基于拉曼光谱与Mel频谱图及生成对抗网络增强的快速准确单细胞食源性病原体检测

《LWT》：Rapid and Accurate Single-Cell Detection of Foodborne Pathogens Using Raman Spectroscopy Enhanced by Raman Mel Spectrograms and Generative Adversarial Networks

　　

食源性病原体对食品安全构成重大威胁。因此，快速准确地检测这些病原体至关重要。拉曼光谱作为一种快速、非侵入性和无标记的分析技术，展示了巨大的检测潜力。然而，在需要单细胞水平快速检测的场景下，拉曼光谱灵敏度受限。这一限制源于短积分时间、固有的弱拉曼信号以及单个细菌细胞极小的体积。为了应对这一挑战，本研究提出了一种结合Mel频谱图变换与生成对抗网络(GAN)的光谱复原方法(GAN_Mel)。在该方法中，频谱图变换过程被集成到GAN的判别器架构中，以提高重建效率和去噪能力。实验结果表明，在3秒的短积分时间下，所提出的方法能有效将光谱信噪比(SNR)提升至与30秒积分时间相当的水平，实现了92.9%的食源性细菌物种分类准确率。该研究为利用拉曼光谱进行快速准确的单细胞食源性病原体检测提供了坚实的技术基础。

研究人员针对单细胞拉曼光谱在食源性病原体快速检测中因短积分时间导致的信噪比低、特征提取困难等问题，提出了一种基于生成对抗网络与Mel频谱图变换相结合的光谱复原方法（GAN_Mel）。该研究旨在解决传统检测方法耗时长、操作复杂的痛点，通过深度学习算法增强拉曼信号，最终实现在极短时间内对七种常见食源性病原体的高精度识别。研究结果表明，该方法能将3秒积分时间的低信噪比光谱质量提升至接近30秒积分时间的水平，并在实际细菌分类中取得了92.9%的准确率，为食品安全现场快速检测提供了新的技术路径。该研究成果已发表于《LWT》。

为实现上述目标，研究人员采用了几项关键技术方法：首先，构建了基于Mel频谱图变换的生成对抗网络（GAN_Mel），将一维拉曼光谱转换为二维Mel频谱图并输入至判别器中，设计了包含多尺度一维判别器和二维频谱图判别器的复合架构；其次，使用了包含六种化合物模拟数据集和七种食源性病原体（包括空肠弯曲菌、大肠杆菌K12、单核细胞增生李斯特菌、金黄色葡萄球菌、鼠伤寒沙门氏菌、福氏志贺氏菌和肺炎克雷伯菌）实测数据的真实数据集，数据采集依托于自搭建的共聚焦拉曼光谱系统；最后，设计了一种不含池化层的卷积神经网络（CNN）作为分类器，以评估复原后光谱的特征识别能力。

研究结果主要分为三个部分进行展示。第一部分是基于模拟数据集的GAN_Mel复原方法有效性验证。通过定量比较发现，在处理信噪比为30 dB的噪声光谱时，GAN_Mel模型在皮尔逊相关系数（PCC）和均方根误差（RMSE）指标上均优于传统的1D CNN和常规GAN，其复原后的光谱能最大程度保留原始光谱的结构特征并抑制高频噪声。此外，在不同噪声水平（10至50 dB）下的测试表明，GAN_Mel具有较强的鲁棒性，即使在10 dB的极端低信噪比条件下，仍能保持较高的光谱结构还原度。

第二部分是基于真实数据的光谱复原性能评估及七种细菌的分类准确性比较。研究人员采集了3秒积分时间的低信噪比原始光谱，并利用GAN_Mel进行复原，同时采集30秒积分时间的高信噪比光谱作为参考。结果显示，经过GAN_Mel处理后的光谱有效抑制了背景噪声，其谱峰结构与参考光谱高度吻合。在分类实验中，原始3秒光谱的整体分类准确率仅为54.3%，而经过GAN_Mel复原后的光谱分类准确率提升至92.9%，甚至超过了参考光谱90.9%的准确率，证明了该方法在实际应用中的优越性。

第三部分讨论了该方法的实际应用潜力和局限性。研究表明，GAN_Mel不仅在模拟数据上表现优异，在处理真实的单细胞拉曼光谱时也展现了卓越的去噪和特征增强能力。通过将Mel频谱图变换嵌入网络训练，实现了时频域特征的联合建模，克服了传统固定滤波器参数无法动态适应光谱特性的缺点。虽然目前的评估主要集中在细菌分类任务上，且可能存在任务依赖性，但结果已充分证明其在提升单细胞拉曼检测效率方面的价值。

综上所述，该研究得出结论：GAN_Mel方法成功解决了单细胞拉曼检测中因短积分时间导致的信噪比不足问题。该方法通过嵌入Mel频谱图变换和多判别器架构，实现了动态学习和多尺度约束，显著提升了光谱复原质量。在仅使用3秒积分时间的情况下，该方法达到了与30秒积分时间相当的检测精度，为拉曼光谱在食源性病原体快速、准确单细胞鉴定中的广泛应用奠定了坚实基础。未来的工作可进一步探索无监督或半监督学习策略以降低对标记数据的依赖，并将模型扩展至定量分析等其他复杂任务中。