最近，我们为日本客户举办了题为“使用JMP对光谱数据/色谱数据进行多变量分析”的研讨会。
正如标题所示，本次研讨会的主题涉及光谱和色谱数据，因此我认为参与者会很少。然而，参与的人数超出了我们的预期。非常感谢！
研讨会期间，我们主要处理了以下拉曼光谱数据。
分析目的
开发使用拉曼光谱（散射模式）量化姜黄中铅含量的模型
光谱数据概述
- 含有用不同铅浓度制备的 42 种姜黄的制备样品
- 根据铅浓度分为 A 至 F 6 组（每组 7 个样品）
下图显示了使用“Graph Builder”可视化的 42 种样品的拉曼光谱数据。如图例所示，每个组都用颜色编码。
数据来源：Cruz、Jordi 等人 (2020)，“数据：使用拉曼光谱检测姜黄素中铅存在的定量模型”，Mendeley Data
执行功能主成分分析以对光谱进行分类
研讨会上，我们利用这些数据通过PCA和PLS回归进行建模，并以函数主成分分析（FPCA）为例介绍了谱分类方法。
可以使用 JMP Pro 的函数数据浏览器平台执行函数主成分分析。因此，我们将小波模型应用于这些光谱数据，并考虑使用函数主成分分析的“分数图” 。通过此分数图，您可以根据样品光谱的形状直观地看到相似性。
绘制得很近的样本具有相似的形状，而绘制得很远的样本则具有不同的形状。因此，如果每个组在分数图中一起绘制，则意味着样品已按姜黄浓度进行分类。
如果您查看下图中的得分图，就会发现黄色绘图点（D 组）位于组件 1 的右侧，其他组位于左侧。 （为了直观地了解光谱的形状，以下分数图显示了三个样品 A7、D4 和 D7 可以在弹出窗口中显示的光谱形状。）
由此看来，D组与其他组（A、B、C、E、F）有明显的区别，但据我了解，A、B、C、E、F组并没有完全分开。
对于那些使用光谱数据的人来说，这似乎是显而易见的，但上面的示例是尝试使用原始测量数据进行分类而不对光谱数据进行预处理的结果。
光谱数据的预处理
据说在分析光谱数据时预处理很重要。通过预处理这使得可以减少噪声、消除不必要的波动并强调特征，并有望提高分析精度。
JMP Pro 的函数数据浏览器配备了常用于光谱数据的预处理功能。
各命令的详细内容如下。
| 手法 |
内容 |
| SNV |
对每个样本进行标准化（平均值为 0，标准差为 1） |
| 硕士 |
乘法散射校正，通过对每个样本拟合简单回归来进行校正 |
| 萨维茨基-戈莱 |
应用 SG 滤波器并对所应用的滤波器执行一阶和二阶导数。 |
| 基线校正 |
通过从每个函数中减去基线函数来校正 |
预处理后的分类结果
首先，我们对原始数据应用 Savitzky-Golay 滤波器（SG 滤波器）并进行预处理以执行一阶微分。
SG 滤波器是一种通过对一组点应用多项式来进行平滑的方法。由于是多项式，因此可以进行微分，通过进行一阶微分，可以强调峰值的斜率（变化率）。
我们将小波模型应用于此预处理数据，并检查函数主成分分析中的得分图。 D 组以外的组中的样本绘制得比以前更加不同，但这些组尚未进行分类。
此外，我们对应用了 SG 滤波器的数据进行了 SNV 处理，并使用类似的分析确认了得分图。
结果，证实A组与其他组明显分开。
最后，我们进行了三维绘图，其中除了函数主成分 1 和 2 之外还包括成分 3，并确认 D 组和 A 组可以与其他组分开。另一方面，B 组和 C 组几乎重叠，无法完全区分，但通过查看成分 3，可以在一定程度上对 E 组和 F 组进行分类。
D 组和 A 组与其他组分开，B 组和 C 组没有分开，因为它们几乎重叠，E 组和 F 组在某种程度上分开，即使不是完全分开，如果看组件 3（Y FPC3）即可。看到确实如此。
通过这个案例研究，我们再次确认了光谱数据预处理的重要性。预处理使得提高数据质量并获得更准确的分类结果成为可能。
参考：关于 Function Data Explorer
函数数据浏览器概述 - 函数主成分分析和各种用例 -（日语） - JMP 用户社区
作者：Naohiro Masukawa（JMP 日本）
Naohiro Masukawa - JMP 用户社区
