科研动态 | 中科院安光所红外精密仪器团队突破傅里叶红外光谱算法中混合物识别技术瓶颈

近日，中国科学院安光所红外精密仪器团队，在傅里叶红外光谱（FTIR）分析算法研究领域取得系统性突破。团队面向实际应用，构建了 “混合物识别 - 基线重构 - 鲁棒定量 - 宽动态分析”研究框架，显著提升了复杂应用场景下气体的识别准确度以及定量精度。4项创新技术先后发表于Analytical Chemistry（中国科学院一区，IF=6.7）、Optics Express（中科院二区，IF=3.3）等国际知名期刊。

一直以来，傅里叶变换红外光谱技术（FTIR）凭借高分辨率、宽光谱范围及非破坏性优势，广泛应用于环境监测、国防安全、材料科学、生物医学及食品安全等领域。而在实际应用中，定量任务会面临仪器线型变化、多组分吸收峰重叠，吸收峰饱和导致的非线性响应以及各种测量误差等诸多挑战。为此，科研团队需要解决跨设备的复杂混合物识别问题，减少基线校正误差影响，提升浓度反演精度，自适应选取光谱区间等一系列难题。

混合物识别作为定量的前驱步骤，其组分识别结果直接影响着定量的结果。为此，团队提出了一种基于“注意力”机制的深度学习框架（胥泰然，Analytical Chemistry 2025）来应对混合物识别任务中仪器线型，吸收峰重叠等挑战。依托包含10种仪器线型、8种气体成分的自建数据集实验。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混合物分析以及类似光谱学挑战（如近红外模型传递）方面的巨大潜力，为复杂混合物成分红外光谱识别提供了新思路。

为减少混合气体吸收峰重叠导致的基线校正误差的影响，团队研发了相对吸光度的独立成分分析（RA-ICA）算法（李新春，Optics Express 2024）。通过计算相对吸光度光谱、提取独立成分、重建隐藏基线，使得设备对混合气体吸收峰重叠导致的基线校正误差显著低于常用方法，还能精准保留基线细节，满足多气体组分同时精确测量需求。该算法首先计算剔除基线信息的相对吸光度光谱，随后结合比尔-朗伯定律与独立成分分析，提取包含各组分吸收峰信息的独立成分，对需基线校正的光谱进行拟合。最后采用多项式曲线与残差相结合的基线模型，重建吸收波段的隐藏基线。仿真与实验结果表明，RA-ICA方法重建的基线误差显著低于其他常用基线校正方法，且能准确保留基线的细节特征，能够提供高质量的校正基线，满足多气体组分同时精确测量的需要。

在实际浓度反演过程中，传统最小二乘等方法受到噪声和基线漂移等光谱干扰的影响，其气体光谱定量结果准确性受限。为提升浓度反演精度，团队提出了“抑制-适应-优化”模型，实现了光谱降噪、残差建模以及损失优化的有机结合，为FTIR光谱的浓度反演提供了一种更具鲁棒性的方法（王钰豪，Optics Express 2025）。该模型融合光谱降噪、残差建模与损失优化技术，能为工业监测、交通排放等场景的浓度反演提供鲁棒方案。该算法首先通过噪声抑制技术提高用于反演的光谱数据的质量，然后利用Ljung-Box检验和分位数-分位数图等统计工具对降噪后光谱数据与前向模型的残差分布进行分析，并采用Barron提出的广义损失函数进行适应，最后采用Yogi优化器进行损失优化，实现气体浓度反演。模拟和实验光谱验证了该模型在均方根误差噪声为1×10^-3光谱数据集中的性能，相比于传统方法，可以将CO₂、N₂O和CO的反演精密度提高15%。实验结果表明，该方法在工业监测、环境研究以及交通排放等领域具有广阔应用前景。

除此以外，FTIR光谱的宽带多组分检测能力，但分析波段的选择影响定量准确性。为此，该团队提出了一种基于信息密度的自适应波段优选（ID-ABS）方法（李新春，Optics Express 2025），以纠正高浓度下吸收饱和引发的光谱非线性响应、仪器分辨率限制以及基线重建误差等问题。该模型整合谱线强度、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，进而优选各组分反演参数，确定最优反演波段，最后通过非线性多元回归迭代更新参数，直至收敛。实验验证表明，该方法对甲烷定量分析的线性动态范围达到3×10⁷（R²=0.9998）。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，大幅提升了基于 FTIR 技术对复杂多组分混合物的定量分析能力。

安光所红外精密仪器团队发表的以上论文，第一作者分别为博士生王钰豪、李新春及硕士生胥泰然，研究获国家重点研发计划与企业委托项目资助。这一系列工作将进一步拓展傅里叶红外光谱仪器技术的多领域精准应用。

左上： 基于注意力机制的混合物识别深度学习网络结构

左下： 基于注意力机制的混合物识别深度学习网络与现有方法在复杂混合物识别准确率方面的对比情况

右上： RA-ICA方法和其他基线校正方法的结果对比

右下： 抑制-适应-优化模型示意图

左： 抑制-适应-优化模型拟合误差示意图

右上： ID-ABS 模型在实测数据的表现

右下： ID-ABS模型对比其他模型的动态范围

论文目录：

[1] Tairan Xu, Liang Xu, Yongfeng Sun, Wenqing Liu, and Jianguo Liu. Robust Identification of Gas Mixtures from FTIR Spectra using Attention Mechanism to Mitigate Instrument Line Shape Variations. Analytical Chemistry. 2025. 97 (42): 23312-23320.

[2] Yuhao Wang, Li Wan, Zuozifei Song, Liang Xu, Jianguo Liu, Hanyang Xu. Robust gas quantification in mid-infrared FTIR spectroscopy via a suppression-adaptation-optimization model. Optics Express.2025.33(17): 35865-35880.

[3] Xinchun Li, Jianguo Liu, Liang Xu, Yongfeng Sun. Information density-based adaptive band selection for wide dynamic range gasquantification in infrared spectroscopy. Optics Express.2025.33(19): 39855-35874.

[4] Xinchun Li, Jianguo Liu, Liang Xu, Hanyang Xu, Yuhao Wang, Yuxi Zhang. Baseline correction for infrared spectra using relative absorbance-based independent component analysis. Optics Express.2024.32(26): 47137- 47153.