Kürzlich haben wir für japanische Kunden ein Seminar mit dem Titel „Multivariate Analyse von Spektraldaten/Chromatogrammdaten mit JMP“ abgehalten.
Wie der Titel vermuten lässt, hatte dieses Seminar ein Nischenthema und befasste sich mit Spektrum- und Chromatogrammdaten, daher ging ich davon aus, dass es nur wenige Teilnehmer geben würde. Die Zahl der Teilnehmer übertraf jedoch unsere Erwartungen. Vielen Dank!
Während des Seminars haben wir uns hauptsächlich mit den folgenden Raman-Spektrum-Daten beschäftigt.
Zweck der Analyse
Entwickeln Sie ein Modell zur Quantifizierung des Bleigehalts in Kurkuma mithilfe der Raman-Spektroskopie (Streumodus).
Spektraldatenübersicht
- Vorbereitete Proben mit 42 Kurkumasorten, zubereitet mit unterschiedlichen Bleikonzentrationen
- Je nach Bleikonzentration in 6 Gruppen A bis F (7 Proben in jeder Gruppe) eingeteilt
Die folgende Abbildung zeigt die Raman-Spektrumsdaten von 42 Probentypen, die mit dem „Graph Builder“ visualisiert wurden. Wie in der Legende gezeigt, ist jede Gruppe farblich gekennzeichnet.
Datenquelle : Cruz, Jordi et al. (2020), „Daten für: Quantitative Modelle zum Nachweis des Vorhandenseins von Blei in Curcumin mittels Raman-Spektroskopie“, Mendeley Data
Führen Sie eine funktionale Hauptkomponentenanalyse durch, um Spektren zu klassifizieren
Auf dem Seminar haben wir diese Daten verwendet, um eine Modellierung durch Ausführen von PCA- und PLS-Regression durchzuführen, und haben außerdem eine Spektralklassifizierungsmethode anhand der funktionalen Hauptkomponentenanalyse (FPCA) als Anwendungsbeispiel vorgestellt.
Die funktionale Hauptkomponentenanalyse kann mit der Functional Data Explorer- Plattform von JMP Pro durchgeführt werden. Daher haben wir ein Wavelet-Modell auf diese Spektraldaten angewendet und mithilfe der funktionalen Hauptkomponentenanalyse ein „Score-Plot“ erstellt. Mit diesem Score-Plot können Sie Ähnlichkeiten basierend auf der Form der Spektren Ihrer Proben visuell erkennen.
Nah beieinander aufgetragene Proben haben ähnliche Formen, während weit entfernt aufgetragene Proben unterschiedliche Formen haben.Wenn daher jede Gruppe im Score-Plot zusammen dargestellt wird, bedeutet dies, dass die Proben nach der Kurkuma-Konzentration klassifiziert wurden.
Wenn Sie sich das Ergebnisdiagramm im Bild unten ansehen, befinden sich die gelben Diagrammpunkte (Gruppe D) rechts von Komponente 1 und die anderen Gruppen links. (Um die Form des Spektrums visuell zu verstehen, zeigen die folgenden Bewertungsdiagramme die Form des Spektrums, die in einem Popup für drei Proben A7, D4 und D7 angezeigt werden kann.)
Dadurch war Gruppe D klar von anderen Gruppen (A, B, C, E, F) zu unterscheiden, aber die Gruppen A, B, C, E und F waren meines Wissens nicht vollständig getrennt.
Für diejenigen, die mit Spektraldaten arbeiten, mag dies offensichtlich erscheinen, aber das obige Beispiel ist das Ergebnis des Versuchs, anhand roher Messdaten zu klassifizieren, ohne die Spektraldaten vorzuverarbeiten.
Vorverarbeitung von Spektraldaten
Bei der Analyse von Spektraldaten soll die Vorverarbeitung wichtig sein. Durch VorbehandlungDadurch ist es möglich, Rauschen zu reduzieren, unnötige Schwankungen zu eliminieren und Merkmale hervorzuheben, und es wird erwartet, dass die Analysegenauigkeit verbessert wird.
Der Function Data Explorer von JMP Pro ist mit Vorverarbeitungsfunktionen ausgestattet, die häufig bei Spektraldaten verwendet werden.
Einzelheiten zu jedem Befehl sind wie folgt.
| Technik |
Inhalt |
| SNV |
Standardisieren Sie jede Stichprobe (Mittelwert auf 0, Standardabweichung auf 1). |
| MSC |
Multiplikative Streuungskorrektur, Korrektur durch Anpassung einer einfachen Regression für jede Probe |
| Savitzky-Golay |
Wenden Sie den SG-Filter an und führen Sie die erste und zweite Ableitung des angewendeten Filters durch. |
| Grundlinienkorrektur |
Korrigieren Sie, indem Sie die Basisfunktion von jeder Funktion subtrahieren |
Klassifizierungsergebnisse nach der Vorverarbeitung
Zuerst haben wir einen Savitzky-Golay-Filter (SG-Filter) auf die Rohdaten angewendet und eine Vorverarbeitung durchgeführt, um eine Differenzierung erster Ordnung durchzuführen.
Der SG-Filter ist eine Glättungsmethode durch Anwendung eines Polynoms auf eine Gruppe von Punkten. Da es sich um ein Polynom handelt, kann es differenziert werden, und durch die Durchführung einer Differenzierung erster Ordnung wird die Steigung (Änderungsrate) des Peaks betont.
Wir haben ein Wavelet-Modell auf diese vorverarbeiteten Daten angewendet und das Score-Plot in der funktionalen Hauptkomponentenanalyse überprüft. Proben in anderen Gruppen als D werden unterschiedlicher dargestellt als zuvor, die Gruppen wurden jedoch noch nicht klassifiziert.
Darüber hinaus führten wir eine SNV-Verarbeitung der SG-gefilterten Daten durch und bestätigten das Score-Plot mithilfe einer ähnlichen Analyse.
Dadurch wurde bestätigt, dass Gruppe A deutlich von anderen Gruppen getrennt war.
Abschließend führten wir eine dreidimensionale Darstellung durch, die neben den Funktionshauptkomponenten 1 und 2 auch Komponente 3 umfasste, und bestätigten, dass Gruppe D und Gruppe A von anderen Gruppen getrennt werden konnten. Andererseits überlappten sich die Gruppen B und C fast und konnten nicht vollständig unterschieden werden, die Gruppen E und F konnten jedoch einigermaßen klassifiziert werden, indem man sich Komponente 3 ansah.
Gruppe D und Gruppe A sind von anderen Gruppen getrennt, die Gruppen B und C sind nicht getrennt, da sie sich fast überlappen, und E und F sind teilweise, wenn nicht sogar vollständig, getrennt, wenn Sie sich Komponente 3 (Y FPC3) ansehen Sehen Sie, dass es so ist.
Durch diese Fallstudie haben wir erneut bestätigt, wie wichtig die Vorverarbeitung von Spektraldaten ist. Durch die Vorverarbeitung konnte die Qualität der Daten verbessert und genauere Klassifizierungsergebnisse erzielt werden.
Referenz : Über den Funktionsdaten-Explorer
Überblick über den Funktionsdaten-Explorer – Funktionshauptkomponentenanalyse und verschiedene Anwendungsfälle – (Japanisch) – JMP-Benutzer-Community
von Naohiro Masukawa (JMP Japan)
Naohiro Masukawa – JMP-Benutzergemeinschaft
