[发明专利]基于表面增强拉曼光谱的多通道毒品模糊识别方法及系统

说明书

本发明公开了基于表面增强拉曼光谱的多通道毒品模糊识别方法及系统。该方法包括：获取待测样品N个采样点的表面增强拉曼光谱序列；将N个表面增强拉曼光谱序列分别输入训练好的CNN‑GRU深度学习模型的N个独立通道输入端，将N个表面增强拉曼光谱序列集中输入训练好的CNN‑GRU深度学习模型的集中通道输入端；CNN‑GRU深度学习模型输出毒品类别或者毒品类别和毒品浓度等级。CNN‑GRU深度学习模型将CNN与GRU引入拉曼光谱数据特征的分析，以完整的提取光谱中的细节特征与空间相关性并用于判断毒品类型，能够实现对多种毒品类型进行快速、同时、高准确率识别，还能对毒品的浓度进行准确的定量识别。

技术领域

本发明涉及毒品检测技术领域，特别是涉及基于表面增强拉曼光谱的多通道毒品模糊识别方法及系统。

背景技术

常见的毒品检测方法有色谱法、毛细管电泳法、化学显色法和胶体金法等。色谱法具有高效性、高选择、样品用量少等众多优势受到毒品检测行业的青睐。但是这些方法前处理过程复杂繁琐、检测的时间长、需要专业的人员操作且存在较大的检测局限性。近年来，基于表面增强拉曼光谱(SERS)的物质分析方法因其快速、灵敏、高选择的特点，在毒品检测中受到广泛关注。然而，随着SERS技术在复杂基质中的实际应用，痕量物质的信号很难与基质背景进行分离，无法观测到目标物的信号。因此实际应用中利用拉曼光谱进行物质识别，对光谱的数据分析提出了极高的要求。

人工智能(AI)技术的出现为科学研究提供了新的途径。深度学习(DL)作为人工智能的一个子领域，具有挖掘复杂体系内非线性关系的能力，深度学习模型可以学习重要的原始数据模式，而无需使用高级预处理和特征提取技术。该技术适用于发现复杂系统中的复杂关系，具有远超传统程序的能力。近年来，深度学习在生物、化学、工业、医学等诸多领域引起广泛关注。模糊识别是指在模糊数据中识别出有用部份，即对接收的信息与以往的记忆和经验进行有关联认识，剔除无关信息。对于复杂体系中目标物的高通量识别而言，模糊识别是为数不多的有效方式。在人工智能领域，模糊识别策略广泛应用于人脸识别、车辆识别、文字识别等。

2019年Ju L等人构建了基于银纳米簇探针与不同毒品相互作用的三维荧光光谱，并利用深度学习模型捕获三维荧光差谱中毒品分子的指纹信息，实现对尿液中5种不同毒品的模糊识别。但该方法对多种毒品同时检测的灵敏度较低，容易产生荧光误差导致假阴性与假阳性，同时三维荧光差谱的获取复杂不适用于现场快速检测。2021年，Ciloglu F U等人提出了一个深度神经网络，利用表面增强拉曼光谱对抗生素耐药性细菌进行鉴别，虽然显示了深度学习在利用SERS光谱数据表征和检测物质方面具有巨大潜力该方法识别物质单一，但无法实现多种毒品的模糊识别。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一，实现同时对多种毒品进行快速和高准确率识别，以及同时显示定性分类和定量识别，特别创新地提出了基于表面增强拉曼光谱的多通道毒品模糊识别方法及系统。

为了实现本发明的上述目的，本发明提供了基于表面增强拉曼光谱的多通道毒品模糊识别方法，包括：获取待测样品N个采样点的表面增强拉曼光谱序列，所述N为大于1的正整数；将N个表面增强拉曼光谱序列分别输入训练好的CNN-GRU深度学习模型的N个独立通道输入端，将N个表面增强拉曼光谱序列集中输入训练好的CNN-GRU深度学习模型的集中通道输入端；CNN-GRU深度学习模型输出毒品类别，或者，CNN-GRU深度学习模型输出毒品类别和毒品浓度等级。

为了实现本发明的上述目的，基于同样的发明构思，本发明第二个方面提供了一种电子设备，包括输入单元和处理器；所述输入单元用于接收待测样品N个采样点的表面增强拉曼光谱序列数据并传输至处理器；所述处理器按照发明第一方面所述的基于表面增强拉曼光谱的多通道毒品模糊识别方法获取待测样品中的毒品类别，或者，获取待测样品的毒品类别和毒品浓度等级。