基于機(jī)器學(xué)習(xí)的太赫茲光譜分析與識別

周 月，孫 霽，楊四剛，陳宏偉，徐 坤

(1.北京郵電大學(xué) 信息光子學(xué)與光通信國家重點(diǎn)實(shí)驗(yàn)室，北京 100876；2.清華大學(xué) 電子工程系，北京 100084)

0 引言

太赫茲時域光譜(THz-TDS)是近年來逐步發(fā)展成熟的光譜分析技術(shù)，已經(jīng)逐漸成為前沿多學(xué)科交叉領(lǐng)域的重要技術(shù)手段之一[1-3]。大多數(shù)的有機(jī)大分子、蛋白質(zhì)分子以及生物分子在太赫茲頻譜范圍內(nèi)具有豐富的光學(xué)信息。位于太赫茲波段范圍內(nèi)的光子能量很低，可以避免生物分子結(jié)構(gòu)遭到電離破壞；另外，太赫茲波對非極性材料具有良好的穿透性，為無損檢測創(chuàng)造了有利條件。以上優(yōu)點(diǎn)為太赫茲時域光譜技術(shù)在生物分子的定量定性分析和無損檢測領(lǐng)域的研究奠定了基礎(chǔ)[4-5]。目前，THz-TDS檢測技術(shù)已經(jīng)被廣泛地應(yīng)用于爆炸物檢測[6-7]、毒品藥品檢測[8-9]、生物醫(yī)學(xué)[10-11]、文物保護(hù)[12]以及農(nóng)作物監(jiān)測[13]等領(lǐng)域。

轉(zhuǎn)基因技術(shù)是利用基因工程和分子生物學(xué)，通過改變生物的DNA，進(jìn)而改變生物遺傳特性的技術(shù)。全球99%的轉(zhuǎn)基因作物由美國、加拿大、阿根廷和中國種值，每年種植轉(zhuǎn)基因作物的種類和數(shù)量都持續(xù)增長[14]。這些轉(zhuǎn)基因農(nóng)產(chǎn)品被用來飼養(yǎng)動物或者壓榨油料，減低了社會生產(chǎn)成本，滿足了人類的生活生產(chǎn)需求。轉(zhuǎn)基因技術(shù)在增加農(nóng)作物產(chǎn)量，提高農(nóng)作物抗病等作用的同時可能會引起過敏等危害。轉(zhuǎn)基因作物帶來的潛在問題，例如對環(huán)境的影響、宗教倫理的挑戰(zhàn)以及生態(tài)安全等尚未明確。因此，針對轉(zhuǎn)基因作物的檢測技術(shù)的研究具有重要意義，為農(nóng)產(chǎn)品安全和質(zhì)量的檢測提供重要的技術(shù)支持[15]。

基于蛋白質(zhì)檢測的方法被用于大多數(shù)的轉(zhuǎn)基因生物檢測，但是基于蛋白質(zhì)檢測的方法耗時較長且成本高昂[16]。太赫茲時域光譜檢測技術(shù)結(jié)合機(jī)器學(xué)習(xí)識別方法具有快速、高效以及高準(zhǔn)確性的優(yōu)點(diǎn)，擁有較高的研究價值和應(yīng)用潛力。2015年，Liu等人基于太赫茲光譜，構(gòu)建了一個改進(jìn)的支持向量機(jī)算法(Support Vector Machines，SVM)，可以有效地鑒定出轉(zhuǎn)基因和非轉(zhuǎn)基因棉花種子，為轉(zhuǎn)基因作物的定性識別提供了一種無損、快速、可靠的方法[17]。2016年，Liu等人利用太赫茲時域光譜成像技術(shù)對轉(zhuǎn)基因稻米進(jìn)行了太赫茲圖像的提取。利用隨機(jī)森林(Random Forest，RF)算法對獲得的太赫茲圖像進(jìn)行了分類識別，準(zhǔn)確率達(dá)到了96.67%[18]。2017年，Lian等人測量了四種轉(zhuǎn)基因玉米和一種非轉(zhuǎn)基因玉米標(biāo)準(zhǔn)品的太赫茲譜，隨后利用主成分分析算法(Principal Component Analysis，PCA)對光譜數(shù)據(jù)進(jìn)行了降維，然后采用PCA結(jié)合支持向量機(jī)的方法，成功的識別出所有標(biāo)準(zhǔn)品樣本，準(zhǔn)確率達(dá)到92.08%[19]。

本文以兩種轉(zhuǎn)基因油菜種子(Mon88302和GT73)和一種非轉(zhuǎn)基因油菜種子為研究對象。首先提取了三種油菜種子的太赫茲光譜。其次通過計算得到樣本的太赫茲吸收譜。最后利用樸素貝葉斯算法(Naive Baiyes，NB)、基于樸素貝葉斯的自適應(yīng)提升算法(Naive Baiyes-AdaBoost，NB-daboost)和主成分分析結(jié)合隨機(jī)森林算法(PCA-RF)、主成分分析結(jié)合支持向量計算法(PCA-SVM)對樣本的太赫茲吸收譜進(jìn)行了分類識別，對分類效果進(jìn)行了分析研究。

1 實(shí)驗(yàn)部分

1.1 實(shí)驗(yàn)系統(tǒng)

實(shí)驗(yàn)系統(tǒng)采用自行搭建的太赫茲時域光譜儀對樣品進(jìn)行太赫茲光譜提取。實(shí)驗(yàn)裝置原理如圖1所示。中心波長為1 560 nm，重復(fù)頻率為100 MHz，脈沖寬度為100 fs，平均功率為72 mW的飛秒光纖激光器作為太赫茲脈沖產(chǎn)生和探測的激勵光源。飛秒光源為線偏振光，因此，半波片和偏振分束器的組合在分束的同時，可以控制探測光和泵浦光的功率分配。反射鏡為的反射率大于97%。其中反射鏡4和反射鏡5成90°放置于電動位移平臺上，組成機(jī)械延遲線。斬波器為鎖相放大器提供參考頻率。光纖準(zhǔn)直器負(fù)責(zé)將自由空間傳輸?shù)娘w秒激光耦合進(jìn)入光電導(dǎo)天線的尾纖當(dāng)中。太赫茲發(fā)射器產(chǎn)生的太赫茲脈沖由兩組90°離軸拋物面鏡負(fù)責(zé)進(jìn)行收集和準(zhǔn)直。兩組離軸拋物面鏡之間的焦點(diǎn)處為待測樣品擺放位置。穩(wěn)壓電源為直流偏置+100 V，負(fù)責(zé)為太赫茲發(fā)射器提供直流偏壓。太赫茲探測器的輸出信號連接鎖相放大器，由鎖相放大器進(jìn)行信號處理和儲存。最后通過計算機(jī)進(jìn)行數(shù)據(jù)處理，獲得待測樣品的太赫茲時域光譜。

圖1 實(shí)驗(yàn)裝置原理

圖2是THz-TDS的光譜，其中插圖是光譜儀的時域脈沖波形。

圖2 THz-TDS光譜和時域波形(插圖)

從圖2中可以看到，光譜儀有效帶寬為2.5 THz，峰值動態(tài)范圍60 dB。在實(shí)際測量過程中，室內(nèi)溫度保持在23℃。樣品倉中充入干燥的空氣，使倉內(nèi)的濕度保持在5%以下。減小空氣中水汽對測量效果的影響。

1.2 樣品制備

實(shí)驗(yàn)中的菜籽樣品包含3種類別，其中Mon88302和GT73為轉(zhuǎn)基因油菜種子，剩余一種Non-GMO為非轉(zhuǎn)基因油菜種子。轉(zhuǎn)基因GT73和Mon88302以及非轉(zhuǎn)基因Non-GMO油菜種子樣本均購買自孟山都公司。由于油菜種子出油率較高，難以直接壓片成型。因此實(shí)驗(yàn)用對太赫茲吸收很小，且刻圓槽的高密度聚乙烯板作為樣品的檢測窗口。高密度聚乙烯板厚度0.5 mm，圓槽直徑1 mm。將待測樣品充分研磨，通過填充壓實(shí)高密度聚乙烯窗口實(shí)現(xiàn)樣品的均勻定型。整個制作過程中保持樣品的干燥以減小水分對測量結(jié)果的干擾。

1.3 樣品光學(xué)信息提取方法

實(shí)驗(yàn)采取透射式THz-TDS對樣品的太赫茲光譜進(jìn)行測量，利用Dorney等人提出的模型最終提取樣品的太赫茲吸收譜。在正入射條件下，被測樣品對于太赫茲信號的復(fù)透射函數(shù)可以表示為[20-21]：

(1)

如果僅分析樣品材料在弱吸收近似情況下，以及菲涅耳透射系數(shù)取實(shí)數(shù)時，就可以得到樣品的折射率和吸收系數(shù)近似值，即[21]：

(2)

(3)

通過測量到的太赫茲時域光譜數(shù)據(jù)以及上述公式，可以計算出樣品的折射率和吸收系數(shù)。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 樣品的太赫茲吸收譜

實(shí)驗(yàn)提取的3種油菜種子的太赫茲吸收譜如圖3所示。

圖3 3種油菜種子的太赫茲吸收曲線

由于油菜種子對太赫茲具有較強(qiáng)的吸收，因此只提取到的太赫茲吸收譜的頻譜范圍為0.2～1.1 THz。從圖3可以看出，3種油菜種子的并沒后明顯的太赫茲吸收峰。3種油菜種子的太赫茲吸收曲線之間的差異也非常小，肉眼難以進(jìn)行區(qū)分。為了達(dá)到自動化及準(zhǔn)確的區(qū)分各類轉(zhuǎn)基因油菜種子樣本的目的，需要將太赫茲時域光譜與機(jī)器學(xué)習(xí)分類算法相結(jié)合。

實(shí)驗(yàn)中總共成功制備了89份樣本，其中兩類轉(zhuǎn)基因樣本分別為30份，非轉(zhuǎn)基因樣本29份。由于樣本數(shù)量偏小，為了防止識別算法的過擬合，實(shí)驗(yàn)中采用10倍交叉驗(yàn)證對樣品進(jìn)行分析。10倍交叉驗(yàn)證中，初始數(shù)據(jù)集被隨機(jī)劃分為大小基本相同但互不相交的10組數(shù)據(jù)子集。在訓(xùn)練和測試過程，中每次選出一組作為測試集，其余各組作為訓(xùn)練集，依次類推，共進(jìn)行10次訓(xùn)練和測試。10倍交叉驗(yàn)證中，分類準(zhǔn)確率是10次迭代準(zhǔn)確率的平均值，因此采用10倍交叉驗(yàn)證的分類結(jié)果具有較低的偏倚和方差。

2.2 樸素貝葉斯分類

貝葉斯分類器時在概率框架內(nèi)進(jìn)行決策的基本方法之一[22]。在相關(guān)概率已知的理想情況下，貝葉斯分類器可以或得最優(yōu)的識別標(biāo)記。但是，對于后驗(yàn)概率，貝葉斯分類器的類條件概率很難通過有限的樣本估計直接獲得。樸素貝葉斯分類算法對已知類別，假設(shè)所有的屬性相互獨(dú)立，每個屬性獨(dú)立對分類結(jié)果產(chǎn)生影響，從而避免了貝葉斯分類器的局限性[23]。樸素貝葉斯分類器的表達(dá)式為：

(4)

式中，x為樣本屬性；d為屬性數(shù)目；c為分類標(biāo)記。

表1是樸素貝葉斯分類方法的轉(zhuǎn)基因樣本分類效果。從表1中可以看到，非轉(zhuǎn)基因油菜Non-GMO、轉(zhuǎn)基因GT73油菜和轉(zhuǎn)基因Mon88302油菜的分類準(zhǔn)確率分別為80%，97%，77%。各有10%的Non-GMO樣本被誤分類為GT73和Mon88302；有3%的GT73被誤分類為Mon88302；有23%的Mon88302被誤分類為非轉(zhuǎn)基因油菜Non-GMO。Naive Baiyes分類方法的平均準(zhǔn)確率為84.7%。

表1 樸素貝葉斯算法分類效果

樣本Non-GMOGT73Mon88302Non-GMO0.800.100.10GT730.000.970.03Mon883020.230.000.77

2.3 基于樸素貝葉斯的Adaboost分類

Boosting算法也稱增強(qiáng)算法，可以用于分類問題和回歸問題，由Schapire在1990年首次提出[24]。Boosting是一類通過對多個弱學(xué)習(xí)器的集成，組合成為強(qiáng)學(xué)習(xí)器的分類算法。1995年，F(xiàn)reund和Schapire通過改進(jìn)Boosting算法，提出了自適應(yīng)提升(Adaptive Boosting，AdaBoost)算法[25]。AdaBoost算法擁有較好的精度，具有很高的實(shí)用性。AdaBoost算法的自適應(yīng)表現(xiàn)在，前一個弱學(xué)習(xí)器預(yù)測錯誤的樣本權(quán)重會得到加強(qiáng)，更新權(quán)值后，樣本再次被用來訓(xùn)練下一輪新的弱學(xué)習(xí)器。在每輪訓(xùn)練過程中，樣本集合用來訓(xùn)練新的弱學(xué)習(xí)器，產(chǎn)生新的權(quán)值，像這樣不斷地迭代循環(huán)，最終逼近預(yù)定的錯誤率。Adaboost算法的學(xué)習(xí)策略是最小化指數(shù)損失函數(shù)，當(dāng)指數(shù)損失函數(shù)最小時，算法的分類錯誤率也逼近最小。

表2是基于樸素貝葉斯的Adaboost分類方法的轉(zhuǎn)基因樣本分類效果。從表2中可以看到Non-GMO，GT73，Mon88302的分類準(zhǔn)確率分別為90%，100%，100%。各有7%和3%的Non-GMO樣本被誤分類為GT73和Mon88302；GT73和Mon88302樣本沒有出現(xiàn)分類錯誤；基于樸素貝葉斯的Adaboost分類方法的平均準(zhǔn)確率為96.7%。

表2 基于樸素貝葉斯的Adaboost分類效果

樣本Non-GMOGT73Mon88302Non-GMO0.900.070.03GT730.001.000.00Mon883020.000.001.00

2.4 PCA-RF分類

PCA算法是一種將高維數(shù)據(jù)集簡化為低維數(shù)據(jù)集的方法，屬于無監(jiān)督降維。高維數(shù)據(jù)集通過PCA可以實(shí)現(xiàn)有效的降維處理，降維后的數(shù)據(jù)集可以有效地反映原始數(shù)據(jù)集的數(shù)據(jù)特征。

RF是一種綜合了集成分類器和隨機(jī)子空間的算法，是基于決策樹的一種算法，通過集成思想將多顆決策樹進(jìn)行集成。決策樹是一種樹形結(jié)構(gòu)，針對標(biāo)簽問題進(jìn)行“分類”和“決策”，最終的決策結(jié)果就是分類結(jié)果。

表3展示了PCA-RF方法中轉(zhuǎn)基因樣本分類效果。從中可以看到Non-GMO，GT73，Mon88302樣本的預(yù)測準(zhǔn)確率分別為83%，93%，97%。PCA-RF分類方法的平均準(zhǔn)確率為91%。有17%的Non-GMO樣本被誤分類為GT73；有3%的GT73被誤分類為Non-GMO；有3%的GT73被誤分類為Mon88302；有3%的Mon88302被誤分類為Non-GMO。

表3 PCA-RF分類效果

樣本Non-GMOGT73Mon88302Non-GMO0.830.170.00GT730.030.930.03Mon883020.030.000.97

2.5 PCA-SVM分類

SVM是一種通過非線性映射將原始特征映射到較高維度的算法[26]。SVM在許多實(shí)踐領(lǐng)域備受關(guān)注，如遙感、圖像處理等。SVM起源于分類問題，對于給定的訓(xùn)練集D，SVM的思想就是找到一個劃分超平面將D中的樣本區(qū)分開。

表4展示了PCA-SVM方法的轉(zhuǎn)基因樣本分類效果。從中可以看到Non-GMO，GT73，Mon88302樣本的預(yù)測準(zhǔn)確率分別為83%，100%，70%。PCA-SVM分類方法的平均準(zhǔn)確率為84.3%。有17%的Non-GMO樣本被誤分類為GT73；有17%的Mon88302被誤分類為Non-GMO；有13%的Mon88302被誤分類為GT73。

表4 PCA-SVM分類效果

樣本Non-GMOGT73Mon88302Non-GMO0.830.170.00GT730.001.000.00Mon883020.170.130.70

表5對4種分類方法的分類效果進(jìn)行了總結(jié)。從表5中可以看到，在轉(zhuǎn)基因油菜種子的太赫茲時域光譜識別中，只使用樸素貝葉斯方法分類的準(zhǔn)確率只有84.7%。但是結(jié)合Adaboost算法后，分類準(zhǔn)確率達(dá)到96.7%，是4種算法中最高的分類準(zhǔn)確率。結(jié)果表明，基于樸素貝葉斯的Adaboost算法更適合與轉(zhuǎn)基因油菜種子的分類識別。

表5 4種分類方法分類效果比較

分類方法平均準(zhǔn)確率樣品分類準(zhǔn)確率Non-GMOGT73Mon88302樸素貝葉斯0.8470.800.970.77基于樸素貝葉斯的Adaboost0.9670.901.001.00PCA-RF0.9100.830.930.97PCA-SVM0.8430.831.000.70

3 結(jié)束語

本文通過太赫茲時域光譜系統(tǒng)研究了2種轉(zhuǎn)基因油菜種子和一種非轉(zhuǎn)基因油菜種子的太赫茲時域光譜，分析了其在0.2～1.1 THz頻譜范圍內(nèi)的太赫茲吸收譜，通過4種機(jī)器學(xué)習(xí)分類方法，對油菜種子樣品進(jìn)行了檢測識別。實(shí)驗(yàn)結(jié)果表明，3種油菜種子的太赫茲吸收譜沒有明顯吸收峰，并且差異不大。借助于機(jī)器學(xué)習(xí)算法可以實(shí)現(xiàn)對其的準(zhǔn)確分類，其中基于樸素貝葉斯的Adaboost分類算法可以達(dá)到96.7%的分類準(zhǔn)確率。本文的研究為轉(zhuǎn)基因作物快速、準(zhǔn)確的檢測提供了有益參考。