Recientemente, llevamos a cabo un seminario titulado "Análisis multivariado de datos espectrales/datos de cromatograma con JMP" para un cliente japonés.
Como sugiere el título, este seminario tenía un tema específico que trataba sobre datos de espectro y cromatograma, por lo que pensé que habría pocos participantes. Sin embargo, la cantidad de personas que participaron superó nuestras expectativas. ¡Muchas gracias!
Durante el seminario, tratamos principalmente los siguientes datos del espectro Raman.
Propósito del análisis
Desarrollar un modelo para cuantificar el contenido de plomo en la cúrcuma mediante espectroscopía Raman (modo de dispersión)
Descripción general de los datos espectrales
- Muestras preparadas que contienen 42 tipos de cúrcuma preparadas con diferentes concentraciones de plomo.
- Clasificado en 6 grupos A a F (7 muestras en cada grupo) según la concentración de plomo
La siguiente figura muestra los datos del espectro Raman de 42 tipos de muestras visualizadas utilizando el "Graph Builder". Como se muestra en la leyenda, cada grupo está codificado por colores.
Fuente de datos : Cruz, Jordi et al (2020), “Datos para: Modelos cuantitativos para detectar la presencia de plomo en curcumina mediante espectroscopia Raman”, Mendeley Data
Realizar análisis de componentes principales funcionales para clasificar espectros.
En el seminario, utilizamos estos datos para realizar modelos mediante la ejecución de regresión PCA y PLS, y también introdujimos un método de clasificación espectral utilizando el análisis de componentes principales funcionales (FPCA) como ejemplo aplicado.
El análisis de componentes principales funcionales se puede realizar utilizando la plataforma Functional Data Explorer de JMP Pro. Por lo tanto, aplicamos un modelo wavelet a estos datos espectrales y consideramos un "gráfico de puntuación" utilizando el análisis de componentes principales funcionales. Este gráfico de puntuación le permite ver visualmente similitudes según la forma de los espectros de sus muestras.
Las muestras trazadas muy juntas tienen formas similares, mientras que las trazadas muy lejos tienen formas diferentes.Por lo tanto, si cada grupo se representa en conjunto en el gráfico de puntuación, significa que las muestras se han clasificado según la concentración de cúrcuma.
Si observa el gráfico de puntuación en la imagen a continuación, los puntos amarillos del gráfico (grupo D) están ubicados a la derecha del componente 1 y los otros grupos están ubicados a la izquierda. (Para comprender visualmente la forma del espectro, los siguientes gráficos de puntuación muestran la forma del espectro que se puede mostrar en una ventana emergente para tres muestras A7, D4 y D7).
A partir de esto, el Grupo D se distinguía claramente de otros grupos (A, B, C, E, F), pero, según tengo entendido, los Grupos A, B, C, E y F no estaban completamente separados.
Esto puede parecer obvio para quienes trabajan con datos espectrales, pero el ejemplo anterior es el resultado de intentar clasificar utilizando datos medidos sin procesar sin preprocesar los datos espectrales.
Preprocesamiento de datos espectrales.
Se dice que el preprocesamiento es importante al analizar datos espectrales. Por preprocesamientoEsto hace posible reducir el ruido, eliminar fluctuaciones innecesarias y enfatizar las características, y se espera que mejore la precisión del análisis.
Function Data Explorer de JMP Pro está equipado con funciones de preprocesamiento que se utilizan a menudo con datos espectrales.
Los detalles de cada comando son los siguientes.
| Técnica |
contenido |
| VSN |
Estandarizar cada muestra (media a 0, desviación estándar a 1) |
| MSC |
Corrección de dispersión multiplicativa, corrigiendo ajustando una regresión simple para cada muestra |
| Savitzky-Golay |
Aplique el filtro SG y realice la primera y segunda derivada sobre el aplicado. |
| Corrección de referencia |
Corrija restando la función de referencia de cada función |
Resultados de clasificación después del preprocesamiento.
Primero, aplicamos un filtro Savitzky-Golay (filtro SG) a los datos sin procesar y realizamos un preprocesamiento para realizar una diferenciación de primer orden.
El filtro SG es un método de suavizado aplicando un polinomio a un grupo de puntos. Dado que es un polinomio, se puede diferenciar y, al realizar una diferenciación de primer orden, se enfatiza la pendiente (tasa de cambio) del pico.
Aplicamos un modelo wavelet a estos datos preprocesados y verificamos el gráfico de puntuación en el análisis de componentes principales funcionales. Las muestras de grupos distintos del D se trazan de manera más dispar que antes, pero los grupos aún no se han clasificado.
Además, realizamos el procesamiento SNV en los datos filtrados de SG y confirmamos el gráfico de puntuación mediante un análisis similar.
Como resultado, se confirmó que el grupo A estaba claramente separado de otros grupos.
Finalmente, realizamos un gráfico tridimensional que incluía el componente 3 además de los componentes principales de función 1 y 2, y confirmamos que el grupo D y el grupo A podían separarse de otros grupos. Por otro lado, los grupos B y C casi se superponían y no podían distinguirse completamente, pero los grupos E y F podían clasificarse hasta cierto punto observando el componente 3.
El grupo D y el grupo A están separados de otros grupos, los grupos B y C no están separados porque casi se superponen, y E y F están separados hasta cierto punto, si no completamente, si nos fijamos en el componente 3 (Y FPC3). mira que así es.
A través de este estudio de caso, reconfirmamos la importancia del preprocesamiento de datos espectrales. El preprocesamiento permitió mejorar la calidad de los datos y obtener resultados de clasificación más precisos.
Referencia : Acerca del Explorador de datos de funciones
Descripción general de Function Data Explorer: análisis de componentes principales de funciones y varios casos de uso (japonés) - Comunidad de usuarios de JMP
por Naohiro Masukawa (JMP Japón)
Naohiro Masukawa - Comunidad de usuarios de JMP
