一种基于神经网络算法的水体药物残留拉曼光谱识别方法、装置及系统

本技术涉及拉曼光谱分析，尤其涉及一种基于神经网络算法的水体药物残留拉曼光谱识别方法、装置及系统。

背景技术：

1、拉曼光谱是一种无损快速的检测技术，其可获得目标物分子的指纹信息，具有特异性识别的特点，在化学分析、生物医学检测等领域得到了应用。

2、现有的基于拉曼光谱检测技术的目标物检测方法，多以已知物定量检测为主，在拉曼光谱数据处理方面，现有方法在处理复杂样品、混合物的光谱数据时，由于缺乏足够的灵活性，容易导致误判，存在难以识别水中多种污染物的问题。

技术实现思路

1、本技术提供了一种基于神经网络算法的水体药物残留拉曼光谱识别方法、装置及系统，一方面，本技术利用表面增强拉曼光谱(sers)技术借助贵金属纳米材料的等离子体共振增强效应可使表面吸附的目标物分子的拉曼信号显著增强，提高了检测基底的稳定性，从而提高了其检测灵敏度；另一方面，本技术利用神经网络算法模型对检测到的拉曼光谱进行特征提取分析和类别区分，以实现对未知物的识别。对于多种混合物的情况，利用能够识别多种目标物的神经网络算法模型，用于环境中的混合物检测，实现了对养殖水体中多种污染物的识别。

2、第一方面，本技术提供了一种基于神经网络算法的水体药物残留拉曼光谱识别方法，包括：

3、通过拉曼光谱技术，利用制备的拉曼光谱增强检测基底对待测目标物溶液进行拉曼光谱检测分析，得到拉曼光谱数据，所述拉曼光谱数据包含至少一种待检测识别的目标物的拉曼光谱；

4、通过神经网络算法模型，对所述拉曼光谱数据进行目标物种类分析，得到所述目标物的关键特征；

5、基于所述关键特征，结合预设的关键特征样本进行类别区分，得到目标物检测识别结果；

6、其中，所述待检测目标物溶液为通过金属基底检测的目标物水体溶液，所述金属基底为铝箔sers基底，所述待检测目标物溶液包含左氧氟沙星、氟罗沙星、培氟沙星、磺胺嘧啶、亚甲基蓝和孔雀石绿中的至少一种待检测识别的目标物。

7、可选的，通过拉曼光谱技术，利用制备的拉曼光谱增强检测基底对待测目标物溶液进行拉曼光谱检测分析，得到拉曼光谱数据，包括：

8、通过拉曼光谱技术，利用拉曼光谱增强检测基底从待测目标物溶液中采集原始拉曼光谱数据，所述原始拉曼光谱数据包含单目标物拉曼光谱或混合目标物拉曼光谱；

9、基于所述原始拉曼光谱数据进行预处理，得到拉曼光谱数据；

10、其中，所述拉曼光谱增强检测基底中的铝箔sers基底是通过拉曼增强检测基底制备方法，利用金属箔片与含有氢氟酸的硝酸银溶液发生反应，在金属箔片上形成纳米银结构而获得。

11、可选的，通过拉曼光谱技术，利用拉曼光谱增强检测基底从待测目标物溶液中采集原始拉曼光谱数据，包括：

12、在目标温度条件下，通过拉曼光谱检测法，利用拉曼光谱增强检测基底对所述待测目标物溶液进行检测，得到目标物对应的溶液浓度下的拉曼光谱特征峰信息，以作为所述原始拉曼光谱数据；

13、其中，所述拉曼光谱特征峰信息包含拉曼光谱特征峰强度和/或峰面积强度。

14、可选的，通过神经网络算法模型，对所述拉曼光谱数据进行目标物种类分析，得到待检测识别的目标物的关键特征，包括：

15、将所述拉曼光谱数据输入神经网络算法模型中进行目标物分类，得到第一分类结果，所述第一分类结果包含单目标物分类结果或多目标物分类结果；

16、针对所述第一分类结果，通过所述神经网络算法模型进行可解析性分析，并输出识别的所述拉曼光谱数据对应的至少一种目标物的关键特征。

17、可选的，针对所述第一分类结果，通过所述神经网络算法模型进行可解析性分析，包括：

18、针对所述第一分类结果，从所述神经网络算法模型中选取用于识别分析的目标神经元；

19、通过所述目标神经元对所述拉曼光谱数据进行特征分析，得到关键特征。

20、可选的，通过神经网络算法模型，对所述拉曼光谱数据进行目标物种类分析之前，还包括：

21、通过拉曼光谱技术，利用制备的拉曼光谱增强基底对样本溶液进行检测分析，得到拉曼光谱样本集，所述拉曼光谱样本集包含单目标物光谱样本和混合目标物光谱样本；

22、通过预设的随机函数对所述拉曼光谱样本集进行排序划分，得到训练集、验证集和测试集；

23、根据所述拉曼光谱样本集的组成特征，建立基于神经网络的多层感知机算法模型；

24、利用所述训练集对所述多层感知机算法模型进行模型训练，并在模型训练过程中通过所述验证集进行验证，利用所述测试集进行模型测试，直至所述多层感知机算法模型训练完成，得到模型的性能评价结果和训练好的神经网络算法模型；

25、针对性能评价结果，通过shap解析方法进行模型解析，得到各类别目标物的关键特征样本；

26、其中，所述样本溶液包含至少一种浓度的目标物溶液样本，所述关键特征样本集中在447-450cm-1、1104-1114cm-1和571cm-1的拉曼位移范围内，且所述关键特征样本与所述目标物的特征峰相吻合，用于区分不同类别的目标物光谱。

27、可选的，根据所述拉曼光谱样本集的组成特征，建立基于神经网络的多层感知机算法模型，包括：

28、根据所述拉曼光谱样本集进行光谱特征数分析，得到光谱特征数；

29、建立基于神经网络的多层感知机算法模型，并设置所述多层感知机算法模型的输入层神经元数量与所述光谱特征数对应，且设置所述多层感知机算法模型的输出层神经元与目标物识别类别对应。

30、可选的，通过拉曼光谱技术，利用制备的拉曼光谱增强基底对样本溶液进行检测分析，得到拉曼光谱样本集，包括：

31、在室温条件下，通过拉曼光谱技术，利用拉曼光谱增强基底采集样本中不同浓度的样本溶液的拉曼光谱数据，得到目标物在不同浓度下与其拉曼光谱特征峰强度或峰面积强度关系的工作曲线，以作为拉曼光谱样本集，并建立目标物的拉曼增强检测方法；

32、其中，所述拉曼光谱增强检测基底的基底制备方法中反应溶液由预设浓度的氢氟酸和至少一种浓度的硝酸银溶液，根据目标物的检测需求进行反应制得。

33、第二方面，本技术提供了一种基于神经网络算法的水体药物残留拉曼光谱识别装置，包括：

34、拉曼光谱检测分析模块，用于通过制备的拉曼光谱增强基底对待检测目标物溶液进行拉曼光谱检测分析，得到拉曼光谱数据，所述拉曼光谱数据包含至少一种待检测识别的目标物的拉曼光谱；

35、分析模块，用于通过神经网络算法模型，对所述拉曼光谱数据进行目标物种类分析，得到所述目标物的关键特征；

36、类别区分模块，用于基于所述关键特征，结合预设的关键特征样本进行类别区分，得到目标物检测识别结果；其中，所述金属基底溶液为铝箔sers基底，所述目标物水体溶液包含左氧氟沙星、氟罗沙星、培氟沙星、磺胺嘧啶、亚甲基蓝和孔雀石绿中的至少一种待检测识别的目标物。

37、第三方面，本技术提供了一种基于神经网络算法的水体药物残留拉曼光谱识别系统，包括：

38、拉曼光谱检测设备，用于通过制备的拉曼光谱增强基底对待检测目标物溶液进行拉曼光谱检测分析，得到拉曼光谱数据，所述拉曼光谱数据包含至少一种待检测识别的目标物的拉曼光谱；

39、检测分析设备，与拉曼光谱检测设备相连接，用于通过神经网络算法模型，对所述拉曼光谱数据进行目标物种类分析，得到所述目标物的关键特征；基于所述关键特征，结合预设的关键特征样本进行类别区分，得到目标物检测识别结果；其中，所述金属基底溶液为铝箔sers基底，所述目标物水体溶液包含左氧氟沙星、氟罗沙星、培氟沙星、磺胺嘧啶、亚甲基蓝和孔雀石绿中的至少一种待检测识别的目标物。

40、综上，本技术实施例通过拉曼光谱技术，利用拉曼增强基底对包含单目标物和多目标物的待检测目标物溶液进行拉曼光谱检测分析，得到拉曼光谱数据，然后通过神经网络算法模型，对拉曼光谱数据进行目标物种类分析，得到目标物的关键特征，进而基于关键特征，结合预设的关键特征样本进行类别区分，得到目标物检测识别结果。本技术利用拉曼增强光谱技术对金属增强基底进行检测，并结合模型解析识别出实际水样中的目标物，提高检测灵敏度，从而解决了现有技术难以识别水环境中混合目标物的问题，为水体目标物的识别提出了稳定且可靠的方案。