Improving LIBS machine learning bacteria classification performance based on self-absorption correction

Fei Chen

doi:10.1039/D6JA00122J

Improving LIBS machine learning bacteria classification performance based on self-absorption correction

2026-06-04

0

PRE

AI

DOI：10.1039/D6JA00122J

原文链接

原文求助

摘要

En 中文

快速准确的细菌检测对于有效管理和减轻细菌污染相关的风险至关重要。近年来，激光诱导击穿光谱（LIBS）与机器学习的集成为细菌的快速识别提供了有效途径。然而，LIBS中普遍存在的自吸收效应导致光谱强度非线性衰减和峰形畸变，这引入了系统误差，降低了光谱特征的物理一致性，并限制了机器学习分类器在高浓度样本中的鉴别性能。为解决这些问题，本研究提出了一种基于光谱线强度比和自吸收参数的自吸收校正方法，以改善细菌LIBS光谱的分类性能。该方法利用具有相似上下能级结构的元素双重线，通过实验强度比与理论参数比之间的关系提取自吸收系数，从而在不直接测量复杂等离子体参数的情况下实现有效的强度校正。为系统评估此校正的有效性，采用四种标准机器学习模型处理校正前后的光谱数据，具体包括偏最小二乘判别分析（PLS-DA）、主成分分析结合k近邻（PCA-KNN）、支持向量机（SVM）和随机森林（RF），用于分类七种细菌物种。结果表明，自吸收校正显著提升了所有模型的分类性能，PLS-DA、PCA-KNN、SVM和RF的整体准确率分别从76.8%、92.7%、95.9%和95.9%提高到87.0%、99.2%、98.0%和98.8%。关键评估指标，包括曲线下面积（AUC）、平均精度（AP）、精确度、召回率和F1分数，也显示出系统性改善，其中PCA-KNN和RF在多个指标上接近理想分类水平。总之，所提出的双线强度比校正方法有效抑制了LIBS光谱中的自吸收，并显著提高了细菌分类中机器学习模型的准确性和稳健性。该方法为构建高精度LIBS系统提供了技术支持，并具有在食品安全、临床诊断和生物安全监测中的潜在应用价值。

Improving LIBS machine learning bacteria classification performance based on self-absorption correction

摘要

期刊

机构

引用论文