RamanNet: a generalized neural network architecture for Raman spectrum analysis

Abstract

Raman spectroscopy provides a vibrational profile of the molecules and thus can be used to uniquely identify different kinds of materials. This sort of molecule fingerprinting has thus led to the widespread application of Raman spectrum in various fields like medical diagnosis, forensics, mineralogy, bacteriology, virology, etc. Despite the recent rise in Raman spectra data volume, there has not been any significant effort in developing generalized machine learning methods targeted toward Raman spectra analysis. We examine, experiment, and evaluate existing methods and conjecture that neither current sequential models nor traditional machine learning models are satisfactorily sufficient to analyze Raman spectra. Both have their perks and pitfalls; therefore, we attempt to mix the best of both worlds and propose a novel network architecture RamanNet. RamanNet is immune to the invariance property in convolutional neural networks (CNNs) and at the same time better than traditional machine learning models for the inclusion of sparse connectivity. This has been achieved by incorporating shifted multi-layer perceptrons (MLP) at the earlier levels of the network to extract significant features across the entire spectrum, which are further refined by the inclusion of triplet loss in the hidden layers. Our experiments on 4 public datasets demonstrate superior performance over the much more complex state-of-the-art methods, and thus, RamanNet has the potential to become the de facto standard in Raman spectra data analysis.

RamanFormer: A Transformer-Based Quantification Approach for Raman Mixture Components

“…Many supervised learning algorithms are used for Raman spectrum analysis . For instance, some studies utilize methods based on discriminant analysis, such as linear discriminant analysis (LDA) , and PLSDA. , Furthermore, some papers exploit artificial neural network (ANN) based models such as multilayer perceptron (MLP) , and convolutional neural network (CNN). , Moreover, some studies employ regression analysis-based methods, e.g., multiple linear regression (MLR), principal component regression (PCR), and partial least squares (PLS) . Besides, Li et al and Li et al utilize k-nearest neighbor on Raman spectra for the detection of cancer types of breast and colon, respectively.…”

Classificação de minerais de ferro por espectroscopia Raman e aprendizado de máquina

“…A Tabela 1 mostra a acurácia obtida nos trabalhos encontrados na literatura (realizam a identificação de minerais por meio da espectroscopia Raman com diferentes métodos de aprendizado de máquina). Em cada trabalho a base de dados foi montada de forma semelhante: a maioria utilizou apenas os dados do Projeto RRUFF (https://rruff.info/), [11][12]14,79 combinações de dados do RRUFF com os dados obtidos experimentalmente 13,35 ou com apenas os dados medidos. 31 O projeto RRUFF é uma base de dados de espécies de minerais, administrada pela Universidade do Arizona e contém informações relacionadas com a espectroscopia Raman, difração de raios X e composição química, isto gera maior confiabilidade na identificação de cada amostra da base.…”

“…A quantidade de espectros em cada trabalho é diferente (167 espectros com 6 classes, 35 3950 espectros com 78 classes, 11 5168 espectros com 1671 classes, 12 8950 espectros com 200 classes, 13 aproximadamente 200 espectros com 20 classes, 79 4992 espectros com 15 classes, 31 entre 5292 até 8578 espectros com 192 até 1332 classes 14 ) e os minerais presentes são por vezes semelhantes e divididos em diferentes quantidades para os conjuntos de treinamento, teste e validação: 50% para treinamento, 25% para teste e 25% para validação 11,35 ou 56% treinamento, 14% para validação e 30% testes 14 ; se um mineral tiver mais de 1 espectro, é escolhido aleatoriamente um espectro para ser do conjunto de validação e o restante forma o conjunto de treinamento ("Leave-One-Out"). [12][13] Os trabalhos geralmente usam a validação cruzada ("cross-validation") para realizar essa divisão de conjuntos, mas o que muda entre os trabalhos é método implementado: k-fold 11,35,79 ou Leave-One-Out [12][13] . No k-fold os dados são divididos em grupos e um desses grupos será utilizado no treinamento e os demais para validação, esta método se repete até que todos os grupos tenham formado o grupo de treinamento.…”

“…As novas componentes são obtidas como combinações lineares das variáveis originais e podemos pré-determinar o quanto de variância se busca no PCA, sendo a variância uma medida de quão distante estão os dados em relação à média. 6,31,38,79,91 O PCA é frequentemente utilizado para conjuntos de dados nos quais as características não são correlacionadas. Mas, é esperado encontrar alguns graus de correlação nos espectros Raman 79 , estas correlações podem ocorrem na própria banda (relacionado à sua intensidade e largura) ou na presença de sobretons ("overtones").…”

“…6,31,38,79,91 O PCA é frequentemente utilizado para conjuntos de dados nos quais as características não são correlacionadas. Mas, é esperado encontrar alguns graus de correlação nos espectros Raman 79 , estas correlações podem ocorrem na própria banda (relacionado à sua intensidade e largura) ou na presença de sobretons ("overtones").…”