中科院合肥物质科研院傅里叶红外光谱分析算法研究获进展

　　近日，中国科学院合肥物质科学研究院科研团队在傅里叶红外光谱(FTIR)分析算法的研究中取得系列重要进展。该团队直面实际应用中长期存在的技术痛点，创新性地构建了从识别到定量的全流程“混合物识别—基线重构—鲁棒定量—宽动态分析”研究框架，并针对各个环节开发了相应的创新算法，显著提升了复杂应用场景下气体成分的识别准确度与定量分析精度。
 

　　傅里叶红外光谱技术因其快速、非破坏性和能够同时测量多种气体等优势，被广泛应用于环境监测、工业安全、医疗诊断等领域。然而，在实际应用中，仪器状态波动、复杂样品基质干扰、以及待测气体浓度动态范围宽等因素，严重影响了分析的可靠性和准确性。
 

　　团队提出基于“注意力”机制的深度学习框架，来应对混合物识别任务中仪器线型、吸收峰重叠等挑战。该框架依托10种仪器线型、8种气体成分的自建数据集实验。同时，该框架仅用1种仪器线型训练，但其应用于其他9种线型时精确匹配率超91.7%，较现有方法提升25%至88%，凸显了其在跨设备应用、其他FTIR混合物分析及类似光谱学挑战方面的潜力，为复杂混合物成分红外光谱识别提供了新思路。
 

　　此外，团队进一步提出了基于信息密度的自适应波段优选方法，以纠正高浓度下吸收饱和引发的光谱非线性响应、仪器分辨率限制及基线重建误差等问题。模型整合谱线强度、吸收饱和特性、仪器线型函数及基线特征，动态评估全光谱信息密度分布，优选各组分反演参数，确定最优反演波段，并通过非线性多元回归迭代更新参数直至收敛。实验验证显示，该方法对甲烷定量分析的线性动态范围达3×107。ID-ABS模型的适用性可拓展至其他具有红外吸收特性的气体，提升了基于FTIR技术对复杂多组分混合物的定量分析能力。
 

　　相关成果已形成四篇研究论文，分别发表于国际权威期刊《分析化学》(Analytical Chemistry)和《光学快报》(Optics Express)等上。在《Robust Identification of Gas Mixtures from FTIR Spectra using Attention Mechanism to Mitigate Instrument Line Shape Variations》一文中，团队引入注意力机制，有效抑制了仪器线型变化对混合气体识别的干扰；《Robust gas quantification in mid-infrared FTIR spectroscopy via a suppression-adaptation-optimization model》提出了一种抑制-自适应-优化模型，提升了中红外光谱的定量鲁棒性；《Information density-based adaptive band selection for wide dynamic range gas quantification in infrared spectroscopy》通过基于信息密度的自适应波段选择策略，拓宽了气体定量分析的动态范围；而《Baseline correction for infrared spectra using relative absorbance-based independent component analysis》则提出一种基于相对吸光度的独立成分分析新方法，实现了光谱基线的精准校正。
 

　　这些研究不仅从理论和方法上推动了光谱分析学科的发展，更重要的是，它们形成了一个协同增效的技术体系，为解决环境监测、工业过程控制等领域的实际气体检测难题提供了强大、可靠的整体解决方案，具有重要的科学价值与广阔的应用前景。