In diesem Blogbeitrag, Sr. Analytics Software Tester @Mark_Bailey und ich erkläre ein paar Neue Eigenschaften in JMP Pro 17. Das JMP-Entwicklungsteam hat hart daran gearbeitet, neue chemometrische Analysefunktionen in die Software einzubauen. Die meisten der neuen Funktionen konzentrieren sich auf den Functional Data Explorer. Jetzt können Sie mit wenigen Mausklicks Ihre Kurvendaten vorverarbeiten, die vorverarbeiteten Daten zur weiteren multivariaten Analyse in einer neuen Tabelle speichern und eine Funktionsanalyse dieser Daten auf einer Plattform durchführen. Wir werden uns in diesem Beitrag auf die Analyse von Spektraldaten konzentrieren, aber bitte beachten Sie, dass diese Plattform praktisch alle Ihre chemometrischen Daten mit hervorragenden Ergebnissen analysiert.
Vielen Dank an @clay_barker , @RyanParker , und @chris_gotwalt1 um diese chemometrische Analysefunktion in einer Plattform zusammenzuführen.
Vorverarbeitung
Die Vorverarbeitung von Spektraldaten könnte nicht viel einfacher sein als mit FDE. Es gibt eine neue Registerkarte Spektral, auf der Sie mehrere Vorverarbeitungswerkzeuge finden, darunter Standard Normal Variate (SNV), Multiplicative Scatter Correction (MSC), Savitzky-Golay-Glättung mit der Möglichkeit der 1. und 2. Ableitung und Basislinienkorrektur.
Abbildung 1. Screenshot der neuen in FDE integrierten Vorverarbeitungsfunktion
Wir demonstrieren die neuere chemometrische Analysefunktion in JMP Pro anhand eines Nahinfrarot-Datensatzes von Dyrby et al., Angewandte Spektroskopie, Band 56, Nummer 5, 2002.
Anfängliche Vorverarbeitung
Für diesen Datensatz waren die ersten Vorverarbeitungsschritte SNV gefolgt von Baseline Correction. Die Basislinienkorrektur war ein quadratisches Modell über die gesamte Funktion. In den folgenden Bildern können Sie sehen, wie die Vorverarbeitung funktioniert hat, um die meisten Abweichungen in den Daten zu verringern.
Verwenden Sie eine einzelne Vorverarbeitungsmethode oder verwenden Sie sie in Kombination, um das Beste aus Ihrer Datenstandardisierung herauszuholen. Eine der häufigeren Kombinationen, die in vielen wissenschaftlichen Artikeln zu sehen ist, besteht darin, die erste Savitzky-Golay-Ableitung zu nehmen und dann die SNV für einen letzten Schritt zu nehmen. Diese Kombination funktioniert gut, aber scheuen Sie sich nicht, mehrere Kombinationen auszuprobieren, um zu sehen, was für Ihre Daten am besten funktioniert.
Figur 2. Tabletten-NIR-Daten vor und nach der Vorverarbeitung
Speichern Sie die vorverarbeiteten Daten als neue gestapelte Tabelle für weitere multivariate Analyseschritte. Für weitere Analysen sollten Sie die Daten wieder in das Breitformat transponieren.
Wavelet-Modellierung
Wir haben zuvor gezeigt, wie B-Splines und P-Splines in FDE verwendet werden, um Spektraldaten zu modellieren. Mit JMP Pro 17 wird eine neue Wavelet-Modellierungsfunktion hauptsächlich für chemometrische Daten hinzugefügt. Sie finden den neuen Umschalter für das Wavelet-Modell unter dem roten Dreieck (Functional Data Explorer > Models > Wavelets).
Figur 3. Mit FDE in JMP Pro 17 verknüpfte Modelle
Die Wavelet-Modellierung eignet sich viel besser zum Anpassen von Kurvendaten mit vielen Spitzen als jede der beiden Spline-Methoden.
Die Ausgabe des Wavelet-Modells, wie unten zu sehen, passt schnell zu den Daten für alle 310 Chargen. Das Ergebnis legt nahe, dass ein Symlet-4-Modell von 15 anderen Algorithmen, die auf den Bayesian Information Criteria (BIC) basieren, am besten zu allen Daten passt. Das Modell mit dem niedrigsten BIC ist das beste.
Figur 4. Wavelet-Modellauswahl und beste Passform basierend auf BIC
Da FDE das beste Modell für die Form der interessierenden Kurve findet, sehen Sie, dass die funktionalen Hauptkomponenten (FPC) jetzt Formfunktionen genannt werden.
Abbildung 5. Neue Formfunktionsbezeichnung für FDE-Daten
Sie können auch sehen, dass das Eigenwertdiagramm immer noch zeigt, wie sehr die einzelnen Formfunktionen die Formvariation erklären.
An diesem Punkt sollten Sie die Funktionszusammenfassungen in einer neuen Tabelle speichern. Klicken Sie auf das rote Dreieck für Funktionszusammenfassungen und wählen Sie Zusammenfassungen speichern aus. Die funktionalen Hauptkomponenten werden mit den Wavelet-Koeffizienten in dieser neuen Tabelle mit Ihren zusätzlichen Variablen gespeichert. Wir werden diese Tabelle im Abschnitt Vorhersagemodellierung erneut aufrufen.
Eine neue Control Chart Builder-Funktion stellt auch die Funktionszusammenfassungen der FPCs für jede Proben-ID grafisch dar.
Abbildung 6. Control Chart Builder In FDE integriert.
Wie zuvor können Sie die Anzahl der Komponenten begrenzen, die zum Definieren der Form verwendet werden, indem Sie das FPCA-Modellauswahl-Tool verwenden. Diese Reduzierung trägt zur Vereinfachung Ihres Modells bei, wenn der größte Teil der Variation durch eine geringere Anzahl von Formkomponenten erklärt wird, als im ursprünglichen Modell gezeigt.
Abbildung 7. Tool zur Modellauswahl für funktionale Hauptkomponenten (Formfunktion).
Wavelets-DOE-Analyse
Die letzte neue Funktion ist die Wavelets-DOE-Analyse, die im roten Dreiecksmenü für Wavelets (Wavelets on Reduce Grid (404)) zu finden ist.
Transformationen sind sehr schnell mit Daten in einem Raster. Das reduzierte Raster stellt sicher, dass die Wellennummern gleichmäßig verteilt sind, ohne Dezimalstellen. JMP entwickelt das reduzierte Raster für Sie, aber Sie können steuern, wie regelmäßig das Raster ist, wenn Sie dies wünschen.
Abbildung 8. Wavelet-DOE-Auswahloption.
Für diese Daten möchten wir sehen, welche Kurve oder welcher Kurvensatz eine bestimmte Prozent-API am besten emuliert. Die Wavelet-Koeffizienten werden mithilfe der Generalized Regression-Plattform schnell analysiert. Der resultierende Wavelet-DOE-Profiler wird verwendet, um die Wellenlänge zu finden oder Wellenlängen festzulegen, die die Unterschiede zwischen den verschiedenen Prozentwerten definieren. Da die Koeffizienten Wellenlängen und Auflösungen darstellen, werden sie verwendet, um ein besser interpretierbares Modell zu erstellen, als dies unter Verwendung von FPCs möglich gewesen wäre.
Abbildung 9. Wavelet DOE Energy Graphic und FDOE Profiler.
In der obigen Abbildung zeigt die Energietabelle die signifikantesten Unterschiede für alle Koeffizienten. Der Koeffizient für Res 2 bei Wellenlänge 8175 hat die höchste Energie und repräsentiert etwa 27 % der Gesamtenergie der aktiven Wellenlängen. Als Bonus repräsentieren die Koeffizienten direkt bestimmte Wellenlängen oder Peaks in den Kurvendaten.
Erstellen eines Vorhersagemodells aus den Wavelet-Koeffizienten
Die neue Zusammenfassungstabelle ist nützlich für statistische Analysen und Vorhersagemodelle. Die FPCs könnten verwendet werden, um ein Vorhersagemodell zu erstellen, oder eine andere Option besteht darin, ein Vorhersagemodell basierend auf einer Teilmenge der Wavelet-Koeffizientendaten unter Verwendung der Generalized Regression-Plattform zu erstellen. Wie Sie am Tabellenrand unten sehen können, gibt es eine Spalte für alle 512 Wavelet-Koeffizienten. Wahrscheinlich benötigen Sie nur eine kleine Teilmenge aller Koeffizienten, um ein gutes Vorhersagemodell zu erstellen.
Abbildung 10. Wavelet-Modellzusammenfassungstabelle (512 Koeffizienten).
Das folgende verallgemeinerte Regressionsmodell zeigt die Anpassung unter Verwendung aller Wavelet-Koeffizientendaten als Variablen für die Anpassung. Die Elastic Net-Bestrafung wurde mit Elastic Net Alpha von 0,56 verwendet, um so viele wesentliche Wellenlängen wie möglich einzubeziehen, aber eine Überanpassung zu vermeiden, indem alle 512 Wavelet-Koeffizienten im Modell verwendet werden.
Abbildung 11. Anpassung des verallgemeinerten Regressionsmodells.
Probieren Sie die neuen Techniken mit Ihren eigenen Datensätzen aus oder fragen Sie uns nach einer Demonstration. Nochmals vielen Dank an unser hervorragendes Entwicklungsteam und wir freuen uns auf Ihr Feedback zu diesen bahnbrechenden Verbesserungen der Software.
