MétaCan
Menu
Retour à la cohorte
Enregistrement W4393006813 · doi:10.55003/cast.2024.259042

Evaluating Noise Reduction Methods for Raman Spectroscopy in Transmission and Reflection Configurations

2024· article· en· W4393006813 sur OpenAlexaboutno aff
Wasunun Sassuvun, Prathan Buranasiri, Surawut Wicharn, Chokchai Puttharugsa, Puenisara Limnonthakul, Saksorn Limwichean, Suwan Plaipichit

Notice bibliographique

RevueCurrent Applied Science and Technology · 2024
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueSpectroscopy Techniques in Biomedical and Chemical Research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésRaman spectroscopyReflection (computer programming)Reduction (mathematics)Noise reductionTransmission (telecommunications)Noise (video)Materials scienceSpectroscopyOpticsComputer scienceAcousticsPhysicsTelecommunicationsMathematicsArtificial intelligenceGeometry

Résumé

récupéré en direct d'OpenAlex

This work involved comparing Raman signals obtained from two different Raman spectroscopy configurations, using two distinct noise reduction methods. The excitation light source was a laser diode with a wavelength of 532 nm. A long-pass filter and focusing lens were utilized to block the excited light from the source and concentrate the Raman signals due to their weaker nature compared to the excited light signals. Light of 532 nm wavelength was blocked during green laser diode illumination using a long-pass filter. Two configurations were studied: transmission Raman spectroscopy (TRS) and reflection Raman spectroscopy (RRS). Raman signals from both configurations were compared, and the boxcar averaging and Vancouver Raman algorithm (VRA) noise reduction methods were investigated and compared. The results showed that Raman signals from the transmission configuration were higher than those from the reflection configuration, and noise signals were effectively reduced using both the boxcar averaging and VRA methods.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,326
Score d'incertitude au seuil0,285

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,049
Tête enseignante GPT0,505
Écart entre enseignants0,456 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCurrent Applied Science and TechnologyMême sujetSpectroscopy Techniques in Biomedical and Chemical ResearchTravaux en français237 207