Récemment, nous avons organisé un séminaire intitulé « Analyse multivariée des données spectrales/données de chromatogramme avec JMP » pour un client japonais.
Comme le titre l'indique, ce séminaire avait un sujet de niche traitant des données de spectre et de chromatogramme, j'ai donc pensé qu'il y aurait peu de participants. Cependant, le nombre de participants a dépassé nos attentes. Merci beaucoup!
Au cours du séminaire, nous avons principalement traité des données du spectre Raman suivantes.
Objectif de l'analyse
Développer un modèle pour quantifier la teneur en plomb du curcuma par spectroscopie Raman (mode diffusion)
Aperçu des données spectrales
- Échantillons préparés contenant 42 types de curcuma préparés avec différentes concentrations de plomb
- Classé en 6 groupes A à F (7 échantillons dans chaque groupe) en fonction de la concentration en plomb
La figure ci-dessous montre les données du spectre Raman de 42 types d'échantillons visualisés à l'aide du « Graph Builder ». Comme le montre la légende, chaque groupe est codé par couleur.
Source des données : Cruz, Jordi et al. (2020), « Données pour : Modèles quantitatifs pour détecter la présence de plomb dans la curcumine à l'aide de la spectroscopie Raman », Mendeley Data
Effectuer une analyse fonctionnelle des composantes principales pour classer les spectres
Lors du séminaire, nous avons utilisé ces données pour effectuer une modélisation en exécutant la régression PCA et PLS, et avons également présenté une méthode de classification spectrale utilisant l'analyse en composantes principales fonctionnelles (FPCA) comme exemple appliqué.
L'analyse des composantes principales fonctionnelles peut être effectuée à l'aide de la plateforme Functional Data Explorer de JMP Pro. Par conséquent, nous avons appliqué un modèle d’ondelettes à ces données spectrales et considéré un « graphique de score » utilisant l’analyse fonctionnelle en composantes principales. Ce tracé de score vous permet de voir visuellement les similitudes en fonction de la forme des spectres de vos échantillons.
Les échantillons tracés à proximité les uns des autres ont des formes similaires, tandis que ceux tracés plus loin ont des formes différentes.Par conséquent, si chaque groupe est regroupé dans le diagramme de scores, cela signifie que les échantillons ont été classés en fonction de la concentration de curcuma.
Si vous regardez le tracé des scores dans l'image ci-dessous, les points jaunes du tracé (groupe D) sont situés à droite du composant 1 et les autres groupes sont situés à gauche. (Afin de comprendre visuellement la forme du spectre, les tracés de scores suivants montrent la forme du spectre qui peut être affiché dans une fenêtre contextuelle pour trois échantillons A7, D4 et D7.)
De là, le groupe D se distinguait clairement des autres groupes (A, B, C, E, F), mais les groupes A, B, C, E et F n'étaient pas complètement séparés, d'après ce que je comprends.
Cela peut sembler évident à ceux qui travaillent avec des données spectrales, mais l'exemple ci-dessus est le résultat d'une tentative de classification utilisant des données brutes mesurées sans prétraiter les données spectrales.
Prétraitement des données spectrales
Le prétraitement est considéré comme important lors de l’analyse des données spectrales. Par prétraitementCela permet de réduire le bruit, d’éliminer les fluctuations inutiles et de mettre en valeur les caractéristiques, et devrait améliorer la précision de l’analyse.
Function Data Explorer de JMP Pro est équipé de fonctions de prétraitement qui sont souvent utilisées avec des données spectrales.
Les détails de chaque commande sont les suivants.
| Technique |
contenu |
| SNV |
Standardiser chaque échantillon (moyenne à 0, écart type à 1) |
| MSC |
Correction de diffusion multiplicative, correction en ajustant une simple régression pour chaque échantillon |
| Savitzky-Golay |
Appliquez le filtre SG et effectuez les dérivées première et seconde sur celui appliqué. |
| Correction de la ligne de base |
Corrigez en soustrayant la fonction de base de chaque fonction |
Résultats de classification après prétraitement
Tout d’abord, nous avons appliqué un filtre Savitzky-Golay (filtre SG) aux données brutes et effectué un prétraitement pour effectuer une différenciation de premier ordre.
Le filtre SG est une méthode de lissage par application d'un polynôme à un groupe de points. Puisqu'il s'agit d'un polynôme, il peut être différencié et, en effectuant une différenciation du premier ordre, la pente (taux de changement) du pic est soulignée.
Nous avons appliqué un modèle d'ondelettes à ces données prétraitées et vérifié le tracé des scores dans l'analyse fonctionnelle en composantes principales. Les échantillons des groupes autres que D sont tracés de manière plus disparate qu'auparavant, mais les groupes n'ont pas encore été classés.
De plus, nous avons effectué le traitement SNV sur les données filtrées SG et confirmé le tracé des scores à l'aide d'une analyse similaire.
En conséquence, il a été confirmé que le groupe A était clairement séparé des autres groupes.
Enfin, nous avons réalisé un tracé tridimensionnel incluant la composante 3 en plus des composantes fonctionnelles principales 1 et 2, et avons confirmé que le groupe D et le groupe A pouvaient être séparés des autres groupes. En revanche, les groupes B et C se chevauchaient presque et ne pouvaient pas être complètement distingués, mais les groupes E et F pouvaient être classés dans une certaine mesure en examinant la composante 3.
Le groupe D et le groupe A sont séparés des autres groupes, les groupes B et C ne sont pas séparés car ils se chevauchent presque, et E et F sont séparés dans une certaine mesure, sinon complètement, si vous regardez le composant 3 (Y FPC3). voyez que c'est le cas.
À travers cette étude de cas, nous avons reconfirmé l’importance du prétraitement des données spectrales. Le prétraitement a permis d'améliorer la qualité des données et d'obtenir des résultats de classification plus précis.
Référence : À propos de l'Explorateur de données de fonction
Présentation de Function Data Explorer - Analyse des composants principaux de la fonction et divers cas d'utilisation - (Japonais) - JMP User Community
par Naohiro Masukawa (JMP Japon)
Naohiro Masukawa - Communauté d'utilisateurs JMP
