编辑推荐：
基于开放集深度学习的LIBS病原粉末识别技术，提出CROSR策略与ResNet结合，在已知类（89.7%）和未知类（86.6%）均表现优异，较OpenMax提升11.7%和11.9%。
刘书通|王一博|王梓晓|张莉莉|牛晨|马洪华|杨文辉|郭连波
华中科技大学光电子信息学院，武汉，430074，中国
摘要：
对病原体粉末进行现场无标记识别对于有效的生物安全和生物恐怖主义应对至关重要。激光诱导击穿光谱（LIBS）和深度学习在此类粉末的现场分析中显示出巨大的潜力。然而，现有的深度学习模型无法拒绝训练集中未包含的未知类别的输入，这限制了它们在现实世界应用中的可靠性。在这项研究中，我们开发了一种基于开放集深度学习的新型LIBS传感技术用于病原体粉末的识别。通过将分类-重建开放集识别（CROSR）策略集成到残差网络（ResNet）中，我们构建了一个改进的开放集深度学习模型。结果表明，使用CROSR的ResNet模型不仅保持了已知类别的高分类准确性，还显著提高了其拒绝未知样本的能力。在包含五种已知目标病原体的测试集上，该模型的识别准确率为89.7%；在包含生物样本、培养基和非生物干扰物的九种未知样本上，识别准确率为86.6%。与传统开放集策略OpenMax相比，所提出的模型将目标病原体的识别准确性提高了11.7%，将未知类别的识别准确性提高了11.9%。这项研究为病原体粉末的现场无标记识别提供了一种有前景的解决方案，具有广泛的应用前景。
引言
生物恐怖主义袭击对公共安全构成严重威胁。故意释放病原体粉末是生物恐怖主义中的一个核心挑战。2001年美国发生的炭疽邮件袭击就是一个典型的例子[1]。为了缓解这些威胁，需要能够实现快速和现场识别的无标记技术。现有的病原体识别技术包括传统的形态学识别[2]；实时定量聚合酶链反应（qPCR）[3]；酶联免疫吸附测定（ELISA）[4]和质谱（MS）[5]。然而，传统的形态学方法需要较长的培养时间。qPCR和ELISA依赖于预先选定的特异性引物和抗体标记物。尽管质谱提供了高准确性，但它涉及复杂的样本制备和漫长的检测周期。因此，这些方法都不能直接应用于病原体粉末的现场无标记识别。
由于激光光谱技术的快速性和非接触性优势，它们在生物监测中的应用越来越广泛。例如，激光诱导击穿光谱（LIBS）[6]、[7]、[8]以其最小的样本制备、快速分析、非接触操作和多元素分析能力而闻名，为识别微生物粉末提供了一种新方法。由于代谢途径和生理结构的差异，不同的微生物以特定的比例积累主要元素和微量元素[9]、[10]、[11]（例如，有机成分中的C和N；无机成分中的K、Ca、Na和Mg）。这些特定的元素比例通过LIBS技术被映射成光谱指纹，这些指纹已被成功用于识别微生物病原体[12]、[13]、[14]。
一旦建立了LIBS光谱数据库，就会使用化学计量技术进行数据挖掘，其中机器学习和深度学习是最受欢迎的方法。传统的机器学习是提取病原体LIBS光谱细微差异的广泛使用的有效工具[15]、[16]、[17]。深度学习在自动学习层次化表示以模拟复杂的非线性光谱模式方面表现出色。因此，对于某些对传统机器学习模型特别具有挑战性的复杂区分任务，深度学习通常表现出更好的性能[18]、[19]、[20]。然而，这些模型是为静态封闭环境设计的，即它们是封闭集识别模型。它们的基本假设是所有类别都是预先已知的，意味着它们存在于训练集中。在现场测量过程中，模型不可避免地会遇到未知类别。封闭集识别模型会将这些未知类别的样本错误地分类为已知类别，从而显著降低预测准确性。
在早期工作中，Gottfried等人[21]报告了首次尝试使用LIBS在其他生物和非生物干扰物存在的情况下区分生物威胁模拟物的研究之一。在那项研究中，引入了“未分类”的结果，以避免对不符合已知类别的样本进行强制分配，从而能够在实际测量条件下拒绝干扰物质。
开放集深度学习为在未知样本存在的情况下解决分类可靠性问题提供了关键框架。与封闭集深度学习模型相比，开放集深度学习模型明确考虑了测试过程中先前未见类别的存在，并旨在正确分类已知样本并拒绝未知样本。作为一种代表性的开放集深度学习方法，基于极值理论的方法OpenMax[22]通过建模激活向量的分布来估计测试样本不属于任何已知类别的概率。该方法已在计算机视觉领域得到了广泛研究并取得了显著的成功[23]、[24]、[25]。然而，将开放集深度学习模型应用于光谱分析领域的研究仍处于早期阶段[26]、[27]，与LIBS光谱相关的开放集识别研究也大多尚未探索。
因此，我们通过将开放集深度学习框架与LIBS技术相结合，解决了病原体粉末分析中现场识别准确性低的问题（由未知类别样本引起）。为此，我们通过将开放集识别策略集成到残差网络（ResNet）[28]中，开发了一个改进的开放集深度学习模型。我们的开发过程从系统评估传统的开放集策略OpenMax开始，并进一步引入了分类-重建开放集识别（CROSR）框架[29]以提高性能。其对分类和重建任务的联合优化显著提高了模型在开放环境中的病原体识别性能。
部分摘录
工作流程概述
图1展示了本工作的整体实验设置和工作流程。工作流程包括四个主要步骤：
a.培养目标病原体的冻干粉末，并用胶带固定样本。
b.收集目标病原体的LIBS光谱并建立病原体光谱的训练数据集
c.训练一个深度开放集分类器，包括一个未知检测器和一个封闭集分类器，用于病原体光谱识别。
生物光谱数据筛选
在光谱采集过程中，激光脉冲与测试粉末相互作用产生等离子体。等离子体与脉冲激光相互作用结束后，等离子体中含有大量的热电子、离子和原子，这些物质以冲击波的形式迅速向外扩散。在非真空条件下，等离子体中不断增加的电离密度压缩了周围环境，产生冲击波，直到达到临界阈值[35]。随着激光的反复激发，冲击波导致粉末
结论
我们开发了一种基于开放集深度学习的LIBS传感技术，以实现病原体粉末的准确识别。据我们所知，这是首次将开放集深度学习应用于使用LIBS技术的病原体识别。通过将CROSR策略与ResNet架构集成，我们有效地实现了开放集病原体LIBS光谱的识别。实验结果表明，CROSR策略显著提高了
CRediT作者贡献声明
杨文辉：写作 – 审稿与编辑、资源管理、概念化。马洪华：软件开发。郭连波：监督、项目管理、资金获取、概念化。王梓晓：验证、软件开发。王一博：写作 – 审稿与编辑、验证、软件开发、调查、数据管理。牛晨：写作 – 审稿与编辑、验证、概念化。张莉莉：验证。刘书通：写作 – 原始草稿、可视化、方法论、形式化
利益冲突声明
?作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
致谢
本研究得到了国家重点研发计划（编号：2022YFE0118700）的财政支持。
