Fully Automated Decomposition of Raman Spectra into Individual Pearson's Type VII Distributions Applied to Biological and Biomedical Samples
Notice bibliographique
Résumé
Rapid technological advances have made the acquisition of large numbers of spectra not only feasible, but also routine. As a result, a significant research effort is focused on semi-automated and fully automated spectral processing techniques. However, the need to provide initial estimates of the number of peaks, their band shapes, and the initial parameters of these bands presents an obstacle to the full automation of peak fitting and its incorporation into fully automated spectral-preprocessing workflows. Moreover, the sensitivity of peak-fit routines to initial parameter settings and the resultant variations in solution quality further impede user-free operation. We have developed a technique to perform fully automated peak fitting on fully automated preconditioned spectra-specifically, baseline-corrected and smoothed spectra that are free of cosmic-ray-induced spikes. Briefly, the tallest peak in a spectrum is located and a Gaussian peak-fit is performed. The fitted peak is then subtracted from the spectrum, and the procedure is repeated until the entire spectrum has been processed. In second and third passes, all the peaks in the spectrum are fitted concurrently, but are fitted to a Pearson Type VII model using the parameters for the model established in the prior pass. The technique is applied to a synthetic spectrum with several peaks, some of which have substantial overlap, to test the ability of the method to recover the correct number of peaks, their true shape, and their appropriate parameters. Finally the method is tested on measured Raman spectra collected from human embryonic stem cells and samples of red blood cells.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».