nèi)部鱗片樣品都取自百合的中心鱗片上，選擇較平整位置，用刀片切下厚度約為2 mm的組織，緊貼于載玻片上。

1.3 光譜采集

首先用單晶硅片作為待測物對光譜系統(tǒng)進行校準，然后選取激光功率為10 mW，單點測量積分時間為5 s，積分次數(shù)為3次。對每一個樣品隨機選取多點進行測量獲取數(shù)據(jù)集，每次測量時調(diào)整位置使激光光斑進入樣品內(nèi)部的深度相同。對于單光譜測量的樣品，調(diào)整到合適的視野后隨機選取約10個點，計算這些光譜的平均譜，將其作為該樣品的典型拉曼光譜。

1.4 光譜數(shù)據(jù)預處理

由于存在背景噪聲、人工操作因素以及受到樣品自身相關性質(zhì)的影響，拉曼光譜上會表現(xiàn)出冗余的信息，熒光、噪聲、宇宙射線等都會影響分析結果。因此，初次采集到的原始拉曼光譜需要進行預處理操作。

除宇宙射線(CRR)和波數(shù)校準使用WITec共聚焦拉曼光譜儀的同系列軟件Project FIVE，隨后采用四階多項式擬合法基本上去除了熒光背景，機器學習過程中對所有的光譜進行歸一化處理，使光譜的強度均落在[0，1]之間，其計算公式為

(1)

最后，去除光譜中非拉曼光譜的部分，即完成了拉曼光譜預處理，整體流程如圖1所示。

圖1 拉曼光譜預處理過程

2 結果與討論

2.1 拉曼光譜采集及預處理

選取三大百合鱗莖產(chǎn)區(qū)的20份樣本(表1)進行光譜采集，并進行了光譜數(shù)據(jù)預處理，典型拉曼光譜如圖2所示。

圖2 三種百合鱗莖的典型拉曼光譜

2.2 光譜數(shù)據(jù)降維及特征提取

百合鱗莖的拉曼光譜中的波長范圍較大，重點區(qū)域含有1 650個波長點，建模難度較高。這些特征峰之間存在一定的相關性，因此首先對數(shù)據(jù)進行特征提取來降維運算。

首先歸納了百合鱗莖的光譜和物質(zhì)對應特點，使用了人工提取法確定代表物質(zhì)，通過對國內(nèi)外學者在植物組織中的糖類、蛋白質(zhì)類、脂類、氨基酸類等物質(zhì)的研究文獻進行分析比較，提取出樣品拉曼光譜中各個特征峰的波數(shù)和強度等信息，歸納了百合鱗莖的拉曼光譜中出現(xiàn)的特征峰以及其對應的化學鍵和物質(zhì)種類，詳見表2。

經(jīng)過篩選，本研究選取了光譜數(shù)據(jù)中的27個特征，拉曼位移分別為436，479，518，520，525，832，874，876，896，942，952，1 054，1 082，1 096，1 120，1 127，1 262，1 265，1 320，1 343，1 374，1 382，1 455，1 457，1 606，1 635和1 640 cm-1。

將獲得的特征使用主成分分析(principal component analysis, PCA)和t-分布隨機鄰域嵌入(t-distributed stochastic neighbor embedding，t-SNE)進行特征提取。

主成分分析是一種常見的降維方法，對三類百合鱗莖樣品的拉曼光譜數(shù)據(jù)進行特征提取。各主成分的貢獻率及累積貢獻率如圖3所示, 第一主成分PC1和第二主成分PC2的貢獻率分別為42.06%和20.56%，前6個主成分累積貢獻率達到了81.33%。

圖3 三種百合拉曼光譜各個主成分的貢獻率和累積貢獻率

t-分布隨機鄰域嵌入是一種無監(jiān)督降維方法，本研究執(zhí)行t-SNE時選取參數(shù)值：嵌入空間維度為2，困惑度perplexity=30，數(shù)據(jù)初步降維的PCA維度為50。利用t-SNE算法對上述三種百合的拉曼光譜數(shù)據(jù)進行降維。

2.3 模型建立過程

采用了不同的算法對三種百合共1690個樣本的拉曼光譜進行了特征提取，包括蘭州百合數(shù)據(jù)500條、宜興百合數(shù)據(jù)650條、龍牙百合數(shù)據(jù)540條。

使用“留出法”將采集到的數(shù)據(jù)集分為兩個互斥的集合，其中一個作為訓練集，另一個作為測試集，兩者保持數(shù)據(jù)分布的一致性。本研究采用k折交叉驗證法和“留一法”(leave-one-out, LOO)進行模型訓練，將訓練集S平均分成k份，輪流將其中的k-1份作為訓練集，剩下的一份作為驗證集，訓練k次后的平均驗證誤差作為該模型的誤差。

上述1 690條數(shù)據(jù)，其中1 260條數(shù)據(jù)作為訓練集，剩下的430條作為測試集。以5折交叉驗證為例，數(shù)據(jù)集的劃分及訓練過程如圖4所示。

圖4 數(shù)據(jù)集的劃分和訓練示意圖

2.4 基于支持向量機的分類模型

支持向量機(SVM)是一種基于結構風險最小化準則的線性分類器，分別使用人工先驗方法提取的特征、PCA提取的主成分和t-SNE提取的特征建立百合分類的SVM模型。

使用人工先驗方法提取的27個特征，建立百合分類的SVM模型。將訓練集的光譜數(shù)據(jù)作為自變量，使用參數(shù)為γ的徑向基函數(shù)(RBF)作為核函數(shù)替換實例和實例之間的內(nèi)積，定義為

K(xi，xj)=exp[-γ‖xi-xj‖]2

(2)

最優(yōu)判別函數(shù)為

(3)

式中，sgn為階躍函數(shù)，x為輸入的特征向量；xi為輸出的第i個支持向量。

在進行分類時，首先需要通過訓練確定核函數(shù)參數(shù)γ和誤差項懲罰因子C，使得模型訓練正確率最高。ζ為松弛變量，ζ和γ都是為了解決線性不可分問題，在SVM模型中C和ζ為模型精度的決定因素。

經(jīng)過多次實驗表明，當C∈(22, 23)，γ∈(2-2，1)時模型訓練精度較高，在此范圍內(nèi)確定超參數(shù)，結果如表3所示。顯然，當C=6、γ=0.9時，分類模型性能最好，此時訓練分類正確率為91.2%，測試集的分類正確率為89.1%。

表3 不同超參數(shù)組合下的SVM模型訓練精度

利用PCA提取的前60個主成分，建立百合分類的SVM模型。首先用同樣的網(wǎng)格搜索方法確定超參數(shù)，經(jīng)多次實驗得最佳參數(shù)為C=7，γ=1.3，此時訓練準確率為96.8%。隨后選取不同的主成分個數(shù)進行五折交叉驗證，結果如圖5所示，選取PCA的前22個主成分作為輸入時，測試數(shù)據(jù)的分類正確率最高，達到了91.2%。

圖5 基于PCA特征提取的SVM模型分類正確率

利用t-SNE提取的特征，建立百合分類的SVM模型。仍然使用同樣的網(wǎng)格搜索方法確定超參數(shù)，經(jīng)多次實驗得最佳參數(shù)為C=92.2，γ=512，此時模型訓練準確率為95.7%，測試集的分類正確率為93.7%，與前兩種特征提取方法相比，正確率有了明顯的特高。

2.5 基于決策樹的分類模型

為了進行對比，本研究采用決策樹算法進行百合分類模型的訓練。經(jīng)過多次實驗，基于人工先驗的特征提取方法應用于決策樹模型時最佳參數(shù)lAP=13，基于PCA的特征提取方法應用于決策樹模型時最佳參數(shù)lPCA=13，基于t-SNE的特征提取方法應用于決策樹模型時最佳參數(shù)lt-SNE=17，如圖6所示。在最后進行剪枝優(yōu)化后，基于人工先驗的特征提取方法的決策樹分類模型正確率為78.8%，基于PCA的特征提取方法的決策樹模型正確率為91.7%，基于t-SNE的特征提取方法的決策樹模型正確率為86.7%。

圖6 葉子節(jié)點的最小樣本數(shù)對決策樹性能的影響

2.6 基于隨機森林的分類模型

決策樹算法進行分類時思想十分樸素，分類速度較快，但這也決定了它的泛化能力較弱。因此，本研究建立了基于RF算法的三種百合光譜數(shù)據(jù)分類模型。

利用人工先驗方法提取的27個特征，結合RF進行模型訓練。采用五折交叉驗證結果表明，人工先驗的特征結合RF分類模型在測試集上的最高正確率為90.2%；選取不同的PCA主成分個數(shù)，并結合RF進行分類模型訓練，選擇前8個主成分作為分類模型的輸入時，在測試集數(shù)據(jù)上的平均正確率為95.8%，且選取更多主成分時，準確率的提升不再顯著；利用t-SNE提取的特征，結合RF進行分類模型訓練，采用五折交叉驗證多次實驗表明，模型的平均預測準確率為90.7%。本處展示效果最佳的基于PCA特征提取的RF模型，如圖7所示。

圖7 基于PCA特征提取的RF模型分類正確率

2.7 模型準確性評估

在分類問題中，精度(accuracy)、查準率(precision)、召回率(recall)和F1分數(shù)是最常見的性能度量值，反映了使用該模型進行分類預測時的基本表現(xiàn)情況。

若將預測為1的樣本稱為陽性(positive)，預測為0的樣本稱為陰性(negative)，對比模型預測的類別和測試集樣本的真實類別，所有測試集樣本可以分為真陽性(true positive，TP)、假陽性(false positive，F(xiàn)P)、真陰性(true negative，TN)和假陰性(false negative，F(xiàn)N)。

將正確率Acc、查準率P和召回率R定義為

(4)

(5)

(6)

由此可見，查準率是指所有被模型預測為陽性的樣例中，有多少預測正確；查全率是指所有實際為陽性的樣例中，有多少被預測出來，也就是敏感性(sensitivity)。這兩個指標實際上是相對矛盾的，為了調(diào)和P和R，我們引入了F1分數(shù)，表示為

(7)

化簡，得

(8)

在本研究中，每個模型都可以得到三個混淆矩陣，分別計算得到三組P和R，計算各自的均值，得

(9)

(10)

(11)

三種特征提取方法和三種機器學習算法相結合，建立了共9種百合拉曼光譜分類模型，在同一個測試集上的分類精度如表5和圖8所示，當采用基于PCA提取的前8個主成分結合RF建立百合分類模型時，計算量較小且準確率最高，達到了95.8%。

表4 不同模型方法組合下的模型評價結果

表5 所有模型的分類準確率

圖8 所有模型的分類準確率對比圖

3 結 論

基于三種百合在400～2 000 cm-1拉曼譜峰信息，將拉曼光譜與機器學習算法相結合，提出了現(xiàn)場快速識別和鑒定百合鱗莖產(chǎn)地的方法模型。實驗結果表明該模型可以有效鑒定百合鱗莖質(zhì)量，篩選不同產(chǎn)地樣本的特征，為百合鱗莖的產(chǎn)地鑒別及溯源分析提供新思路。