楊志超， 石 璐， 蔡 競(jìng)， 張 輝

1. 浙江警察學(xué)院， 浙江 杭州 310053 2. 毒品防控技術(shù)浙江省重點(diǎn)實(shí)驗(yàn)室， 浙江 杭州 310053

引 言

在公安刑偵、 檢驗(yàn)檢疫等工作中， 血痕是重要的物證之一， 往往需要對(duì)血痕進(jìn)行種屬鑒別， 判斷其為何物種所留。 傳統(tǒng)的血痕鑒別技術(shù)有酶免疫分析、 DNA檢測(cè)法、 高效液相色譜法等[1-3]， 此類(lèi)方法會(huì)損耗檢測(cè)樣品， 因物證樣本是行政執(zhí)法和法庭審判的重要證據(jù)， 應(yīng)盡量采用無(wú)損的檢測(cè)方法。 拉曼光譜技術(shù)具有無(wú)損、 無(wú)需前處理、 分析檢測(cè)速度快的優(yōu)勢(shì)， 特別適合物證檢驗(yàn)。 特別是表面增強(qiáng)拉曼技術(shù)[4-7]， 分子附著與納米金屬材料表面， 通過(guò)納米金屬顆粒放大待測(cè)物的拉曼光譜信號(hào)， 增強(qiáng)倍率可達(dá)106以上。 目前， 拉曼光譜技術(shù)及其相關(guān)技術(shù)已被廣泛應(yīng)用于化工、 醫(yī)學(xué)、 半導(dǎo)體、 地質(zhì)等領(lǐng)域[8-10]， 在血痕種屬鑒別等相關(guān)領(lǐng)域也日漸成熟。

利用拉曼光譜技術(shù)可以快速有效的鑒別血痕的物種歸屬。 白鵬利等人以3種不同物種動(dòng)物和人類(lèi)血痕為研究樣本， 采取拉曼光譜技術(shù)結(jié)合主成分分析法(PCA)， 對(duì)于樣本血痕進(jìn)行定性識(shí)別[11]。 鄭祥權(quán)等采用了人血與比格犬血作為實(shí)驗(yàn)樣本， 檢測(cè)血痕樣本的拉曼光譜數(shù)據(jù)， 結(jié)合PCA和線(xiàn)性判別分析(LDA)分類(lèi)算法， 構(gòu)建了一種可以對(duì)人血和犬血進(jìn)行種屬判斷的多元統(tǒng)計(jì)算法模型， 測(cè)試集的準(zhǔn)確率達(dá)到90%[12]。 董家林等利用海洋光學(xué)Raman光譜儀測(cè)得共326例樣本數(shù)據(jù)(人110例、 犬116例、 兔100例)， 采用SVM分類(lèi)器， 訓(xùn)練集分類(lèi)正確率達(dá)100%， 測(cè)試集分類(lèi)正確率達(dá)93.52%[13]。

本文收集人血和雞、 鴨、 豬、 牛、 鼠5種動(dòng)物血痕的拉曼光譜數(shù)據(jù)， 對(duì)數(shù)據(jù)完成降噪和基線(xiàn)矯正， 結(jié)合特征選擇算法， 建立多分類(lèi)模型， 對(duì)比各特征選擇算法和分類(lèi)模型對(duì)準(zhǔn)確率的影響， 并對(duì)結(jié)果進(jìn)行驗(yàn)證， 建立一套血痕種屬鑒別的快速檢測(cè)方法。

1 實(shí)驗(yàn)部分

1.1 血痕樣本

收集雞、 鴨、 豬、 牛、 鼠5種動(dòng)物的血痕樣本75份， 每種動(dòng)物的血痕樣本15份。 收集15名健康志愿者血痕樣本15份， 所有志愿者同意協(xié)助完成實(shí)驗(yàn)。 所有血痕樣本不做任何的前處理， 取血后24 h內(nèi)測(cè)量， 血液滴載玻片表面， 靜置約2 h， 待血液完全凝固后獲取其拉曼光譜， 實(shí)驗(yàn)環(huán)境溫度為20 ℃， 濕度為40%。

1.2 訓(xùn)練集、 驗(yàn)證集和測(cè)試集的劃分

將6類(lèi)物種， 每類(lèi)物種15個(gè)樣本分成訓(xùn)練集和測(cè)試集。 每類(lèi)物種隨機(jī)選取10個(gè)樣本作為訓(xùn)練集， 利用訓(xùn)練集樣本完成模型的建立和調(diào)參。 另外5個(gè)樣本作為測(cè)試集， 利用測(cè)試集數(shù)據(jù)做最終的模型評(píng)價(jià)。 對(duì)每個(gè)樣本隨機(jī)選取10個(gè)不同的位置獲得拉曼光譜數(shù)據(jù)。 最終得到的訓(xùn)練集中有600組拉曼光譜數(shù)據(jù)， 測(cè)試集中有300組拉曼光譜數(shù)據(jù)。

1.3 拉曼光譜儀與計(jì)算環(huán)境

實(shí)驗(yàn)采用美國(guó)Thermo Fisher公司生產(chǎn)的DXR2xi顯微激光拉曼成像光譜儀， 拉曼光譜儀具有超低暗噪聲， 單光子信號(hào)探測(cè)器等優(yōu)勢(shì)。 計(jì)算機(jī)環(huán)境為Intel(R)Core(TM)i5-5200U CPU @ 2.2 GHz， RAM： 12.0 GB， 64位操作系統(tǒng)。

1.4 拉曼光譜數(shù)據(jù)的獲取與校正

利用拉曼光譜儀獲取血痕的拉曼光譜， 實(shí)驗(yàn)考察了不同的激發(fā)波長(zhǎng)、 物鏡倍數(shù)、 激光強(qiáng)度、 曝光時(shí)間、 掃描次數(shù)等采集參數(shù)， 綜合比較對(duì)樣本的破壞、 熒光干擾、 拉曼信號(hào)信噪比、 實(shí)驗(yàn)效率等方面。 實(shí)驗(yàn)選擇633 nm激光作為激發(fā)光源， 采用10×物鏡聚焦， 激光強(qiáng)度為3.0 mW， 曝光時(shí)間為0.2 s， 掃描次數(shù)為100次， 采集后的拉曼光譜的信噪比約40。 實(shí)驗(yàn)采用迭代自適應(yīng)加權(quán)懲罰最小二乘法校正基線(xiàn)， 使用S-G平滑濾波實(shí)現(xiàn)平滑處理， 選取100～1 700 cm-1波段測(cè)試研究， 共830個(gè)波段。

2 結(jié)果與討論

研究分兩部分實(shí)驗(yàn)， 第一部分實(shí)驗(yàn)， 建立PLS-DA， LDA， PCA+LDA與SVM， PCA+SVM模型進(jìn)行對(duì)比實(shí)驗(yàn)， 比較SVM分類(lèi)方法相對(duì)于其他兩種方法的準(zhǔn)確率， 以及PCA降維的效果。 第二部分實(shí)驗(yàn)， 采用三種波段選擇方法對(duì)拉曼光譜降維， 將被選擇的波段數(shù)據(jù)放入SVM分類(lèi)器中， 探討波段選擇方法對(duì)分類(lèi)準(zhǔn)確率的影響。

2.1 分類(lèi)方法實(shí)驗(yàn)

線(xiàn)性判別分析(linear discriminant analysis, LDA)是一種多元線(xiàn)性學(xué)習(xí)方法， 思路是將數(shù)據(jù)投影到一條直線(xiàn)上， 使不同類(lèi)數(shù)據(jù)的投影之間的距離盡量遠(yuǎn)， 且同類(lèi)數(shù)據(jù)的投影之間的距離盡量近。 偏最小二乘判別分析(partial least squares discriminant analysis， PLS-DA)是一種用于多元判別分析方法， 適用于樣本少、 特征多， 且特征變量之間存在多重共線(xiàn)性的情況。 實(shí)驗(yàn)通過(guò)十折交叉驗(yàn)證， 對(duì)參與建模的前10個(gè)主成分做判別分析并計(jì)算準(zhǔn)確率。

支持向量機(jī)(support vector machine， SVM)利用核函數(shù)把樣本從低維空間映射到高維空間， 尋找最優(yōu)超平面將特征空間劃分開(kāi)。 只有少量的支持向量在SVM分類(lèi)中起決定作用， 不僅避免了“維數(shù)災(zāi)難”問(wèn)題， 也使SVM算法魯棒性更強(qiáng)。 因此， SVM算法適用于小樣本、 高維度的拉曼光譜數(shù)據(jù)問(wèn)題。 SVM分類(lèi)模型有兩個(gè)重要的參數(shù)C和gamma。 通過(guò)網(wǎng)格搜索的方法確定最佳的C和gamma組合， 如圖1所示， 當(dāng)C=100， gamma=0.001， 準(zhǔn)確率達(dá)到90%以上。

圖1 C和gamma網(wǎng)格搜索的結(jié)果

不同的分類(lèi)方法的準(zhǔn)確率結(jié)果如表1所示， PCA+SVM方法在測(cè)試集中的準(zhǔn)確率最高， 達(dá)85.7%。 LDA的準(zhǔn)確率最低， 可能的原因是血痕的拉曼光譜數(shù)據(jù)存在嚴(yán)重的共線(xiàn)性問(wèn)題。 通過(guò)PCA降維后， LDA和SVM算法在測(cè)試集中的準(zhǔn)確率都有所提高， 可以說(shuō)PCA降維對(duì)于測(cè)試準(zhǔn)確率的提高有一定的幫助。 另一方面， SVM算法的準(zhǔn)確率相對(duì)于LDA和PLS-DA都更高。 因此， SVM分類(lèi)器是更優(yōu)的選擇。

表1 五種分類(lèi)方法在訓(xùn)練集和測(cè)試集的準(zhǔn)確率

2.2 波段選擇實(shí)驗(yàn)

光譜數(shù)據(jù)的降維方法分為基于數(shù)學(xué)變換的降維方法和基于波段選擇的降維方法。 基于數(shù)學(xué)變換的降維方法， 比如PCA， LDA和PLS等， 改變了原始數(shù)據(jù)的物理意義， 可解釋性差， 同時(shí)復(fù)雜的降維算法也增加了計(jì)算成本。 基于波段選擇的降維是從原始光譜數(shù)據(jù)中篩選出波段子集， 剔除不起作用或有干擾作用的冗余波段， 不會(huì)改變?cè)继卣鲾?shù)據(jù)， 不產(chǎn)生新的特征， 所挑選出來(lái)的波段依然保持原來(lái)的物理意義， 可解釋性強(qiáng)， 并且有效的提高計(jì)算效能。 如圖2所示， t1, t2, t3， …表示原始的拉曼光譜數(shù)據(jù)， s1, s2表示經(jīng)過(guò)數(shù)學(xué)變換降維后的光譜數(shù)據(jù)。

圖2 光譜降維算法示意圖

互信息(mutual information， MI)度量了兩個(gè)隨機(jī)變量之間的統(tǒng)計(jì)依賴(lài)關(guān)系， 因此可以用來(lái)評(píng)估每個(gè)波段對(duì)分類(lèi)的相對(duì)效用。 相對(duì)于單獨(dú)使用信息熵來(lái)說(shuō)， 互信息搭起了波段信息與實(shí)際目標(biāo)之間的關(guān)系。 計(jì)算每一個(gè)波段與類(lèi)別信息之間的互信息值， 然后對(duì)波段的互信息進(jìn)行降序排列， 選擇出互信息值最大的前K個(gè)波段， 組成波段子集。

遺傳算法(genetic algorithm, GA)是一種模擬生物遺傳機(jī)理的模型， 通過(guò)適者生存的方式尋找最優(yōu)解。 從一個(gè)隨機(jī)的種群開(kāi)始， 逐代演化出更近似的解。 依據(jù)對(duì)問(wèn)題的適應(yīng)性來(lái)選擇個(gè)體， 然后個(gè)體之間進(jìn)行交叉和變異產(chǎn)生新的種群。 實(shí)驗(yàn)中遺傳算法主要參數(shù)： 變異概率2%， 迭代次數(shù)150次， 種群個(gè)體數(shù)為200。

等間隔組合法(equidistant combination, EC)本質(zhì)上是降低了光譜的分辨率， 達(dá)到波段選擇的目的。 其主要思想是在一定光譜范圍內(nèi)以相同的間隔提取波段。 等間隔組合方法的參數(shù)包括以下三個(gè)： 起始波長(zhǎng)、 波長(zhǎng)個(gè)數(shù)、 相鄰波長(zhǎng)點(diǎn)之間的間隔數(shù)， 比如(101， 200， 5)的波段數(shù)為20。 本實(shí)驗(yàn)中， 波段數(shù)相同的， 取準(zhǔn)確率最高者。

訓(xùn)練數(shù)據(jù)集中， 采用SVM分類(lèi)器， 三種波段選擇方法10折交叉驗(yàn)證的準(zhǔn)確率表現(xiàn)如圖3所示。 在取25個(gè)波段時(shí)， 互信息法準(zhǔn)確率不高， 隨著波段的數(shù)量增加， 互信息法所選擇的波段準(zhǔn)確率提升較快， 并且在150個(gè)波段后保持穩(wěn)定， 整體準(zhǔn)確率較高。 在波段選擇數(shù)為300時(shí)， 遺傳算法、 等間隔組合算法與互信息法的準(zhǔn)確率接近， 達(dá)到93%左右。

圖3 不同的波段數(shù)量下三種波段選擇方法的訓(xùn)練集準(zhǔn)確率

在選擇波段的數(shù)量為50時(shí)， MI+SVM, GA+SVM, EC+SVM在訓(xùn)練集準(zhǔn)確率為88.8%， 88.3%和86.8%， 已達(dá)到PCA+SVM方法的相近的水平。 根據(jù)訓(xùn)練集中確定的最優(yōu)光譜波段， 同樣的選取測(cè)試集中對(duì)應(yīng)的50個(gè)波段組合， 并放入SVM分類(lèi)器中驗(yàn)證方法的可靠性， 結(jié)合PCA+SVM和PLS-DA， 結(jié)果對(duì)比如圖4所示。

圖4 五種方法在訓(xùn)練集和測(cè)試集的準(zhǔn)確率對(duì)比

在選擇波段的數(shù)量為50時(shí)， MI+SVM, GA+SVM, EC+SVM在測(cè)試集準(zhǔn)確率為86.0%， 85.3%和84.7%， 互信息法過(guò)濾得到的50個(gè)波段組合， 在訓(xùn)練集和測(cè)試集準(zhǔn)確率都是最高的。 在測(cè)試集數(shù)據(jù)中， MI+SVM算法的分類(lèi)準(zhǔn)確率高于PCA+SVM(86.7%)。 另外， 從圖4中可以發(fā)現(xiàn)， 采用波段選擇降維方法， 訓(xùn)練集準(zhǔn)確率與測(cè)試集準(zhǔn)確率之差更小， 主要原因是波段選擇方法排除了冗余的干擾波段的影響， 其表現(xiàn)更加穩(wěn)定。

未參與建模的300組測(cè)試樣本(6個(gè)物種各50組拉曼光譜)中， 人、 豬、 牛、 鼠、 雞和鴨的血液拉曼光譜預(yù)測(cè)準(zhǔn)確率分別為84%， 80%， 84%， 82%， 92%和94%。 人血與豬血之間是判錯(cuò)率較高， 人血的錯(cuò)例中有87.5%是被錯(cuò)判為豬血的， 豬血的錯(cuò)例中有60%是被錯(cuò)判為人血的， 這與豬血與人血的拉曼光譜更為相近有關(guān)。 雞血和鴨血之間容易混淆， 兩者同為禽類(lèi)， 拉曼光譜更為相似。 禽類(lèi)(雞、 鴨)和哺乳類(lèi)動(dòng)物(人、 豬、 牛、 鼠)之間是完全沒(méi)有錯(cuò)判的， 說(shuō)明禽類(lèi)和哺乳類(lèi)動(dòng)物血液的拉曼光譜有較大區(qū)別。

圖5 互信息法選擇的最佳的25個(gè)波段

3 結(jié) 論

在血痕種屬鑒別方面， 以SVM算法作為拉曼光譜數(shù)據(jù)的分類(lèi)器， 相對(duì)于LDA和PLS-DA分類(lèi)器的準(zhǔn)確率更高。 波段選擇降維方法應(yīng)用于血痕拉曼光譜鑒別充分體現(xiàn)出其有效性。 通過(guò)互信息法過(guò)濾得到的最佳波段組合， 再利用SVM算法分類(lèi)， 其在驗(yàn)證集和測(cè)試集準(zhǔn)確率都是較高的。 在選擇50個(gè)波段時(shí)， 分別達(dá)到88.8%和86.0%。 PCA+SVM算法的準(zhǔn)確率低于MI+SVM。 波段選擇方法的適應(yīng)性更好、 可解釋性更強(qiáng)， 對(duì)利用拉曼光譜在其他領(lǐng)域應(yīng)用有借鑒意義。 在實(shí)踐方面， 波段選擇可以簡(jiǎn)化拉曼光譜系統(tǒng)， 使該技術(shù)應(yīng)用于刑事技術(shù)、 海關(guān)檢疫等方面更加快捷和經(jīng)濟(jì)。