当AI遇上光学：深度学习如何大幅提升痕量气体分析灵敏度？- 工业快报

今天七月，Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy (SAA)期刊上发表了一个来自安徽大学周胜副教授课题组的研究成果《Optimized adaptive Savitzky-Golay filtering algorithm based on deep learning network for absorption spectroscopy》。此项工作将深度学习应用在激光光谱气体分析技术上的Savitzky-Golay（简称S-G）滤波抗噪算法，并通过仿真和实验证实该方法能够提升痕量NO₂气体分析中光谱信号的信噪比，有助于实现更高灵敏度的气体分析。

激光光谱分析是一个很强大的气体分析技术，能够实现非接触式、高精度、高灵敏度、高选择性的痕量气体分析（ppm或ppb量级）。然而，实际操作中所测得的吸收光谱会受到噪声的干扰，导致不准确的测量结果。过去的研究工作中提出了一些抑制噪声的算法，其中S-G滤波算法由于速度快、无需提供过多的参数、且能较好的保留原始光谱的形状和高度，成为近年来较受关注的方法，并且已经在某些应用场景（例如连续血糖监测）证明其面对各类噪声的有效性。S-G滤波算法的性能决定于两个参数：多项式阶数（k）和平均计算的窗口大小（b）。但是，噪声源和吸收光谱在实际应用中是未知的，因此难以获得固定的参数值使得滤波效果达到优。为了解决这个问题，研究人员提出了一种优化的自适应S-G算法，将深度学习网络与传统的S-G 滤波相结合，以提高测量系统的性能。深度学习网路以其非线性映射和建模能力对数据的规律性进行研究，并实现出色的“自我调整”和“跟踪反馈”。相较于传统的S-G算法，经过优化的算法可以调整滤波参数以实现光谱的佳信噪比。

图一展示了用于训练S-G滤波算法参数的深度学习网络。这个具有多层感知器的人工智能网络提供了设计上的弹性，可以通过调整层数、神经元数量、和一些优化指标以达到所需的性能。用庞大的数据集进行高效训练后，相应的网络模型将达到最状态。接着，经过训练的网络模型将使用变量数据输入找到好的 k 和 b。与此同时，输入数据集也将按传统方式计算以获得佳参数k 和 b。通过比较模型预测和人机计算的结果，由人工决定出佳的网络参数。

图一用于计算S-G滤波算法参数的深度学习网络

研究组以NO₂为目标气体，选取波数位于1630.1至1630.42 cm^-1的吸收谱线，进行了软件仿真和实验测量作为新方法（adaptive S–G filtering, 以下称ASGF）的验证，同时与另一常用的multi-signal averaging filtering（MAF）方法作比较。MAF计算时间长且主要用于白噪声的抑制。仿真结果显示在白噪声干扰的条件下（图二），MAF将信噪比从原始的6.58 dB提升至12.62 dB，新的ASGF算法则能提升至15.51 dB。图三则显示了非白噪声的背景噪声干扰，MAF方法将信噪比从原始的7.14 dB提升至13.22 dB，新的ASGF算法则提升至了更高的17.37dB。

图二仿真验证ASFG算法在白噪声干扰下的性能表现

图三仿真验证ASFG算法在其他背景噪声干扰下的性能表现

图四展示了实际实验的设置，它由一个光源、一个带压强控制器的多通气体吸收池、一系列反射镜、一个碲镉汞光电探测器和一台计算机组成。昕虹光电为此项研究工作提供的激光源为Q-Qube型量子级联激光发射头，这是一款热电冷却，空气制冷型，内准直输出的连续波CW室温分布反馈型量子级联激光（DFB-QCL）源，最峰值输出功率为 30 mW，由QC750-Touch型一体化激光驱动器，集温度控制器和低噪声恒流电流控制器驱动于一身，使光源系统发出6.2 μm波长的激光。极低的光学噪声和驱动器稳定性为此实验奠定了高质量信号基础。激光通过多通池由热电致冷型的碲镉汞光电探测器接收，信号传输至电脑后进行数据处理与分析。

图四用于验证ASGF算法用于痕量NO₂气体分析的实验设置

实验设置在压力0.1 atm和温度296 K的氮气中对4 ppm NO₂的测量。其测量和过滤后的吸收光谱如图五(a)所示，原始数据测吸收特性淹没在噪声中，而经ASGF算法过滤后的频谱已显着平滑，使识别更容易。研究组对吸收光谱数据与理论Voigt 函数拟合，图五(b)结果表明拟合的R平方值高达0.99934，表明滤波后的吸收光谱与理论形状吻合良好。