尿液中常見毒品微量檢測的表面增強拉曼光譜識別

王磊+郭淑霞+戴吟臻+楊良保+劉國坤

摘 要 通過將自適應平滑濾波器和結合小波變換的支持向量機（Support vector machine， SVM）分類器有機組合，建立了低信噪比拉曼光譜的模式識別方法。首先，通過自適應平滑濾波器進行光譜去噪，濾波窗口寬度根據信噪比估計值進行調整，從而在保證特征峰信號強度的同時達到更好的噪聲濾波效果;其次，由小波變換實現光譜數據降維，通過小波分解層數優化可以獲得訓練集的最佳分類準確率;最后，由SVM進行分類，通過交叉驗證（Cross validation， CV）實現SVM參數尋優，并根據交叉驗證與分類器之間的準確率關系，得出分類器可用參數需滿足的條件。基于表面增強拉曼光譜技術，本方法實現了人體尿液中甲基苯丙胺（Methamphetamine，MAMP）和亞甲基二氧基甲基苯丙胺（3，4-Methylenedio-xymethamphetamine， MDMA）的定性微量分析。實驗使用中國科學院合肥智能機械研究所研發的金納米棒拉曼光譜增強基底，由DeltaNu公司的Inspector型便攜拉曼光譜儀采集光譜，激發光波長785 nm，曝光時間為5 s， 整體檢測準確率高于95.0%。

關鍵詞 拉曼光譜; 濾波; 小波變換; 支持向量機

1 引 言

目前，體內常見毒品及其代謝物的主要分析方法有免疫分析法、光譜法、色譜法以及各種聯用技術。高效液相色譜（High performance liquid chromatography， HPLC）與氣相-色譜質譜聯用（Gas chromatograph-mass spectrometer， GC/MS）技術均得到廣泛應用[1～3]，這些檢測方法均需要處理樣品， 檢測費時， 設備昂貴， 對操作人員技術要求高。拉曼光譜檢測技術無需對樣品預處理， 成本低， 檢測周期短， 可用于現場檢測，已成為毒品快速檢測的重要武器^[4，5]。

以尿液進行毒品檢測取樣方便。甲基苯丙胺（Methamphetamine， MAMP）在人體內大約有45%仍以原體形式存在^[2];在尿液中MDMA藥物原體的檢出時限達藥后5天^[1]。本研究在正常人體尿液中定量加入被檢測毒品，模擬吸毒人體的尿液樣本，并結合表面增強拉曼光譜技術，實現尿液中MAMP和MDMA的微量定性分析。

由于尿液成分復雜，待檢樣品含量低，獲取的拉曼光譜信噪比低，被檢物質的特征峰容易被背景信號淹沒，為光譜分類帶來困難。結合化學計量學方法，構建適合的最優分類器，有望實現類間差異微小的光譜有效分類，例如，文獻[6～8]均通過化學計量學方法完成了類間差異很小的光譜的分類任務，分類準確率高于88.4%。為此，本研究提出了自適應濾波法，以及結合小波變換的支持向量機分類器，從而實現尿液中MAMP和MDMA檢測的表面增強拉曼光譜分析。

2 光譜獲取

MAMP和MDMA樣本由中華人民共和國公安部物證鑒定中心提供。隨機選擇12名志愿者， 采集尿液，配制空白尿液（Ⅰ類）、含有50 mg/L MAMP的尿液（Ⅱ類）、含有50 mg/L MDMA的尿液（Ⅲ類）、同時含有30 mg/L MAMP和30 mg/L MDMA的尿液（Ⅳ類）4類樣本，取一小滴滴在金納米棒拉曼光譜（中國科學院合肥智能機械研究所研發）增強基底上，在空氣中自然揮干10～20 s，由Inspector便攜型拉曼光譜儀（DeltaNu公司）采集光譜，激發光波長785 nm，曝光時間為5 s，光譜采集過程均在尿液樣本獲得后的30 min內完成。

對所有拉曼光譜數據進行如下分組：隨機選擇10個尿液樣本對應的1475條光譜作為訓練集，其中包含Ⅰ類光譜350條，Ⅱ類光譜450條，Ⅲ類光譜450條，Ⅳ類光譜225條;剩余2個尿液樣本的450條光譜作為檢驗集，包含Ⅰ類光譜150條，Ⅱ類光譜100條，Ⅲ類光譜100條，Ⅳ類光譜100條。

另外，作為對方法擴展性的驗證，本研究還包含孔雀石綠樣本溶液的表面增強拉曼光譜：將被測樣本、粒度55 nm的球形Au納米增強粒子、1 mol/L KI團聚劑溶液以1∶1∶0.1的容積比例攪拌、搖勻，置于ReporteR型拉曼光譜儀（DeltaNu公司）檢測樣品槽內，曝光時間為3 s，采集光譜。共采集光譜798條，其中，以去離子水配制的孔雀石綠溶液對應的光譜636條（空白90條，非空白546條），作為訓練樣本集;以3個采樣點所得海水所配置的孔雀石綠溶液對應的光譜分別為93， 35， 34條，作為檢驗樣本集。

3 光譜分析原理

3.1 光譜預處理

在濾波過程中，希望對光譜中的噪聲和特征峰兩類區域，區別對待：特征峰區域要求更好的信號保真度;而其它區域要求更好的提高信噪比^[14]。為此，本研究采用自適應濾波器，濾波過程如圖2a所示。通過公式（1）估計光譜噪聲水平，其中，λ表示調節噪聲概率分布水平的閾值;選定濾波窗口寬度初始值ω，在窗口移動過程中根據信噪比大小調整濾波器窗口寬度，如式（2），ω′為調整后的濾波窗口寬度。

3.2 特征分類

支持向量機基于統計學習理論，若應用中事先不明確訓練樣本是否線性可分，可引入懲罰因子C，允許一定的分類錯誤^[15，16]。然而支持向量機未給出最優結構參數選擇的理論依據^[17]，需要經過參數尋優過程，本研究選用尋優算法中常用的交叉驗證實現這一過程。

小波變換（Wavelet transform， WT）根據信號頻率的不同，將信號按多尺度分解，依據尺度信息調整取樣步長，聚焦于信號中的特定頻率分量^[18]。將預處理后的光譜做N層小波變換，其近似分量長度為原始數據長度的1/2N，且可以代表光譜的大部分能量^[19]。在不影響分類結果準確性的前提下，將光譜近似分量進行分類，可以減少分類器的運算量。endprint

4 結果與討論

4.1 光譜預處理

采用文獻[12]所述方法對原始光譜進行基線校正^[20]，基線校正參數為： σ=7.5， t1=0.9， t2=0.005; 對校正后的光譜進行自適應濾波處理，濾波參數為： t=30， λ=2.5; ω=31。結果如圖2b所示，此濾波方法可對噪聲區域較大平滑，并完整地保留了特征峰信息。

4.2 數據降維

選擇”db4”小波函數，對預處理后的光譜做小波變換。為了實現最優分類效果，選擇不同的分解層數，分別對訓練集進行光譜處理，并將分解結果輸入支持向量機進行分類，如圖3所示流程，選擇Thresh=90。小波分解層數與分類準確率的關系見圖4a，當分解層數從1開始逐漸增大，分類準確率逐漸提高;當分解層數為3時，分類效果最佳;此后，分類效果變差。因此，選擇3層小波分解。

4.3 特征分類

選擇Gauss核函數^[21]，如式（4），其中，λ為高斯參數;引入懲罰因子C。支持向量機算法選用LIBSVM^[22]，通過10-fold交叉驗證對高斯參數γ與懲罰因子C尋優^[22]。分類器初始參數為C=2 Symbolm@@ 2， γ=2 Symbolm@@ 10，參數調整方式為C=C×2， γ=γ×2^[21]，交叉驗證準確率與參數的對應關系如圖4b，隨著高斯參數或懲罰因子C逐漸變大，分類器容錯率逐漸降低，分類準確率逐漸提高;同時，懲罰因子C與高斯參數γ對分類準確率具有協同作用，當兩者處于最佳匹配時，分類準確率可以為99.7%。

在保證訓練結果有效的同時，為了保證分類器對未知樣本的泛化能力，對分類器參數優化結果及對應分類器的泛化能力進行了相關性研究：選擇交叉驗證結果高于70%時對應的參數組合，對檢驗集進行分類，所得分類準確率與交叉驗證準確率的關系圖如圖5所示。當交叉驗證準確率低于89%時，分類器分類準確率較差;當交叉驗證準確率高于94%時，分類器分類準確率存在振蕩，即此時分類器訓練過程的過擬合影響了分類器的泛化能力。因此，分類參數最佳組合應保證交叉驗證準確率為89%～ 94%，即圖4b所示曲面拐點范圍內。

4.4 結果分析

根據上文所述對交叉驗證準確率的允許范圍，選擇交叉驗證準確率為最小邊界（89.2%）時對應的參數組合C=25， γ=2 Symbolm@@ 10，整體分類準確率為95.1%，分類結果見表1;選擇交叉驗證準確率為最大邊界（93.8%）時對應的參數組合C=26， γ=2 Symbolm@@ 8，整體分類準確率為95.3%，分類結果見表2;選擇最佳交叉驗證準確率（91.86 %）對應的參數組合C=23， γ=2 Symbolm@@ 6，整體分類準確率為96.2%，分類結果見表3。

由分類結果可知，在交叉驗證準確率允許范圍內，整體分類準確率高于95.0%，整體假陽性率不高于9.0%; 對于含有50 mg/L MAMP或MDMA的毒品尿液光譜，假陰性率不高于3.0%; 對于含有30 mg/L MAMP和MDMA的毒品尿液光譜，假陰性率低于1.0%。而當選擇最佳分類參數組合時，所得假陽性率為7.3%，假陰性率為0。因此，通過參數優化，可以實現得到令人滿意的結果。

5 結 論

建立了低信噪比拉曼光譜模式識別方法。提出了自適應濾波算法，減少了拉曼特征峰強度的損失，同時得到了更好的濾波效果;通過小波分析及其分解層數尋優，實現了滿足分類最優條件的光譜數據降維;采用交叉驗證方法，研究了支持向量機參數優化對分類器性能的影響，給出參數尋優條件。將本方法用于人尿液中MDMA和（MAMP）兩種毒品的微量分析，實現了4種樣本分類，參數達到最優組合時，整體分類準確率高于95.0%，假陽性率為7.3%，假陰性率為0。將本方法用于海水中孔雀石綠的表面增強拉曼光譜檢測，實現了痕量定性分析。本方法分類能力強，識別度高，但是前期需以較多的光譜樣本作為訓練數據，因而適用于光譜樣本易獲得， 光譜重現性較好的應用體系。

References

1

SHEN Min， SHEN Bao-Hua， HUANG Zhong-Jie， XIANG Ping， LIU Wei， BU Jun. Journal of Chinese Mass Spectrometry Society， 1998， 19（2）： 65-69

沈 敏， 沈寶華， 黃仲杰， 向 平， 劉 偉， 卜 俊. 質譜學報， 1998， ?19（2）： 65-69

2 SUN Hong-Feng， GU Xue-Xin， WANG Ji-Fen， NI Wei-Gui， LI Wen-Jun， LI-Ying. Chinese Journal of Chromatography， 2007， ?25（4）： 590-593

孫洪峰， 谷學新， 王繼芬， 倪為貴， 李文君， 李 瑛. ?色譜， 2007， ?25（4）： 590-593

3 CHEN Yue， ZHU Jun， YU Zhong-Shan， ZHANG Yun-Feng， LIU Yao. Chinese Journal of Chromatography， 2012， ?30（11）： 1148-1152

陳 躍， 朱 軍， 于忠山， 張云峰， 劉 耀. ?色譜， 2012， ?30（11）： 1148-1152endprint

4 FAN Yu-Xia， LAI Ke-Qiang， ?HUANG Yi-Qun. Spectroscopy and Spectral Analysis， 2014， 34（7）： 1859-1864

樊玉霞， 賴克強， 黃軼群. 光譜學與光譜分析， ?2014， ?34（7）： 1859-1864

5 ZHANG Jin-Ping， LU Xin-An， YANG Jie， YANG Gui-Mei， ZHU Wen-Jie. Chemical World， 2011， ?8： 465-469

張金萍， 魯心安， 楊 潔， 楊桂梅， 朱文杰. ?化學世界， 2011， ?8： 465-469

6 Hartmann K， Putsche M B， Bocklitz T， Pachmann K， Niendorf A， Rsch P， Popp J. Anal Bioanal Chem， ?2012， ?403（3）： 745-753

7 Stckel S， Meisel S， Elschner M， Rsch P， Popp J. Spectroscopic Analysis， ?2012， ?51（22）： 5339-5342

8 Stckel S， Meisel S， Elschner M，Rsch P， Popp J. Analytical Chemistry， ?2012， ?84（22）： 9873-9880

9 Trachta G， Schwarze B， Sagmuller B， Brehm G， Schneider S. Journal of Molecular Structure， ?2004， ?693（1-3）： 175-185

10 Sgmüller B， Schwarze B， Brehm G， Trachta G， Schneider S. Journal of Molecular Structure， ?2003， ?661-662： 279-290

11 Hargreaves M D， Page K， Munshi T， Tomsett R， Lynch G， Edwards H G M. Journal of Raman Spectroscopy， ?2008， ?39（7）： 873-880

12 Stewart A， Bell S. E. Chem. Commun （Camb）， ? 2011， ?47（15）： 4523-4525

13 Bell S E J， Thorburn B D， Dennis A C， Matchett L J， Speers J S. The Analyst， ? 2000， ?125（10）： 1811-1815

14 Gemperline P L. Translated by WU Hai-Long， KANG Chao. Practical Guide to Chemometrics （2nd Edition）. ?Beijing： ?Science Press， 2012

保羅·戈培林 著. 吳海龍， 康 超 譯. ?化學計量學實用指南 （第二版）， 北京： 科學出版社， 2012

15 GAO Jun. Artificial Neural Network Theory and Simulation （2nd Edition）. ?Beijing： China Machine Press， 2003： ?78-84

高 雋. ?人工神經網絡原理及仿真實例（第2版）， 北京： 機械工業出版社， 2003： ?78-84

16 Theodoridis S， Koutroumbas K. Translated by LI Jingjiao， WANG Aixia， WANG Jiao. Pattern Recognition ?（4th Edition）. Beijing： Publishing House of Electronics Industry， 2010： ?81-90

（希）Theodoridis S， Koutroumbas K 著. 李晶皎， 王愛俠， 王 驕 譯. 模式識別 （第四版）， 北京： 電子工業出版社， 2010： ?81-90

17 LIN Ji-Peng， LIU Jun-Hua. Spectroscopy and Spectral Analysis， ?2006， ?12（29）： 2232-2235

林繼鵬， 劉君華. ?光譜學與光譜分析， 2006， ?12（29）： 2232-2235

18 Jiang X Q， Blunt L， Stout K J. Proc. R. Soc. Lond. A， ?2000， ?456： 2283-2313

19 Bggess A， Francis J M. Translated by RUI Guo-Sheng， KANG Jian. A First Couse in Wavelets with Fourier Analysis （2nd Edition）. Beijing： Publishing house of electronics industry， ?2010： ?173-195endprint

艾伯特·博格斯， 朗西斯 J. 馬科維奇 著. 芮國勝， 康 健 譯. ?小波與傅里葉分析基礎（第二版）， 電子工業出版社， 2010： ?173-195

20 GUO Shu-Xia， ZHANG Feng-Ling， GAO Pan， ZENG Yong-Ming， CHEN Hong-Ju， LIU Guo-Kun， WANG Lei. Spectroscopy and spectral analysis， ?2014， ?34（5）： 1284-1288

郭淑霞， 張鳳玲， 高 盼， 曾勇明， 陳宏炬， 劉國坤， 王 磊. ?光譜學與光譜分析， 2014， ?34（5）： 1284-1288

21 Hsu C W， Chang C C， Lin C J. http：//www.csie.ntu.edu.tw/～cjlin. Version： 2003. Last update： April 15， 2010

22 Chang C C， Lin C J. ACM Transactions on Intelligent Systems and Technology， ?2011， ?doi： 10， 1145/1961189， 196 1199

Surface Enhanced Raman Scattering Spectrum Recognition

for Trace Detection of Common Drugs in Urine

WANG Lei*1， GUO Shu-Xia1， DAI Yin-Zhen1， YANG Liang-Bao2， LIU Guo-Kun3

1（College of Physics and Mechanical and Electrical Engineering， Xiamen University， Xiamen 361005， China）

2（Institute of Intelligent Machines， Chinese Academy of Sciences， Hefei 230031， China）

3（College of Chemistry and Chemical Engineering， Xiamen University， Xiamen 361005， China）

Abstract Assembling an adapted smoothing method and a classifier of wavelet transform combined support vector machine （SVM）， a Raman spectrum recognition approach was built for low signal noise ratio situation. Firstly， spectra data were denoised by the adapted smoothing method. The smoothing window was adapted to the signal noise ratio， which would effectively remove noise with the intensity of the signal well remained. Secondly， the wavelet transform was used for dimension reduction of the data. The decomposition level of wavelet transform was optimized according to the best classification result of the training set. Lastly， SVM was used for classification. Cross Validation （CV） was applied to obtain the optimized parameters of SVM. Conditions for the effective parameters were searched considering the relation between the cross-validation result and the classification accuracy. Combined with the surface enhanced Raman scattering （SERS） technology， the developed spectrum recognition approach was used for qualitative analysis of methamphetamine （MAMP） and 3，4-methylenedioxymethamphetamine （MDMA） in people′s urine， where the detecting accuracy is above 95.0%. The uniform Au nanorods （NRs） SERS substrate synthetized by the Hefei Institute of Intelligent Machines of Chinese Academy of Sciences was used for the experiment. Raman spectra were acquired using an Inspector Raman （DeltaNu） spectrometer， with the excitation wavelength of 785 nm and the integrate time of 5 seconds.

Keywords Raman spectrum; Smoothing; Wavelet transform; Support vector machine

（Received 22 June 2014; accepted 22 September 2014）

This work was supported by the National Key Scientific Apparatus Development of Special Item （No. 2011YQ030124） and the National Natural Science Foundation of China （No.21373173）endprint