南迪娜， 董力強， 傅文翔， 劉衛(wèi)衛(wèi)， 孔景臨

國民核生化災害防護國家重點實驗室， 北京 102205

引 言

快速準確地識別化學毒劑、 有毒工業(yè)化學品等危險物質(zhì)在重大活動安保、 交通運輸、 海關物流、 司法物證、 反化學恐怖等公共安全領域需求明顯。 這些化學危險品如可揮發(fā)、 強致死的神經(jīng)性毒劑沙林、 梭曼等均為無色透明液體， 外觀與水、 乙醇等常見液體無異， 具有被人員夾帶、 謊報、 隱蔽投放到公共場所的風險。 要快速排查及準確識別此類液體樣品， 一般都要開瓶采樣進行現(xiàn)場檢測或送實驗室分析， 這種方式增加了執(zhí)行任務人員的暴露風險且檢測操作耗時。 拉曼光譜(Raman spectroscopy)技術憑借其快速、 靈敏、 非接觸式操作、 儀器可便攜化等優(yōu)勢成為現(xiàn)場快速檢測領域的研究熱點。 目前， 美國Wiley的Bio-Rad以及國內(nèi)同方威視[1]等研究出版機構和拉曼光譜儀供應商等都建立了拉曼光譜數(shù)據(jù)庫， 包含多種環(huán)境污染物、 易燃易爆及強腐蝕性化學危險品； 針對危險品識別的需求， 有研究通過實測譜圖與數(shù)據(jù)庫中正反向特征峰匹配分析危險液體[2]， 或開發(fā)一些拉曼光譜識別方法[3]和軟件[4]； 還有研究通過硬件改進， 互補式使用雙波長激光器手持式拉曼系統(tǒng)實現(xiàn)危險品檢測[5]。 上述拉曼光譜數(shù)據(jù)庫均不包含化學毒劑等的光譜信息， 利用市售的數(shù)據(jù)庫很難實現(xiàn)公共安全領域中危險液體的有效識別。 本研究較為系統(tǒng)地研究了多種化學毒劑及其前體或降解產(chǎn)物、 有毒工業(yè)化學品等危險液體的拉曼光譜檢測方法， 獲得了41種危險液體的高信噪比拉曼光譜數(shù)據(jù)并將其錄入數(shù)據(jù)庫， 再利用多種模式識別算法開展危險液體的識別研究， 通過線性判別分析(linear discriminant analysis， LDA)方法， 提出的譜圖識別模型可對上述危險液體進行準確識別歸類， 并能將其與水等無害物質(zhì)快速區(qū)分。

1 實驗部分

1.1 儀器與試劑

innoRam便攜式拉曼光譜儀(美國BWTEK公司)， 配備有785 nm激光器。

檢測物包括沙林、 梭曼、 塔崩、 維?？怂?、 芥子氣等化學毒劑； 磷酸三甲酯、 磷酸三乙酯、 磷酸三丁酯、 甲基膦酸二甲酯、 甲基膦酸二異丙酯等化學毒劑模擬劑； 亞磷酸二甲酯、 亞磷酸三甲酯、 亞磷酸三乙酯、 甲基膦酰氯乙酯、 甲基膦酰二氯、 甲基膦酰二氟、 氯沙林、 二乙胺基磷酰氯、 2-二乙胺基乙硫醇、 硫二甘醇、 異丙醇、 頻吶基醇、 甲基膦酸、 甲基膦酸異丙酯、 甲基膦酸頻吶基酯等化學毒劑前體、 中間產(chǎn)物、 水解產(chǎn)物； 鄰二甲苯、 間二甲苯、 苯甲醚、 氯代苯、 乙酸乙酯、 乙酸乙烯酯、 乙酸芐酯、 甲醇、 乙醇、 乙腈、 丙酮、 1,1,1-三氯乙烷、 正己烷、 正丁醇、 四氯化碳等有毒工業(yè)化學品以及汽油和水。 其中磷酸三甲酯為分析純， 購自中國醫(yī)藥集團上?；瘜W試劑公司； 磷酸三乙酯、 乙酸乙酯為分析純， 購自天津市福晨化學試劑廠； 磷酸三丁酯為分析純， 購自天津市化學試劑； 甲基膦酸二甲酯為分析純， 購自麥克林； 鄰二甲苯、 間二甲苯、 苯甲醚、 氯代苯、 乙酸乙烯酯、 正丁醇純度大于99.0%， 購自天津市光復精細化工研究所； 乙酸芐酯純度大于99%， 購自北京百靈威科技有限公司； 甲醇、 乙腈為高效液相色譜純度， 購自Sigma。 乙醇、 丙酮、 四氯化碳純度大于99.5%， 購自北京化工廠； 1,1,1-三氯乙烷純度大于96%， 購自阿拉??； 正己烷純度大于95.0%， 購自北京世紀紅星化工有限公司； 水為市售娃哈哈純凈水。

1.2 方法

1.2.1 建立拉曼光譜檢測方法

拉曼光譜儀開機后， 掃描空白光譜作為扣除的背景， 以消除儀器帶來的噪聲。 采集硅片的拉曼光譜并確認出峰波數(shù)為512 cm-1。 取適量樣品至潔凈透明玻璃瓶并放到樣品池中， 設置激光功率為滿值150 mW的10%～100%、 積分時間500～7 000 ms、 累積1～5次， 采集各條件下拉曼光譜并保存數(shù)據(jù)。

1.2.2 光譜數(shù)據(jù)分析

使用Matlab R2019a完成光譜數(shù)據(jù)分析。 將采集到的619個拉曼譜圖截取200～3 000 cm-1范圍的主要波段， 以1 cm-1間隔等距線性插值采樣得到1×2 801維樣本數(shù)據(jù)， 將光譜進行離差標準化處理， 完成光譜樣本預處理。 采用主成分分析方法對光譜數(shù)據(jù)進行降維壓縮， 選擇前7個主成分作為數(shù)據(jù)集樣本， 以覆蓋原始數(shù)據(jù)80%以上信息。 各樣品隨機分配70%譜圖為訓練集數(shù)據(jù)， 其余歸入測試集。 利用訓練集數(shù)據(jù)訓練線性判別分析、 二次判別分析(quadratic discriminant analysis， QDA)、 k近鄰(k-nearest neighbor， kNN)、 樸素貝葉斯(naive Bayesian， NB)模型、 分類決策樹(classification tree， CT)、 支持向量機(support vector machine， SVM)6種模式識別算法的模型， 再用訓練好的模型對測試集數(shù)據(jù)進行識別歸類。

1.2.3 盲樣測試

重新隨機選取10個樣品采集光譜， 用訓練好的線性判別分析模型識別新測得的譜圖， 以驗證本研究檢測及識別方法的可靠性。

2 結(jié)果與討論

2.1 譜圖分析

由圖1可見拉曼光譜反映了化合物的化學鍵構成， 是一種可用于化合物鑒別的指紋譜。 但由于分子振動的復雜性， 不是所有譜峰都易于歸屬， 僅靠拉曼光譜提供的信息難以準確判定化合物結(jié)構， 而利用化學計量學， 將模式識別方法與拉曼光譜結(jié)合是提高鑒別準確性的有效手段。

圖1 化學危險品和水的拉曼光譜

2.2 譜圖識別

各樣品的前3個主成分分布如圖2所示。 由圖可見， 拉曼光譜作為分子指紋譜， 具有豐富的化學鍵及其所處環(huán)境的信息， 可將不同類型的樣品加以區(qū)分。 為比較模型的識別準確率， 使用線性判別分析、 二次判別分析、 k近鄰、 樸素貝葉斯模型、 分類決策樹、 支持向量機6種模式識別算法對180個測試集數(shù)據(jù)進行識別歸類后， 識別結(jié)果列于表1。

圖2 各樣品的前3個主成分分布

由表1可見， 支持向量機、 線性判別分析模型具有100%的最高識別準確率。 支持向量機是以各類樣本間隔最大為原則， 其分類判別界面取決于類別邊界的“支持向量”。 線性判別分析則是以原始樣本投影得到向量的類間距離最大、 類內(nèi)方差最小為原則， 通過Fisher判別式對樣本進行分類的模型， 其判別界面更取決于“類心”。 當各樣品多個訓練集譜圖中有個別因儀器影響或外界環(huán)境改變出現(xiàn)一定偏差的譜圖時， 支持向量機模型在對未知樣品識別時， 會因此對結(jié)果產(chǎn)生較大影響。 因數(shù)據(jù)庫中該樣品“類心”無大偏差， 同樣情況下線性判別分析模型的識別結(jié)果波動較小具有穩(wěn)健性， 故本研究選取線性判別分析模型進行未知危險化學品的識別。 利用線性判別分析模型重復10次識別歸類后， 其識別結(jié)果穩(wěn)定于100%的準確率不變， 可見該模型具有高識別準確率及穩(wěn)定性。 對重新采集的10個盲樣譜圖， 線性判別分析模型可以全部準確識別。 不同化合物即使元素組成相同， 基團或其所處環(huán)境的差異會使其具有不同的拉曼光譜特征。 拉曼光譜的分子指紋譜特點防止了線性判別分析模型可能過度擬合數(shù)據(jù)而導致分類識別結(jié)果準確率降低。

表1 6種模式識別方式對測試集拉曼數(shù)據(jù)的識別準確率(%)

3 結(jié) 論

以多種化學毒劑及其前體、 中間體、 水解產(chǎn)物、 模擬劑和有毒工業(yè)化學品等為研究對象， 建立了化學毒害物質(zhì)拉曼光譜數(shù)據(jù)庫。 在此基礎上， 以不同模式識別方法對上述毒害物質(zhì)以及常見液體如水、 乙醇、 汽油等進行了快速篩查研究。 結(jié)果表明， 外觀均為無色透明液體的各類化合物散射光譜特征差異顯著， 反映出拉曼光譜的指紋譜特征； 模式識別方法與拉曼光譜結(jié)合可有效鑒別危險液體， 其中線性判別分析模型的識別結(jié)果波動較小更具穩(wěn)健性； 全部測試過程在較短時間內(nèi)即可完成且不損耗樣品， 保證了測試通量和遂行任務人員安全， 該研究可為與不明化學品篩查相關的公共安全問題提供技術支撐。