最近，我們為日本客戶舉辦了一個題為「使用JMP對光譜資料/色譜資料進行多元分析」的研討會。
如標題所示，本次研討會的主題涉及光譜和色譜數據，因此我認為參與者會很少。然而，參與的人數超出了我們的預期。非常感謝！
研討會期間，我們主要處理了以下拉曼光譜資料。
分析目的
開發使用拉曼光譜（散射模式）量化薑黃中鉛含量的模型
光譜數據概述
- 含有 42 種不同鉛濃度製備的薑黃的製備樣品
- 依鉛濃度分為 A 至 F 6 組（每組 7 個樣本）
下圖顯示了使用「Graph Builder」可視化的 42 種樣品的拉曼光譜數據。如圖例所示，每個組別都以顏色編碼。
資料來源：Cruz、Jordi 等人 (2020)，“數據：使用拉曼光譜檢測薑黃素中鉛存在的定量模型”，Mendeley Data
執行功能主成分分析以對光譜進行分類
研討會上，我們利用這些資料透過PCA和PLS迴歸進行建模，並以函數主成分分析（FPCA）為例介紹了譜分類方法。
可以使用 JMP Pro 的函數資料瀏覽器平台執行函數主成分分析。因此，我們將小波模型應用於這些光譜數據，並考慮使用函數主成分分析的「分數圖」 。透過此分數圖，您可以根據樣品光譜的形狀直觀地看到相似性。
繪製得很近的樣本具有相似的形狀，而繪製得很遠的樣本則具有不同的形狀。因此，如果每個組別在分數圖中一起繪製，則表示樣品已根據薑黃的濃度進行分類。
查看下圖中的得分圖，黃色繪圖點（D 組）位於組件 1 的右側，其他組位於左側。 （為了直觀地了解光譜的形狀，以下分數圖顯示了三個樣品 A7、D4 和 D7 可以在彈出視窗中顯示的光譜形狀。）
由此看來，D組與其他組（A、B、C、E、F）有明顯的區別，但據我了解，A、B、C、E、F組並沒有完全分開。
對於那些處理光譜資料的人來說，這似乎是顯而易見的，但上面的範例是嘗試使用原始測量資料進行分類而不對光譜資料進行預處理的結果。
光譜資料的預處理
據說在分析光譜資料時預處理很重要。透過預處理這使得可以減少噪音、消除不必要的波動並強調特徵，並有望提高分析精度。
JMP Pro 的函數資料瀏覽器配備了常用於光譜資料的預處理功能。
各命令的詳細內容如下。
| 手法 |
內容 |
| 南美洲病毒 |
將每個樣本標準化（平均值為 0，標準差為 1） |
| MSC |
乘性散射校正，透過對每個樣本擬合簡單迴歸進行校正 |
| 薩維茨基-戈萊 |
應用 SG 濾波器並對所應用的濾波器執行一階和二階導數。 |
| 基線校正 |
透過從每個函數中減去基線函數來校正 |
預處理後的分類結果
首先，我們對原始資料套用 Savitzky-Golay 濾波器（SG 濾波器）並進行預處理以執行一階微分。
SG 濾波器是一種透過對一組點應用多項式來進行平滑的方法。由於是多項式，因此可以進行微分，透過進行一階微分，可以強調峰值的斜率（變化率）。
我們將小波模型應用於此預處理數據，並檢查函數主成分分析中的得分圖。 D 組以外的組中的樣本繪製得比以前更加不同，但這些組尚未進行分類。
此外，我們對應用了 SG 濾波器的數據進行了 SNV 處理，並使用類似的分析確認了得分圖。
結果，確認A組與其他組明顯分開。
最後，我們進行了三維繪圖，其中除了功能主成分 1 和 2 之外還包括成分 3，並確認 D 組和 A 組可以與其他組分開。另一方面，B 組和 C 組幾乎重疊，無法完全區分，但透過查看成分 3，可以在一定程度上對 E 組和 F 組進行分類。
D 組和A 組與其他組分開，B 組和C 組沒有分開，因為它們幾乎重疊，E 組和F 組在某種程度上分開，即使不是完全分開，如果看組件3（Y FPC3）即可。
透過這個案例研究，我們再次確認了光譜資料預處理的重要性。預處理使得提高資料品質並獲得更準確的分類結果成為可能。
參考：關於 Function Data Explorer
函數資料瀏覽器概述 - 函數主成分分析和各種用例 -（日文） - JMP 使用者社群
作者：Naohiro Masukawa（JMP 日本）
Naohiro Masukawa - JMP 使用者社區
