《Chemosensors》:Deep Learning Denoising for Enhanced Acetone Detection in Cavity Ring-Down Spectroscopy
Wenxuan Li,
Dongxin Shi,
Feifei Wang,
Yuxiao Song,
Yong Yang,
Jing Sun and
Chenyu Jiang
编辑推荐:
为解决传统信号处理方法在腔衰荡光谱(CRDS)气体检测系统中对抗噪声(尤其是低频噪声)能力有限、依赖人工调参、泛化性差等问题,研究人员基于深度学习方法,设计了名为decay-upsampling FC-Net(DUFC)的去噪模型。实验表明,该模型可将信噪比提升至26.79 dB,单条衰荡曲线的处理时间仅为0.000207 s,且在强噪声环境下能更精确地提取衰荡时间,从而显著提高气体浓度反演的可靠性,为CRDS系统的实际应用提供了高效信号处理方案。
在痕量气体检测领域,腔衰荡光谱(CRDS)以其超长吸收路径和高灵敏度,成为环境监测、工业过程控制以及医学呼吸分析的重要工具。尤其是丙酮,作为一种已被广泛认可的糖尿病生物标志物,其精准检测对临床诊断与病情监控至关重要。然而,在实际测量中,光子量子噪声、分子吸收交叉干扰、环境振动以及电子元器件热噪声等多种噪声源,会严重扭曲衰荡曲线,进而影响衰荡时间的准确提取和气体浓度的可靠反演。传统信号处理方法,如线性/非线性最小二乘拟合、多项式拟合、快速傅里叶变换、Savitzky–Golay滤波和小波变换等,虽能在一定程度上抑制高频噪声,但对低频噪声的抑制效果有限,且往往依赖人工参数调整,导致泛化能力不足。这些问题限制了CRDS技术在复杂、高噪声实际环境中的可靠应用。
为了克服这些挑战,并针对衰荡信号连续衰减的特性,研究人员开展了一项深度学习方法在CRDS信号处理中的创新应用研究。他们设计并验证了一种名为decay-upsampling FC-Net(DUFC)的去噪滤波方法。相关研究成果已发表在《Chemosensors》上。该研究通过结合上采样与全连接神经网络,直接对信号的全局衰减模式进行建模,实现了对含噪衰荡曲线的高保真重建与噪声的有效分离。
为了开展此项研究,作者们主要采用了以下几项关键技术方法:首先是构建了一个单脉冲CRDS实验系统,用于生成标准的实验数据。其次,以标准丙酮气体样本为检测目标,系统采集了大量衰荡曲线,构建了用于模型训练和测试的数据集。最后,在模型验证环节,将DUFC处理后的信号与非线性最小二乘拟合相结合,以高精度提取衰荡时间,并据此实现丙酮气体浓度的准确反演。
研究结果
2.1. CRDS气体检测与背景扣除原理
该部分阐述了CRDS技术基于朗伯-比尔定律的基本原理,详细推导了光在谐振腔内强度随时间的指数衰减关系,即衰荡曲线公式I(t)=I0e-t/τ。并进一步明确了衰荡时间τ与系统参数(腔镜反射率R、腔长L、目标气体吸收系数α、光速c)之间的关系:τ = L / [c * (1 - R + αL)]。通过测量真空本底下的衰荡时间τ0和通入样品气体后的衰荡时间τ1,即可推导出目标气体的吸收系数α = (1/c) * (1/τ1- 1/τ0),从而完成浓度定量。
开发的去噪方法有效性验证
实验结果表明,所开发的DUFC模型在噪声抑制方面表现出色。经该模型处理后,信号的信噪比(SNR)从13.86 dB显著提升至26.79 dB。在计算效率上,模型处理单条衰荡曲线的平均时间仅需0.000207秒,显示出极高的实时处理潜力。尤为重要的是,在高噪声条件下,结合DUFC与非线性最小二乘拟合的方法,相较于传统方法,能够更精确、更稳健地确定衰荡时间。这意味着即使在恶劣的测量环境中,该方法也能保障气体浓度反演结果的可靠性。
研究结论与讨论
本研究表明,针对衰荡信号的独特衰减形态,所提出的decay-upsampling FC-Net(DUFC)深度去噪模型是一种高效且鲁棒的信号处理解决方案。该方法利用全连接层直接建模全局衰减模式,并借助上采样层实现序列重建,有效避免了传统卷积操作可能对连续衰减特征造成的局部信息割裂,也摆脱了传统滤波方法对信号先验假设的依赖。
该研究的核心结论在于,DUFC模型能够从强噪声背景中有效分离出真实的衰荡信号,克服了传统时频分析方法在应对复杂噪声时的局限性。模型处理后的信号极大提升了衰荡时间提取的精度,从而实现了对丙酮气体浓度的高精度反演。这项工作的意义在于,它将强大的深度学习特征提取和非线性映射能力,成功应用于高灵敏度CRDS气体检测系统的信号前端处理,为解决实际测量中噪声干扰这一共性难题提供了新思路。这不仅能增强CRDS技术在痕量丙酮检测(特别是在医疗呼吸分析领域)的实用性和可靠性,也为基于CRDS的其他痕量气体检测应用提供了可借鉴的信号处理范式,推动了光学传感技术与人工智能的交叉融合,具有重要的科学价值和应用前景。