技术提示:充分利用拉曼数据

拉曼光谱曾经被认为在理论上和应用上对大多数用户来说都太先进了，如今它的仪器从简单的手持设备到更复杂的台式系统，拉曼数据分析策略的范围从几个关键原则的仔细应用到使用化学计量学和机器学习的更自动化的方法。

拉曼分析一瞥

拉曼峰签名提供了高度重复的指纹，每个分析物可以通过任何数字方法反卷积。这允许检测复杂的混合物和现实世界的样品，与理想的实验室样品相比，通常是相当“凌乱”的。

虽然拉曼光谱技术是一种先进的光谱技术，但它并不困难或过于复杂。让拉曼变得棘手的是，你所关心的东西与一堆其他光谱特征混合在一起。例如，在传统的光谱学中，你可以分析透射吸光度图(即比色皿中的染料)或物质反射图，很容易找出宽峰和相交的等渗透点，并解释它们。但在拉曼光谱中，光谱特征表面上是随机的。

实际上，大多数用户都观察了随处可用峰值和锯齿状的形状的拉曼光谱。这些功能来自哪里？好吧，他们来自各种各样的东西：剩余样品，像素到像素响应等。最好不要过度思考它。这些是要问的关键问题：

• 当我添加我所测量的样本与一些空白(参考)相比，什么是具有统计学意义的变化?
• 如何处理数据以重复可视化和量化此功能？

幸运的是，有一组有限的工具可以运行数据。

基线化(基线校正)

这只是意味着从每一个其他值中减去一些像素/波数值，这将一个波数标记为0。这将纠正由焦点、功率等问题引起的垂直偏移，但不会缩放图的大小。

如果您更熟悉吸光度或反射率的光谱模式，您知道通过执行基线校正来解释任何光学换档是很重要的。峰值或通常的任何值可以倾斜一些环境影响，但可以基于已知的区域校正，该区域与改变参数无关。可以为拉曼光谱完成相同的操作，并且对于校正一个希望量化数据来说至关重要。

图1所示。应用基线后，原始BPE拉曼光谱中的一切都被捕捉到x轴上。

标准正常变化（SNV）

SNV是一种常用的拉曼预处理技术，需要您在拉曼范围内选择一些窗口。通常，我们使用350-3000厘米^-1拉曼，但这将取决于情节的变化。事实上，这个范围是相当主观的，基于系统响应，分析物活动等。

所以，SNV就是全光谱的平均值减去距离平均，再除以距离标准偏差。它会像这样将物体伸缩到一起:

图2.在此示例中，SERS用于测量THC。注意原始和归一化（SNV）光谱之间的差异。

在图2中，我们使用表面增强的拉曼光谱（SERS）测量THC。我们已经圈出了大约1100厘米的五个山峰^-1，但在1500厘米处没有明显的峰值^-1或者附近其他值得注意的光谱特征。这是因为根据我们的经验，经过反复试验，我们推断出峰值在1500厘米^-1是由溶剂或柠檬酸盐(用于SERS底物);其他光谱特征的形状有些可疑。

洁面布

在收集拉曼光谱时，我们的OceanView操作软件中有一个有用的工具叫做“CleanPeaks”，有时也被称为“橡皮带校正”。这是一个内置的算法，可以应用到原始拉曼光谱，以消除基线和任何荧光。

除了它认为统计上很重要的峰值（可能是3σ阈值）之外，Cleanpeaks将捕捉到x轴的所有内容。这对于生成清洁图非常有用，但它不是来自光谱仪的真实数据！使用CleanPeaks时小心，因为您在没有看到存在的光谱中没有看到的功能，但在软件的阈值之外存在。因此，我们建议才能在您认为在您的光谱中的位置之后仅使用此工具，所以您寻求的信息很明显。

图3.在软件中的CleanPeaks功能，偏移将应用于原始拉曼光谱，以便更清晰可视化。光谱整体也更平坦。

概括

SNV是你最好的选择，但你的大部分工作将涉及SNV和基线在不同范围的一些组合，看看是否有什么有意义的事情发生。我们经常会花大量的精力尝试不同的方法并寻找模式。

对于已知条件的较大数据集，拉曼输出可用作PCA相关性的训练数据和更复杂的统计分析。另一种选择是使用机器学习，但通常需要一些预处理来使输入有意义。

亚博最新网站多少Ocean Insight提供了所有这些光谱数值技术以及可部署机器学习方面的专业知识。我们渴望了解您的应用程序，并为您提供所需的洞察力，以便将您的光谱数据转换为有意义的答案。