Recentemente abbiamo tenuto un seminario intitolato "Analisi multivariata di dati spettrali/dati cromatografici utilizzando JMP" per i clienti giapponesi.
Come suggerisce il titolo, questo seminario trattava un argomento di nicchia riguardante i dati dello spettro e del cromatogramma, quindi pensavo che ci sarebbero stati pochi partecipanti. Tuttavia, il numero di persone che hanno partecipato ha superato le nostre aspettative. Grazie mille!
Durante il seminario ci siamo occupati principalmente dei seguenti dati dello spettro Raman.
Scopo dell'analisi
Sviluppare un modello per quantificare il contenuto di piombo nella curcuma utilizzando la spettroscopia Raman (modalità scattering)
Panoramica dei dati spettrali
- Campioni preparati contenenti 42 tipi di curcuma preparati con diverse concentrazioni di piombo
- Classificato in 6 gruppi da A a F (7 campioni in ciascun gruppo) in base alla concentrazione di piombo
La figura seguente mostra i dati dello spettro Raman di 42 tipi di campioni visualizzati utilizzando il "Graph Builder". Come mostrato nella legenda, ciascun gruppo è codificato a colori.
Fonte dei dati : Cruz, Jordi et al. (2020), "Dati per: modelli quantitativi per rilevare la presenza di piombo nella curcumina utilizzando la spettroscopia Raman", Mendeley Data
Eseguire l'analisi delle componenti principali funzionali per classificare gli spettri
Durante il seminario, abbiamo utilizzato questi dati per eseguire la modellazione eseguendo la regressione PCA e PLS e abbiamo anche introdotto un metodo di classificazione spettrale utilizzando l'analisi delle componenti principali funzionali (FPCA) come esempio applicato.
L'analisi delle componenti principali funzionali può essere eseguita utilizzando la piattaforma Functional Data Explorer di JMP Pro. Pertanto, abbiamo applicato un modello wavelet a questi dati spettrali e considerato un "grafico dei punteggi" utilizzando l'analisi delle componenti principali funzionali. Questo grafico del punteggio ti consente di vedere visivamente le somiglianze in base alla forma degli spettri dei tuoi campioni.
I campioni tracciati vicini hanno forme simili, mentre quelli tracciati lontani hanno forme diverse.Pertanto, se ciascun gruppo viene tracciato insieme nel grafico del punteggio, significa che i campioni sono stati classificati in base alla concentrazione di curcuma.
Osservando il grafico del punteggio nell'immagine sottostante, i punti gialli del grafico (gruppo D) si trovano a destra del componente 1 e gli altri gruppi a sinistra. (Per comprendere visivamente la forma dello spettro, i seguenti grafici del punteggio mostrano la forma dello spettro che può essere visualizzato in un popup per tre campioni A7, D4 e D7.)
Da questo, il Gruppo D era chiaramente distinguibile dagli altri gruppi (A, B, C, E, F), ma i gruppi A, B, C, E ed F non erano completamente separati, a quanto mi risulta.
Ciò può sembrare ovvio a chi lavora con dati spettrali, ma l'esempio sopra è il risultato di un tentativo di classificazione utilizzando dati misurati grezzi senza preelaborare i dati spettrali.
Preelaborazione dei dati spettrali
Si dice che la preelaborazione sia importante quando si analizzano i dati spettrali. Mediante pre-elaborazioneCiò consente di ridurre il rumore, eliminare fluttuazioni non necessarie ed enfatizzare le caratteristiche e si prevede che migliorerà la precisione dell'analisi.
La funzione Esplora dati di JMP Pro è dotata di funzioni di preelaborazione che vengono spesso utilizzate con i dati spettrali.
I dettagli di ciascun comando sono i seguenti.
| Tecnica |
contenuto |
| SNV |
Standardizzare ciascun campione (media a 0, deviazione standard a 1) |
| MSC |
Correzione dello scattering moltiplicativo, correzione mediante adattamento di regressione semplice per ciascun campione |
| Savitzky-Golay |
Applicare il filtro SG ed eseguire la derivata prima e seconda su quello applicato. |
| Correzione della linea di base |
Correggere sottraendo la funzione di base da ciascuna funzione |
Risultati della classificazione dopo la preelaborazione
Innanzitutto, abbiamo applicato un filtro Savitzky-Golay (filtro SG) ai dati grezzi ed eseguito la preelaborazione per eseguire la differenziazione del primo ordine.
Il filtro SG è un metodo di livellamento applicando un polinomio a un gruppo di punti. Poiché è un polinomio, può essere differenziato ed eseguendo la differenziazione del primo ordine, viene enfatizzata la pendenza (tasso di variazione) del picco.
Abbiamo applicato un modello wavelet a questi dati preelaborati e abbiamo controllato il grafico del punteggio nell'analisi delle componenti principali funzionali. I campioni in gruppi diversi da D sono tracciati in modo più disparato rispetto a prima, ma i gruppi non sono stati ancora classificati.
Inoltre, abbiamo eseguito l'elaborazione SNV sui dati a cui è stato applicato il filtro SG e confermato il grafico del punteggio utilizzando un'analisi simile.
Di conseguenza, è stato confermato che il gruppo A era chiaramente separato dagli altri gruppi.
Infine, abbiamo eseguito un grafico tridimensionale che includeva il componente 3 oltre ai componenti principali della funzione 1 e 2, e abbiamo confermato che il gruppo D e il gruppo A potevano essere separati dagli altri gruppi. D’altra parte, i gruppi B e C quasi si sovrapponevano e non potevano essere completamente distinti, ma i gruppi E ed F potevano essere classificati in una certa misura guardando alla componente 3.
Il Gruppo D e il Gruppo A sono separati dagli altri gruppi, i Gruppi B e C non sono separati perché quasi si sovrappongono, ed E ed F sono separati in una certa misura, se non completamente, se guardi il componente 3 (Y FPC3 Puoi). vedi che è così.
Attraverso questo caso di studio, abbiamo riconfermato quanto sia importante la preelaborazione dei dati spettrali. La preelaborazione ha permesso di migliorare la qualità dei dati e ottenere risultati di classificazione più accurati.
Riferimento : Informazioni sulla funzione Esplora dati
Panoramica di Function Data Explorer - Analisi dei componenti principali della funzione e vari casi d'uso - (giapponese) - Comunità di utenti JMP
di Naohiro Masukawa (JMP Giappone)
Naohiro Masukawa - Comunità degli utenti JMP
