當AI遇上光學：深度學習如何大幅提升痕量氣體分析靈敏度？

今天七月，Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy (SAA)期刊上發表了一個(ge) 來自安徽大學周勝副教授課題組的研究成果《Optimized adaptive Savitzky-Golay filtering algorithm based on deep learning network for absorption spectroscopy》。此項工作將深度學習(xi) 應用在激光光譜氣體(ti) 分析技術上的Savitzky-Golay（簡稱S-G）濾波抗噪算法，並通過仿真和實驗證實該方法能夠提升痕量NO₂氣體(ti) 分析中光譜信號的信噪比，有助於(yu) 實現更高靈敏度的氣體(ti) 分析。

激光光譜分析是一個(ge) 很強大的氣體(ti) 分析技術，能夠實現非接觸式、高精度、高靈敏度、高選擇性的痕量氣體(ti) 分析（ppm或ppb量級）。然而，實際操作中所測得的吸收光譜會(hui) 受到噪聲的幹擾，導致不準確的測量結果。過去的研究工作中提出了一些抑製噪聲的算法，其中S-G濾波算法由於(yu) 速度快、無需提供過多的參數、且能較好的保留原始光譜的形狀和高度，成為(wei) 近年來較受關(guan) 注的方法，並且已經在某些應用場景（例如連續血糖監測）證明其麵對各類噪聲的有效性。S-G濾波算法的性能決(jue) 定於(yu) 兩(liang) 個(ge) 參數：多項式階數（k）和平均計算的窗口大小（b）。但是，噪聲源和吸收光譜在實際應用中是未知的，因此難以獲得固定的參數值使得濾波效果達到*。為(wei) 了解決(jue) 這個(ge) 問題，研究人員提出了一種優(you) 化的自適應S-G算法，將深度學習(xi) 網絡與(yu) 傳(chuan) 統的S-G 濾波相結合，以提高測量係統的性能。深度學習(xi) 網路以其非線性映射和建模能力對數據的規律性進行研究，並實現出色的“自我調整"和“跟蹤反饋"。相較於(yu) 傳(chuan) 統的S-G算法，經過優(you) 化的算法可以調整濾波參數以實現光譜的最佳信噪比。

圖一展示了用於(yu) 訓練S-G濾波算法參數的深度學習(xi) 網絡。這個(ge) 具有多層感知器的人工智能網絡提供了設計上的彈性，可以通過調整層數、神經元數量、和一些優(you) 化指標以達到所需的性能。用龐大的數據集進行高效訓練後，相應的網絡模型將達到最佳狀態。接著，經過訓練的網絡模型將使用變量數據輸入找到好的 k 和 b。 與(yu) 此同時，輸入數據集也將按傳(chuan) 統方式計算以獲得最佳參數k 和 b。通過比較模型預測和人機計算的結果，由人工決(jue) 定出最佳的網絡參數。

圖一 用於(yu) 計算S-G濾波算法參數的深度學習(xi) 網絡

研究組以NO₂為(wei) 目標氣體(ti) ，選取波數位於(yu) 1630.1至1630.42 cm^-1的吸收譜線，進行了軟件仿真和實驗測量作為(wei) 新方法（adaptive S–G filtering, 以下稱ASGF）的驗證，同時與(yu) 另一常用的multi-signal averaging filtering（MAF）方法作比較。MAF計算時間長且主要用於(yu) 白噪聲的抑製。仿真結果顯示在白噪聲幹擾的條件下（圖二），MAF將信噪比從(cong) 原始的6.58 dB提升至12.62 dB，新的ASGF算法則能提升至15.51 dB。圖三則顯示了非白噪聲的背景噪聲幹擾，MAF方法將信噪比從(cong) 原始的7.14 dB提升至13.22 dB，新的ASGF算法則提升至了更高的17.37dB。

圖二 仿真驗證ASFG算法在白噪聲幹擾下的性能表現

圖三 仿真驗證ASFG算法在其他背景噪聲幹擾下的性能表現

圖四展示了實際實驗的設置，它由一個(ge) 光源、一個(ge) 帶壓強控製器的多通氣體(ti) 吸收池、一係列反射鏡、一個(ge) 碲鎘汞光電探測器和一台計算機組成。昕虹光電為(wei) 此項研究工作提供的激光源為(wei) Q-Qube型量子級聯激光發射頭，這是一款熱電冷卻，空氣製冷型，內(nei) 準直輸出的連續波CW室溫分布反饋型量子級聯激光（DFB-QCL）源，最大峰值輸出功率為(wei) 30 mW，由QC750-Touch型一體(ti) 化激光驅動器，集溫度控製器和低噪聲恒流電流控製器驅動於(yu) 一身，使光源係統發出6.2 μm波長的激光。極低的光學噪聲和驅動器穩定性為(wei) 此實驗奠定了高質量信號基礎。激光通過多通池由熱電致冷型的碲鎘汞光電探測器接收，信號傳(chuan) 輸至電腦後進行數據處理與(yu) 分析。

圖四 用於(yu) 驗證ASGF算法用於(yu) 痕量NO₂氣體(ti) 分析的實驗設置

實驗設置在壓力0.1 atm和溫度296 K的氮氣中對4 ppm NO₂的測量。其測量和過濾後的吸收光譜如圖五(a)所示，原始數據測吸收特性淹沒在噪聲中，而經ASGF算法過濾後的頻譜已顯著平滑，使識別更容易。研究組對吸收光譜數據與(yu) 理論Voigt 函數擬合，圖五(b)結果表明擬合的R平方值高達0.99934，表明濾波後的吸收光譜與(yu) 理論形狀吻合良好。

圖五 實測NO2的吸收光譜和經ASFG算法後的吸收光譜，可以看到濾波後的吸收光譜與(yu) 理論形狀吻合良好

結合了深度學習(xi) 的神經網絡技術，研究組提出的自適應S-G濾波算法表現出顯著的濾波效果，在激光光譜氣體(ti) 分析領域中能夠大幅改善光譜信號的信噪比。麵對大氣環境中具有挑戰性的痕量氣體(ti) 分子檢測，將能提供更優(you) 異的靈敏度和可靠性。