Robust and interpretable SERS classification via a machine-learning evaluation framework

doi:10.1016/j.vibspec.2026.103948

Robust and interpretable SERS classification via a machine-learning evaluation framework

2026-07-17

0

PRE

AI

DOI：10.1016/j.vibspec.2026.103948

原文链接

原文求助

摘要

En 中文

表面增强拉曼光谱（SERS）可实现快速、无标记的细菌指纹识别，但许多机器学习研究缺乏透明的评估协议和可解释的特征分析。本研究提出了一种基于SERS-机器学习的细菌分类评估框架，采用固定浓度的十类金黄色葡萄球菌数据集（100个光谱）和无泄漏的60/20/20训练/验证/测试分割（重复15个随机种子）。经过Savitzky-Golay平滑和标准正态变量归一化后，光谱在完整（384个变量）和裁剪（400–1200 cm⁻¹；298个变量）两种表示下进行分析。线性判别分析（LDA）作为主要密集分类器，而基于稳定性选择的特征选择与LDA（StabSel-LDA）的组合被评估为具有验证调优特征数量K的稀疏辅助模型。LDA实现了接近极限的清洁性能（平均准确率0.970–0.973；宏F1 0.966–0.969），并在加性噪声、漂移和±5 cm⁻¹光谱偏移下保持稳定（准确率0.953）。StabSel-LDA将特征集缩减至124–228个波段，并在不同种子下产生可重复的波段选择谱，但清洁准确率较低（0.940–0.943），且在±5 cm⁻¹偏移下表现出显著退化（0.760–0.783）。这些结果支持一种角色分工的部署策略，其中LDA作为主要决策模型，而StabSel-LDA提供稀疏辅助用于特征压缩和可解释的谱带识别。所提出的框架为在小SERS数据集中平衡分类性能、鲁棒性评估和光谱可解释性提供了透明的方法。

Keyword:

Surface-enhanced Raman spectroscopy

Bacterial strain classification

Chemometrics

Sparse modeling

Stability selection

Analytical methods

Robust and interpretable SERS classification via a machine-learning evaluation framework

摘要

期刊

机构