近日，中國科學院合肥物質院安光所紅外精密儀器團隊在傅里葉紅外光譜（FTIR）分析算法研究領域取得系統性突破。團隊面向實際應用，構建了?“混合物識別?-?基線重構?-?魯棒定量?-?寬動態分析”研究框架，顯著提升了復雜應用場景下氣體的識別準確度以及定量精度。4項創新技術先后發表于Analytical Chemistry（中國科學院一區，IF=6.7）、Optics Express（中科院二區，IF=3.3）等國際知名期刊。
一直以來，傅里葉變換紅外光譜技術（FTIR）憑借高分辨率、寬光譜范圍及非破壞性優勢，廣泛應用于環境監測、國防安全、材料科學、生物醫學及食品安全等領域。而在實際應用中，定量任務會面臨儀器線型變化、多組分吸收峰重疊，吸收峰飽和導致的非線性響應以及各種測量誤差等諸多挑戰。為此，科研團隊需要解決跨設備的復雜混合物識別問題，減少基線校正誤差影響，提升濃度反演精度，自適應選取光譜區間等一系列難題。
混合物識別作為定量的前驅步驟，其組分識別結果直接影響著定量的結果。為此，團隊提出了一種基于“注意力”機制的深度學習框架（胥泰然，Analytical Chemistry 2025）來應對混合物識別任務中儀器線型，吸收峰重疊等挑戰。依托包含10種儀器線型、8種氣體成分的自建數據集實驗。該框架僅用1種儀器線型訓練，但其應用于其他9種線型時精確匹配率超91.7%，較現有方法提升25%至88%，凸顯了其在跨設備應用、其他?FTIR混合物分析以及類似光譜學挑戰（如近紅外模型傳遞）方面的巨大潛力，為復雜混合物成分紅外光譜識別提供了新思路。
為減少混合氣體吸收峰重疊導致的基線校正誤差的影響，團隊研發了相對吸光度的獨立成分分析（RA-ICA）算法（李新春，Optics Express 2024）。通過計算相對吸光度光譜、提取獨立成分、重建隱藏基線，使得設備對混合氣體吸收峰重疊導致的基線校正誤差顯著低于常用方法，還能精準保留基線細節，滿足多氣體組分同時精確測量需求。該算法首先計算剔除基線信息的相對吸光度光譜，隨后結合比爾-朗伯定律與獨立成分分析，提取包含各組分吸收峰信息的獨立成分，對需基線校正的光譜進行擬合。最后采用多項式曲線與殘差相結合的基線模型，重建吸收波段的隱藏基線。仿真與實驗結果表明，RA-ICA方法重建的基線誤差顯著低于其他常用基線校正方法，且能準確保留基線的細節特征，能夠提供高質量的校正基線，滿足多氣體組分同時精確測量的需要。
在實際濃度反演過程中，傳統最小二乘等方法受到噪聲和基線漂移等光譜干擾的影響，其氣體光譜定量結果準確性受限。為提升濃度反演精度，團隊提出了“抑制?-?適應?-?優化”模型，實現了光譜降噪、殘差建模以及損失優化的有機結合，為FTIR光譜的濃度反演提供了一種更具魯棒性的方法（王鈺豪，Optics Express 2025）。該模型融合光譜降噪、殘差建模與損失優化技術，能為工業監測、交通排放等場景的濃度反演提供魯棒方案。該算法首先通過噪聲抑制技術提高用于反演的光譜數據的質量，然后利用Ljung-Box檢驗和分位數-分位數圖等統計工具對降噪后光譜數據與前向模型的殘差分布進行分析，并采用Barron提出的廣義損失函數進行適應，最后采用Yogi優化器進行損失優化，實現氣體濃度反演。模擬和實驗光譜驗證了該模型在均方根誤差噪聲為1×10-3光譜數據集中的性能，相比于傳統方法，可以將CO2、N2O和CO的反演精密度提高15%。實驗結果表明，該方法在工業監測、環境研究以及交通排放等領域具有廣闊應用前景。
除此以外，FTIR光譜的寬帶多組分檢測能力，但分析波段的選擇影響定量準確性。為此，該團隊提出了一種基于信息密度的自適應波段優選（ID-ABS）方法（李新春，Optics Express 2025），以糾正高濃度下吸收飽和引發的光譜非線性響應、儀器分辨率限制以及基線重建誤差等問題。該模型整合譜線強度、吸收飽和特性、儀器線型函數及基線特征，動態評估全光譜信息密度分布，進而優選各組分反演參數，確定最優反演波段，最后通過非線性多元回歸迭代更新參數，直至收斂。實驗驗證表明，該方法對甲烷定量分析的線性動態范圍達到3×107（R2=0.9998）。ID-ABS?模型的適用性可拓展至其他具有紅外吸收特性的氣體，大幅提升了基于?FTIR?技術對復雜多組分混合物的定量分析能力。
以上論文第一作者分別為博士生王鈺豪、李新春及碩士生胥泰然，研究獲國家重點研發計劃與企業委托項目資助。這一系列工作將進一步拓展傅里葉紅外光譜儀器技術的多領域精準應用。
論文鏈接：
1.https://pubs.acs.org/doi/10.1021/acs.analchem.5c03975
2.https://opg.optica.org/oe/abstract.cfm?uri=oe-33-17-35865
3.https://opg.optica.org/oe/fulltext.cfm?uri=oe-33-19-39855
4.https://opg.optica.org/oe/fulltext.cfm?uri=oe-32-26-47137
圖1?基于注意力機制的混合物識別深度學習網絡結構
圖2?基于注意力機制的混合物識別深度學習網絡與現有方法在復雜混合物識別準確率方面的對比情況
圖3?RA-ICA方法和其他基線校正方法的結果對比
圖4?抑制-適應-優化模型示意圖
圖5?抑制-適應-優化模型擬合誤差示意圖
圖6?ID-ABS?模型在實測數據的表現
圖7?ID-ABS模型對比其他模型的動態范圍
