任 重， 劉 濤， 劉國(guó)棟,2

1. 江西科技師范大學(xué)光電子與通信省級(jí)重點(diǎn)實(shí)驗(yàn)室， 江西 南昌 330038 2. 江西科技師范大學(xué)南昌市光電檢測(cè)與信息處理重點(diǎn)實(shí)驗(yàn)室， 江西 南昌 330038

引 言

血液是生命系統(tǒng)最重要的組織之一， 應(yīng)用十分廣泛。 在生物醫(yī)學(xué)領(lǐng)域， 血液可用于缺血性輸血、 凝血酶和血液疾病等方面的治療。 在刑偵領(lǐng)域， 血液可以作為重要物證。 同時(shí)， 血液在動(dòng)物檢驗(yàn)檢疫和食品等領(lǐng)域也具有十分重要的應(yīng)用價(jià)值。 由于血液的重要性和高利潤(rùn)等因素， 目前出現(xiàn)了利用動(dòng)物血充當(dāng)人血制造和擾亂犯罪現(xiàn)場(chǎng)， 在可食用血液制品中也有不法分子利用假冒偽劣血來(lái)冒充的報(bào)道， 給社會(huì)治安、 食品安全和醫(yī)療衛(wèi)生等帶來(lái)了不良影響， 對(duì)真血和假血的準(zhǔn)確鑒別意義重大。 傳統(tǒng)鑒別真假血液的方法有感官法、 液相/氣相色譜法[1]、 生化分析法[2]和電化學(xué)傳感法等。 由于假血顏色與真血類似， 從視覺(jué)、 嗅覺(jué)等來(lái)進(jìn)行判別會(huì)存在誤差。 液相/氣相色譜法、 生化分析法和電化學(xué)傳感法均需要進(jìn)行復(fù)雜的樣品預(yù)處理， 不僅檢測(cè)周期相對(duì)較長(zhǎng)， 而且血液樣品無(wú)法回收再利用， 同時(shí)均需要專業(yè)人員來(lái)操作。 目前， 已有利用光學(xué)手段進(jìn)行真假血檢測(cè)的方法， 如： 近紅外光譜法、 拉曼光譜法、 熒光光譜法。 有研究利用近紅外光譜法對(duì)牛羊狗等常見(jiàn)動(dòng)物全血樣品進(jìn)行了透射光譜測(cè)量， 利用支持向量機(jī)等算法實(shí)現(xiàn)了動(dòng)物血的分類。 Gregory[3]使用拉曼光譜和化學(xué)計(jì)量學(xué)模型對(duì)人血和動(dòng)物血溯源進(jìn)行了鑒別。 白鵬利等[4]使用拉曼光譜結(jié)合主成分分析方法， 對(duì)三種不同動(dòng)物血和21個(gè)人血進(jìn)行了識(shí)別， 結(jié)果表明人與動(dòng)物血樣的識(shí)別率均高于95%， 動(dòng)物間的血樣識(shí)別率可達(dá)90%。 有報(bào)道利用熒光光譜法結(jié)合BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了對(duì)不同動(dòng)物血的熒光光譜特征進(jìn)行提取和識(shí)別分類。 雖然已有利用純光譜法來(lái)進(jìn)行血液分類識(shí)別的研究報(bào)道， 但是， 由于不同動(dòng)物之間血液光譜數(shù)據(jù)差異性較小， 且在某些波段會(huì)存在不同成分的光譜出現(xiàn)交疊， 導(dǎo)致有效的信號(hào)分離和特征提取較難。 另外， 光譜采集受環(huán)境光照等因素影響， 使得識(shí)別準(zhǔn)確度有待進(jìn)一步提高。

光聲技術(shù)是基于光致超聲機(jī)理， 采集的信號(hào)為超聲機(jī)械波， 從原理上可以較好地避免散射光和光譜混疊的問(wèn)題。 雖然光聲技術(shù)已經(jīng)應(yīng)用于血液、 血糖[5-6]等生物醫(yī)療領(lǐng)域， 但是光聲技術(shù)應(yīng)用于真假血液的分類鑒別卻未見(jiàn)研究報(bào)道。 鑒于光聲技術(shù)的優(yōu)勢(shì)， 可提供一種真假血液分類鑒別新方法， 本工作采用光聲光譜技術(shù)對(duì)真假血液進(jìn)行分類識(shí)別， 以此克服純光譜法的不足， 提高真假血液分類和鑒別準(zhǔn)確率。 同時(shí)， 基于采集得到的五種真假血樣的光聲峰峰值譜， 通過(guò)研究遺傳優(yōu)化的WNN融合PCA算法， 進(jìn)一步提高真假血液分類鑒別的準(zhǔn)確度。

1 理 論

1.1 光聲理論

光聲技術(shù)的基本原理是光致超聲效應(yīng)和熱膨脹機(jī)制。 當(dāng)一束短脈沖激光以一定的重復(fù)頻率和脈沖持續(xù)時(shí)間照射某物質(zhì)時(shí)， 由于對(duì)入射光的選擇性吸收， 被照射區(qū)域能量沉積(釋放)而產(chǎn)生快速升溫(降溫)， 這種溫度變化使得物質(zhì)局部區(qū)域產(chǎn)生快速的熱膨脹或收縮， 進(jìn)而引發(fā)超聲機(jī)械波， 即： 光聲信號(hào)。 一般光聲信號(hào)產(chǎn)生機(jī)理可以用波動(dòng)方程[7]來(lái)進(jìn)行描述， 但由于目前很難得到其具體解析解， 通常采用半經(jīng)驗(yàn)公式[8]描述光聲信號(hào)， 即

式(1)中， E為脈沖激光輸出能量， μa為被測(cè)物質(zhì)的吸光系數(shù)， v為聲速， R為光聲源半徑， r為超聲探頭與光聲源的距離， β為物質(zhì)熱膨脹系數(shù)， Cp為比熱容， k為比例系數(shù)。 式中n,m,l為參數(shù)， 其滿足如下范圍： 0.5

1.2 基于遺傳優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)

選取小波神經(jīng)網(wǎng)絡(luò)(waveletneuralnetwork，WNN)[9]對(duì)真假血液進(jìn)行分類識(shí)別。WNN由3層網(wǎng)絡(luò)構(gòu)成， 如圖1所示。

圖1 WNN網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Structure of WNN network

式(3)中， ωkm為輸入層和隱含層的之間的權(quán)值， bk為小波基函數(shù)的平移因子， ak為小波基函數(shù)的伸縮因子。 m為輸入層節(jié)點(diǎn)， 下標(biāo)k為隱含層節(jié)點(diǎn)。

采用誤差反向傳播的方式對(duì)權(quán)值ωkm和ωnk， 以及小波基函數(shù)的平移因子bk和伸縮因子ak按照如下方式進(jìn)行修正， 即

圖2 GA算法流程圖Fig.2 Flow chart of GA algorithm

2 實(shí)驗(yàn)部分

2.1 裝置

構(gòu)建了一套血液光聲檢測(cè)系統(tǒng)， 如圖3所示。 系統(tǒng)中采用波長(zhǎng)可調(diào)諧Nd∶YAG 532 nm泵浦源光學(xué)參數(shù)振蕩(optical parameteric oscillator,OPO)脈沖激光器(OPOletteTM,532 II,OPOTEK Inc.,USA)作為光源， 其重復(fù)頻率20 Hz， 脈沖持續(xù)時(shí)間7 ns， 最大輸出能量2 mJ。 經(jīng)過(guò)反射鏡、 光闌和聚焦透鏡后將聚焦光斑落入到透明硅膠軟管中的血液樣品中， 激發(fā)產(chǎn)生的光聲信號(hào)， 由中心響應(yīng)頻率為2.5 MHz的聚焦超聲探測(cè)器(Doppler Co.,China)捕獲轉(zhuǎn)換為模擬電壓信號(hào)后， 先經(jīng)過(guò)信號(hào)放大器(ATA-5620,Aigtek Co.,China)進(jìn)行60 dB增益的信號(hào)放大， 再由低通濾波器(BLP-7-75+,Mini-Circuits,USA)去除高頻噪聲信號(hào)干擾， 然后由帶寬為500 MHz的雙蹤數(shù)字示波器(54642D,Agilent,USA)進(jìn)行采集并轉(zhuǎn)換為數(shù)字信號(hào)， 通過(guò)GPIB接口卡(GPIB-USB-HS,NI,USA)將數(shù)據(jù)傳輸至計(jì)算機(jī)保存和分析處理。 另外， 構(gòu)建了一套血液循環(huán)子系統(tǒng)便于實(shí)驗(yàn)更換血液樣品， 由小型水泵、 硅膠軟管和燒杯構(gòu)成。 實(shí)驗(yàn)前， OPO脈沖激光器預(yù)熱約30 min。 實(shí)驗(yàn)中保持室溫20 ℃恒定。

圖3 實(shí)驗(yàn)裝置圖Fig.3 Diagram of experimental set-up

2.2 材料

采用了5種不同的血樣， 即： 三種動(dòng)物真血(馬血、 牛血和兔血)和兩種假血(道具假血和紅墨汁)來(lái)作為實(shí)驗(yàn)真血和假血樣品， 如圖4所示。 其中馬血、 牛血和兔血由鄭州益康生物工程有限公司提供， 為了防止動(dòng)物真血凝結(jié)， 在出廠前已按照1.6 mg·mL-1比例添加了乙二胺四乙酸(ethylenediamine tetraacetic acid,EDTA)抗凝血?jiǎng)?實(shí)驗(yàn)血樣總樣本數(shù)125個(gè)， 即： 每種血樣校正集樣本20個(gè)， 測(cè)試集樣本5個(gè)。 每次實(shí)驗(yàn)， 將循環(huán)子系統(tǒng)中的燒杯和硅膠軟管用醫(yī)用酒精消毒， 然后再用開(kāi)水煮沸進(jìn)行二次消毒， 以防止血液在實(shí)驗(yàn)過(guò)程中的污染。

圖4 實(shí)驗(yàn)樣品(a)： 馬血; (b)： 牛血; (c)： 兔血; (d)： 道具假血; (e)： 紅墨汁Fig.4 Experimental samples(a)： Horse blood; (b)： Cow blood; (c)： Rabit blood;(d)： Props fake blood; (e)： Red ink

3 結(jié)果與討論

3.1 光聲檢測(cè)結(jié)果及分析

使用2.1節(jié)實(shí)驗(yàn)系統(tǒng)， 對(duì)所有125組真假血液樣品進(jìn)行了光聲檢測(cè)。 實(shí)驗(yàn)中， 將約10 mL的血樣裝入燒杯中， 開(kāi)啟血液循環(huán)子系統(tǒng)模擬血液流動(dòng)， 并將測(cè)試血樣導(dǎo)入到硅膠軟管中。 開(kāi)啟OPO脈沖激光器激光輸出， 經(jīng)過(guò)數(shù)字示波器將數(shù)據(jù)采集平均128次， 得到了在激發(fā)波長(zhǎng)740 nm下的五種不同血樣的實(shí)時(shí)光聲信號(hào)如圖5所示。

圖5 740 nm波長(zhǎng)下不同血樣的時(shí)間分辨光聲信號(hào)Fig.5 Time-resolved photoacousic signals ofdifferent blood samples at 740 nm

從圖5中可知， 動(dòng)物真血與假血的時(shí)間分辨光聲信號(hào)， 不僅動(dòng)物真血的光聲信號(hào)幅值大于假血， 而且在信號(hào)輪廓上也存在差異。 三種動(dòng)物真血的時(shí)間分辨光聲信號(hào)分別在3， 4.2和5.2 μs附近有明顯的波峰信號(hào)， 且幅值較大。 而對(duì)于假血而言， 在3 μs處的波峰信號(hào)與另外兩個(gè)時(shí)間點(diǎn)的波峰信號(hào)相比較不明顯， 且整體幅值均小于真血。 另外， 從峰值的時(shí)間位置上來(lái)看， 不同血樣的光聲信號(hào)峰值的時(shí)間位置均不同， 對(duì)于三種動(dòng)物真血而言， 牛血的峰值時(shí)間點(diǎn)最小， 依次是馬血和兔血。 而假血的峰值時(shí)間均大于真血。

為了分析不同血樣在不同激發(fā)波長(zhǎng)下的光聲信號(hào)強(qiáng)度變化情況， 得到了在700～1 064 nm波段下的五種不同血樣光聲峰峰值。 將每種血樣的各25組全波段的光聲峰峰值進(jìn)行平均， 獲得了平均光聲峰峰值譜， 如圖6所示。

圖6 五種不同血樣在700～1 064 nm波長(zhǎng)范圍內(nèi)的 平均光聲峰峰值譜Fig.6 Photoacoustic peak-to-peak mean spectral of fivedifferent blood samples at 700～1 064 nm

從圖6中可知， 在700～1 064 nm， 不同血樣的峰峰值變化趨勢(shì)大致相同， 且峰峰值較大的波長(zhǎng)均出現(xiàn)在740， 790， 830， 865， 905， 945和1 010 nm處。 但是， 不同血樣的光聲峰峰值卻存在差異。 相比而言， 在700～875 nm內(nèi)， 真血的光聲峰峰值比假血的大， 而在875～1 064 nm， 除了在905， 950和1 000 nm三個(gè)波長(zhǎng)附近， 其他波長(zhǎng)的光聲峰峰值的差別不明顯。

3.2 血液分類識(shí)別結(jié)果及分析

3.2.1 基于WNN-GA分類識(shí)別結(jié)果

在圖7(a)中， 對(duì)于WNN而言， 隱含層神經(jīng)元個(gè)數(shù)為13時(shí)， 其對(duì)真假血液的分類識(shí)別準(zhǔn)確率最優(yōu)為64%； 而對(duì)于WNN-GA， 隱含層神經(jīng)元個(gè)數(shù)為8-11時(shí)， 對(duì)真假血液的分類識(shí)別準(zhǔn)確率最優(yōu)可達(dá)92%。

圖7 WNN和WNN-GA各參數(shù)對(duì)真假血液分類識(shí)別的影響(a)： 隱含層神經(jīng)元個(gè)數(shù)的影響; (b)： 學(xué)習(xí)率因子η的影響;(c)： 學(xué)習(xí)率因子γ的影響; (d)： 迭代次數(shù)的影響Fig.7 Effects of parameters on the classification and identification of real or fake blood for WNN and WNN-GA

學(xué)習(xí)率因子η和γ對(duì)WNN和WNN-GA兩者對(duì)真假血液分類識(shí)別率的影響， 分別如圖7(b)和(c)所示。 從7(b)可知， 對(duì)于WNN和WNN-GA而言， 當(dāng)學(xué)習(xí)率因子η=0.001時(shí)， 兩者的分類識(shí)別準(zhǔn)確率均最高。 隨著學(xué)習(xí)率因子η增大， 兩者的識(shí)別準(zhǔn)確率均呈下降趨勢(shì)， 但是WNN識(shí)別準(zhǔn)確率振蕩不穩(wěn)定現(xiàn)象較嚴(yán)重。 對(duì)于學(xué)習(xí)率因子γ， WNN的識(shí)別準(zhǔn)確率依然出現(xiàn)不穩(wěn)定振蕩現(xiàn)象， 當(dāng)γ=0.02時(shí)， WNN的識(shí)別準(zhǔn)確率只有36%， 當(dāng)γ=0.07時(shí)， WNN的識(shí)別準(zhǔn)確率最大為72%。 而對(duì)于WNN-GA， 其識(shí)別準(zhǔn)確率變化趨勢(shì)較平坦， 且當(dāng)γ=0.06時(shí)， WNN-GA對(duì)真假血液的分類識(shí)別準(zhǔn)確率最優(yōu)達(dá)到96%。

對(duì)于WNN-GA， 利用GA對(duì)WNN的參數(shù)進(jìn)行迭代優(yōu)化。 圖7(d)為WNN-GA算法在不同迭代次數(shù)時(shí)的真假血液分類識(shí)別準(zhǔn)確率。 從圖中可知， 隨著迭代次數(shù)的增加， WNN-GA對(duì)真假血液的分類識(shí)別準(zhǔn)確率逐漸提高， 當(dāng)?shù)螖?shù)達(dá)到150時(shí)， WNN-GA的識(shí)別準(zhǔn)確率達(dá)到96%。 而對(duì)于WNN而言， 獲得的識(shí)別準(zhǔn)確率最大只有72%。

圖8(a)為WNN和WNN-GA不同訓(xùn)練次數(shù)對(duì)25組測(cè)試血樣識(shí)別結(jié)果的均方誤差。 從圖中可知， 隨著訓(xùn)練次數(shù)的增加， 兩者對(duì)測(cè)試血樣的均方誤差均逐漸減小。 但是， WNN出現(xiàn)了振蕩不穩(wěn)定現(xiàn)象， 而對(duì)于WNN-GA， 在訓(xùn)練次數(shù)超過(guò)10之后， 其識(shí)別均方誤差呈平穩(wěn)下降趨勢(shì)。 且WNN-GA的均方誤差均明顯小于WNN的均方誤差。 圖8(b)給出了WNN和WNN-GA對(duì)25組測(cè)試血樣的分類識(shí)別結(jié)果。 由于WNN和WNN-GA均為監(jiān)督學(xué)習(xí)分類識(shí)別算法， 利用數(shù)字1， 2， 3， 4和5來(lái)對(duì)馬血、 牛血、 兔血、 道具假血和紅墨汁進(jìn)行標(biāo)記。 從圖8(b)可知， WNN對(duì)兩種假血的分類識(shí)別較準(zhǔn)確， 而對(duì)三種真血的鑒別準(zhǔn)確度不高。 但是， 對(duì)于WNN-GA， 除了牛血有1個(gè)測(cè)試樣本的結(jié)果誤判為兔血之外， 其余血樣的分類識(shí)別均正確。 經(jīng)過(guò)計(jì)算， WNN-GA的分類識(shí)別率為96%。 因此， 與WNN相比， WNN-GA大大提高了真假血液的分類識(shí)別率。

圖8 WNN和WNN-GA對(duì)真假測(cè)試血樣的分類識(shí)別結(jié)果(a)： 訓(xùn)練次數(shù)對(duì)測(cè)試血樣均方誤差的影響;(b)測(cè)試血液的分類識(shí)別結(jié)果Fig.8 Results of classification and identificationof real or fake blood for WNN and WNN-GA(a)： Effect of training time on the mean square error;(b)： Results of classification and identification of test bloods

3.2.2 基于PCA-WNN-GA分類識(shí)別結(jié)果

由于血樣的全波段光聲峰峰值， 不僅包含了具有區(qū)分度的特征波長(zhǎng)下的光聲信息， 還包含了不具備區(qū)分度波長(zhǎng)下的信息， 使得真假血液的分類識(shí)別準(zhǔn)確度受到影響。 同時(shí)， 輸入血樣的數(shù)據(jù)維數(shù)較大， 會(huì)造成WNN內(nèi)部參數(shù)過(guò)多且計(jì)算復(fù)雜度高。 為了進(jìn)一步提高WNN-GA對(duì)真假血樣的分類識(shí)別準(zhǔn)確率， 采用主成分分析(principle components analysis,PCA)算法[12]提取真假血液樣本的主要特征信息。

PCA的基本原理是數(shù)據(jù)降維， 即： 將原數(shù)據(jù)進(jìn)行某個(gè)維度的投影， 再用較少的變量信息來(lái)代替原始眾多變量的信息， 而又最大限度地不丟失原先的特征信息， 即

式(7)中， x1,x2,…,xp為原始變量(下標(biāo)p表示變量的個(gè)數(shù)),Z1,Z2,…,Zm為新變量， 即主成分(下標(biāo)m表示新變量的個(gè)數(shù)),kmp為載荷系數(shù), 且m≤p。

根據(jù)特征值累計(jì)貢獻(xiàn)率大于80%， 分別選取了輸入樣本的2， 4， 6和8個(gè)主成分， 再利用WNN-GA算法進(jìn)行識(shí)別。 根據(jù)隱含層神經(jīng)元個(gè)數(shù)公式可以知道PCA降維后的隱含層神經(jīng)元范圍為[2,13]。 當(dāng)學(xué)習(xí)率因子η=0.001， γ=0.04時(shí)， 獲得了在不同隱含層神經(jīng)元個(gè)數(shù)情況下， 不同主成分對(duì)真假血液的識(shí)別準(zhǔn)確率， 如圖9(a)所示。

從圖9(a)可知， 當(dāng)2個(gè)主成分時(shí)， 神經(jīng)元個(gè)數(shù)為8所對(duì)應(yīng)的識(shí)別準(zhǔn)確率只有84%。 當(dāng)4個(gè)主成分時(shí)， 神經(jīng)元個(gè)數(shù)為5所對(duì)應(yīng)的識(shí)別準(zhǔn)確率為92%。 隨著主成分個(gè)數(shù)增大到6， 神經(jīng)元個(gè)數(shù)為11時(shí)， 其識(shí)別準(zhǔn)確率可達(dá)100%。 當(dāng)繼續(xù)增加主成分個(gè)數(shù)時(shí)， 最優(yōu)識(shí)別準(zhǔn)確率依然為100%。 圖9(b)和(c)分別給出了不同主成分， 學(xué)習(xí)率因子η和γ在不同取值對(duì)真假血的分類識(shí)別準(zhǔn)確率的影響。 從圖中可知， 隨著主成分個(gè)數(shù)的增加， 識(shí)別準(zhǔn)確率逐漸增大； 當(dāng)η=0.001時(shí)， 對(duì)于所有的主成分均得到最優(yōu)識(shí)別準(zhǔn)確率， 且對(duì)于6個(gè)主成分而言， η=0.001和γ=0.04所對(duì)應(yīng)的分類識(shí)別準(zhǔn)確率可達(dá)100%。 圖9(d)為PC-WNN-GA算法中不同主成分下， 遺傳迭代次數(shù)對(duì)真假血分類識(shí)別準(zhǔn)確率的影響。 從圖9(d)可知， 對(duì)于所有主成分而言， 隨著遺傳迭代次數(shù)的增加， 真假血的分類識(shí)別準(zhǔn)確率逐漸提高； 并且， 隨著主成分的增加， 對(duì)真假血的分類識(shí)別準(zhǔn)確率也有較大提高， 當(dāng)主成分個(gè)數(shù)增加到6時(shí)最終可以獲得100%的識(shí)別準(zhǔn)確率。

圖9 PCA-WNN-GA算法中各參數(shù)對(duì)真假血液 分類識(shí)別的影響(a)： 隱含層神經(jīng)元個(gè)數(shù)的影響; (b)： 學(xué)習(xí)率因子η的影響;(c)： 學(xué)習(xí)率因子γ的影響; (d)： 迭代次數(shù)的影響Fig.9 Effects of parameters on the classification and identification of real or fake blood gor PCA-WNN-GA

圖10(a)給出了PCA-WNN-GA算法， 在四個(gè)不同主成分個(gè)數(shù)下， 樣本訓(xùn)練次數(shù)對(duì)測(cè)試血樣分類識(shí)別均方誤差的影響曲線。 從圖中可知， 隨著樣本訓(xùn)練次數(shù)的增加， 對(duì)測(cè)試血樣的分類識(shí)別均方誤差均逐漸減小。 并且， 分類識(shí)別均方誤差隨著主成分個(gè)數(shù)的增加也減小了。 經(jīng)過(guò)計(jì)算當(dāng)樣本訓(xùn)練次數(shù)為200次時(shí)， 主成分個(gè)數(shù)為6所對(duì)應(yīng)的分類識(shí)別均方誤差約為0.004 2。

圖10 不同主成分個(gè)數(shù)下PCA-WNN-GA對(duì)真假 測(cè)試血樣的分類識(shí)別結(jié)果(a)： 訓(xùn)練次數(shù)對(duì)測(cè)試血樣均方誤差的影響;(b)： 測(cè)試血液的分類識(shí)別結(jié)果Fig.10 Results of classification and identification of real or fake blood for PCA-WNN-GA under different principle components

圖10(b)為PCA-WNN-GA算法選取四個(gè)不同主成分時(shí)， 對(duì)五種不同真假測(cè)試血樣的分類識(shí)別結(jié)果。 從圖中可知， 選取2個(gè)主成分時(shí)， 對(duì)三個(gè)真血的分類識(shí)別存在偏差， 此時(shí)分類識(shí)別準(zhǔn)確度只有88%。 當(dāng)選取4個(gè)主成分時(shí)， 由于累計(jì)貢獻(xiàn)率超過(guò)了90%， 所能表征區(qū)分血樣的特征增多， 使得對(duì)測(cè)試血樣的分類識(shí)別率提高到了92%。 當(dāng)選取6個(gè)主成分時(shí)， PAC-WNN-GA算法對(duì)測(cè)試血樣的分類識(shí)別率提高到了100%。

3.2.3 不同算法的分類識(shí)別結(jié)果對(duì)比

最后， 對(duì)比了7種不同算法對(duì)25個(gè)測(cè)試血樣進(jìn)行分類識(shí)別的效果。 其中， 選取了5種監(jiān)督型分類識(shí)別算法， 即： 極限學(xué)習(xí)機(jī)(extreme learning machine,ELM)、 支持向量機(jī)(support vector machine， SVM)、 WNN、 WNN-GA和PCA-WNN-GA， 另外選取2種無(wú)監(jiān)督型分類識(shí)別算法， 即： 競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)(competitive neural networks,CNN)和自組織映射神經(jīng)網(wǎng)絡(luò)(self organizing map neural network,SOM)。 對(duì)于ELM而言， 由于隱含層傳遞函數(shù)采用的是BP神經(jīng)網(wǎng)絡(luò)的sigmoid函數(shù)， 且由于ELM網(wǎng)絡(luò)隱含層到輸出層的權(quán)值和閾值參數(shù)沒(méi)有給出， 采用的是對(duì)隱含層的輸出結(jié)果和訓(xùn)練樣本的標(biāo)簽求偽逆的思想， 它的目標(biāo)誤差為0， 故無(wú)需進(jìn)行樣本訓(xùn)練。 得到的7種不同算法對(duì)真假血液的分類識(shí)別準(zhǔn)確率如圖11所示。

圖11 七種不同算法的真假血液識(shí)別率對(duì)比Fig.11 Correction rate of classification and identification of real or fake bloods for seven different algorithms

從圖11中可知， 單純的WNN分類識(shí)別準(zhǔn)確度與CNN和SVM算法的準(zhǔn)確度相當(dāng)， 且低于ELM和SOM算法。 其原因是由于在全波段下的血液樣本維數(shù)較大， 且WNN識(shí)別準(zhǔn)確度受初始化權(quán)值和閾值、 小波基平移因子和伸縮因子， 以及學(xué)習(xí)率因子等影響， 使得識(shí)別正確率不高。 在用GA算法對(duì)WNN網(wǎng)絡(luò)的權(quán)值和閾值、 小波基平移因子和伸縮因子進(jìn)行迭代優(yōu)化后， 使得真假血液分類識(shí)別率提高了24%。 并且， 在利用PCA算法對(duì)血樣的全波段光聲峰峰值提取6個(gè)主成分的基礎(chǔ)上， 利用PCA-WNN-GA算法， 最終可以使得對(duì)真假血樣的分類識(shí)別準(zhǔn)確率提高到100%。

4 結(jié) 論

真假血液的快速準(zhǔn)確分類識(shí)別對(duì)維護(hù)社會(huì)治安、 保障食品安全和醫(yī)療衛(wèi)生等方面至關(guān)重要。 通過(guò)利用光聲光譜技術(shù)聯(lián)合PCA-WNN-GA算法實(shí)現(xiàn)了對(duì)真假血液的高準(zhǔn)確度分類識(shí)別， 同時(shí)對(duì)血液樣本未造成任何破壞， 可以實(shí)現(xiàn)回收再利用。 其中構(gòu)建了一套血液光聲檢測(cè)系統(tǒng)， 獲取了五種血樣的光聲信號(hào)和光聲峰峰值譜。 從光聲信號(hào)幅度、 輪廓、 峰值時(shí)間點(diǎn)、 光聲峰峰值等角度宏觀對(duì)比了三種動(dòng)物真血和兩種假血之間的信號(hào)差異。 為了實(shí)現(xiàn)真假血液的分類識(shí)別， 通過(guò)三層神經(jīng)網(wǎng)絡(luò)和類Morlet小波基函數(shù)構(gòu)建了WNN神經(jīng)網(wǎng)絡(luò)， 將五種血樣的100組樣本在全波段下的光聲峰峰值譜作為輸入數(shù)據(jù)進(jìn)行訓(xùn)練， 為了提高WNN網(wǎng)絡(luò)的識(shí)別率， 采用GA算法對(duì)WNN網(wǎng)絡(luò)的權(quán)值、 閾值和小波基函數(shù)的平移因子和伸縮因子進(jìn)行了優(yōu)化。 同時(shí)， 鑒于輸入的全波段血樣的數(shù)據(jù)維數(shù)較大， 采用了PCA算法提取了所有血樣的特征主成分， 再利用WNN-GA算法來(lái)對(duì)提取的血樣主成分進(jìn)行樣本訓(xùn)練和測(cè)試血樣的分類識(shí)別， 結(jié)果表明， 當(dāng)選取主成分個(gè)數(shù)為6時(shí)， PCA-WNN-GA算法對(duì)真假血液的分類識(shí)別準(zhǔn)確率可以達(dá)到100%。 因此， 光聲光譜技術(shù)聯(lián)合PCA-WNN-GA算法在真假血液的分類鑒別方面有較好的應(yīng)用價(jià)值。