摘要：

　　本文介紹了拉曼光譜和利用化學計量學方法處理拉曼光譜的過程，簡述了拉曼光譜應用于紡織纖維檢測的可行性，最后介紹了本單位在應用拉曼光譜和化學計量學進行纖維檢測方向的初期研究成果。

　　關鍵詞：拉曼光譜；化學計量學；纖維檢測

　　1拉曼光譜的簡介

　　印度物理學家C.V.Raman于1928年發現拉曼光譜并因此榮獲諾貝爾物理獎。自此以后，拉曼光譜作為一種分子級別的物質結構分析手段被廣泛應用。特別是在20世紀60年代后，隨著高通量激光光源的產生、微弱信號檢測技術的提高、化學計量學的高速發展和計算機的普及，拉曼光譜分析技術在很多領域得到了大力發展[1]。

　　拉曼散射是光照射到物質上發生的非彈性散射所產生的。單色光的入射光子與分子相互作用時可發生彈性碰撞和非彈性碰撞。彈性碰撞中，光子與分子之間沒有能量交換，碰撞的發生只改變了光子的方向而不改變光子的頻率，這種碰撞方式也稱為瑞利散射。而非彈性碰撞過程中，光子不僅僅改變運動方向，同時光子的一部分能量傳遞給分子，或者分子的振動、轉動能量傳遞給光子，從而改變了光子的頻率，這種散射過程稱為拉曼散射[2]。拉曼散射光和瑞利光的頻率之差值稱為拉曼位移。拉曼位移就是分子振動或轉動頻率，與入射頻率無關，而與分子結構有關。拉曼光譜與紅外光譜類似，同屬于散射光譜中的一種，其信號來源于分子的振動與轉動。但紅外光譜與分子振動時的偶極矩變化相關，而拉曼散射則是分子極化率變化的結果。分子結構分析中，拉曼光譜與紅外光譜是相互補充的[2, 3]。

　　拉曼光譜是一種振動光譜，與物質自身的結構相關，拉曼光譜技術對樣品無接觸、無損傷，測試前無須特殊前處理過程，可提供快速、簡便無損傷的定性定量分析。在分析研究領域，拉曼光譜與其他分析方法相比，還具有以下的突出優點[4-6]：

　　(1)無損、快速、無污染。拉曼光譜是一種純粹的光學檢測方法，其分析過程無須制樣、不破壞樣品、不產生污染；分析過程快速，重現性好。

　　(2)檢測靈敏度較高。新開發的激光拉曼分析技術和多種聯用拉曼光譜技術，如顯微拉曼光譜技術、表面增強拉曼光譜技術等，大大提高了拉曼光譜的探測靈敏度。

　　(3)不受水的影響。由于水的拉曼散射很微弱，適合含水樣品的測試，對含水樣品來說是非常理想的分析工具。

　　(4)高分辨率。拉曼光譜譜峰清晰尖銳，適合定量研究、數據庫搜索以及運用差異分析進行定性研究。在化學結構分析中，獨立的拉曼區間的強度可以和功能集團的數量相關。

　　2國內外拉曼光譜技術發展狀況及其在紡織纖維檢測中的應用

　　隨著拉曼光譜技術的迅速發展以及與化學計量學的緊密結合，拉曼光譜越來越多地被應用于過程監控、反應機理研究、材料分析等方面[7]。拉曼光譜技術除了應用于眾多的科研項目外，還被廣泛應用于醫藥、環境、食品、寶石鑒定等快速分析檢測領域。康頤璞等[8]利用電解法制備銀膜，使用在氯霉素拉曼光譜中，可快速檢測出食品中殘留的對人體骨髓有重大傷害的氯霉素。陶家友等[9]直接測量居室環境中的甲醛分子產生的拉曼光譜，快速測定了密閉環境中的甲醛濃度，為揮發性有機物的快速、準確檢測提供了一種新方法。馬寒露等[10]使用便攜式拉曼光譜儀，結合化學計量學的方法，較好地鑒別了蘋果汁中摻入梨汁的造假行為，建立了鑒別方法，為其他摻偽問題的解決提供了借鑒。

　　除了上述的分析檢測領域，紡織品纖維成分定性鑒別和定量分析也是拉曼光譜分析技術應用的另一熱點。棉、麻、毛、絲等大多數天然纖維及再生纖維素纖維等都具有較顯著的吸濕性能，一小部分合成纖維的吸濕性能也較顯著，若應用紅外光譜法進行檢測，須進行一定的前處理才能得到較好的結果，而由于拉曼光譜對水分子不敏感，且擁有上述優點，拉曼光譜不需要繁瑣的前處理過程，被視為未來紡織纖維材料檢測的一種新手段。喬西婭等[11]通過直接測取織物、紗線或纖維的激光拉曼光譜，結合光譜預處理技術與特征峰提取、匹配識別方法定性鑒別了滌綸、腈綸、錦綸、粘膠等纖維，并利用94份測試樣品驗證了其算法的有效性。吳儉儉[12]等針對當前纖維定性鑒別方法存在的缺點，開發拉曼光譜定性鑒別方法，通過對紡織纖維原始拉曼譜圖的特性分析、光譜預處理等得到了信噪比更高的標準拉曼譜圖，建立了拉曼譜圖特征表數據庫，初步驗證了拉曼光譜定性分析纖維紡織材料的可行性。

　　3化學計量學在拉曼光譜中的應用

　　拉曼光譜技術引入分析化學領域以來，以其獨特的優勢吸引了分析化學家的注意。拉曼光譜雖從實驗中較易得到，但其反映的分子振動信息是以一種復雜的形式加和在一起，因此給拉曼光譜的解析帶來了很大困難。隨著化學計量學的引入，大大地降低了提取物質相關信息的難度，使拉曼光譜分析技術的應用范圍得到了拓寬。為了得到有效的拉曼光譜，使所建的模型穩健可靠，有足夠的預見性，在進行數據分析前須對實驗所得到的拉曼光譜進行預處理，預處理過程包括信號平滑和背景扣除兩部分。

　　3.1拉曼光譜的信號平滑算法

　　拉曼光譜獲取的過程中，由于拉曼散射效應信號微弱、儀器自身設計和操作者水平等原因，采集得到的拉曼光譜或多或少都會存在噪聲。噪聲是無用信息，還會對有效信息造成干擾。噪聲可分為三類：第一類是沒有規律的，與測量技術和環境影響相關，多次測量疊加后取平均值時噪聲沒有線性增加，可通過增加測量次數提高信噪比；第二類是有規律的，隨著測量次數的增加，噪聲也增加；第三類是前兩種的結合，即無規律噪聲。拉曼光譜中某些樣品的光譜漂移就是第三類情況。化學計量學上常用信號平滑來消除隨機噪聲，提高信噪比。信號平滑算法主要有窗口移動多項式最小二乘擬合[13-16]、窗口移動中位數[17, 18]、快速傅里葉變換、懲罰最小二乘[19]、小波系數收縮[20]等算法。

　　3.2拉曼光譜的背景扣除算法

　　對拉曼光譜影響最大的背景，就是熒光響應，為了有效地提取數據信息進行多變量定性定量分析，在預處理時要先將無用的背景扣除。扣除背景分為硬扣除和軟扣除兩種。硬扣除指的是改進實驗儀器性能或操作條件，如更換波長更大的激發光源、對不同的樣品采取不同的試驗條件等；軟扣除指的是利用化學計量學方法扣除拉曼光譜的熒光背景，常用于扣除背景的算法有手動線性背景擬合法[21]、不對稱最小二乘法[22]、全自動背景扣除算法[23]和自適應迭代重加權懲罰最小二乘算法[24]等。

　　3.3聚類與分類算法(定性鑒別)

　　在光譜預處理完成后，就對數據進行分類，也就是常說的定性鑒別，在化學計量學上稱這種方法為聚類與分類法。聚類是研究樣品分類問題的一種統計分析方法。拉曼光譜數據通過化學計量學方法進行聚類或者分類分析建立模型，對新測定的樣品數據進行已知類樣本模型比對，以預測位置樣品的類歸屬。聚類與分類算法常有以下幾種算法：主成分分析[25]、偏最小二乘線性判別式分析、偏最小二乘判別分析[26]等。

　　3.4回歸分析(定量分析)

　　在定性鑒別完成后，可以進一步對樣品進行定量分析。化學計量學常用回歸分析算法進行定量計算，就是根據聚類與分類的結果，對數據信號進行深入處理，建立一個數據回歸規律模型，以對其他未知數據進行定量分析，概括來講就是用一個函數來表示應變量和自變量之間的關系。回歸分析按照其自變量的多少，可以分為一元回歸分析和多元線性回歸分析；按照自變量和應變量的關系可以分為線性回歸和非線性回歸。不論是何種回歸分析，基本都包含以下步驟：回歸模型的建立、模型參數的求解、模型的評價、能很好模擬實測數據的模型選擇、根據自變量對新樣品的進一步預測。常用的回歸算法有主成分回歸[27, 28]、偏最小二乘回歸[29]和支持向量回歸[30]。

　　4應用前景及研究進展

　　當前，分析測試技術受到越來越多的關注與重視，隨著各種新型材料的出現，傳統的檢測手段在一定程度上難以適應新的要求。目前行業內常用的纖維鑒別方法有顯微鏡觀察法、燃燒法、化學溶解法等，但這些方法耗時長，不適宜現場快速鑒定。而拉曼光譜是反映分子極化率變化與振動信息的一種散射光譜，不同的紡織纖維具有不同的拉曼光譜特征，可以利用這些特征結合其他定性鑒別的方法區分纖維種類。

　　本單位以開發床上用品纖維成分現場檢驗鑒定技術為目的，利用美國必達泰克公司(B&W Tek, Inc.)的便攜式拉曼光譜儀i-Raman EX對超過1000個純棉、純滌樣品進行測試。全部樣品譜圖通過Matlab進行信號平滑和背景扣除的數據預處理。通過對各種預處理方法的比較，我們認為運用自適應迭代重加權懲罰最小二乘算法對樣品數據進行預處理可以得到最大限度保留樣本光譜有效信息的數據，棉和滌綸的拉曼光譜圖如圖1和圖2所示。

　　預處理之后的光譜包含有織物的特征信息，我們將大量的數據混合后通過主成分分析、偏最小二乘線性判別式分析、偏最小二乘判別分析等聚類與分類計算，嘗試將它們分類，也就是我們常說的纖維成分定性。我們發現運用主成分分析法能很好地將純棉和純滌的混合光譜聚類分離，如圖3所示，紅色表示純棉樣品，黑色表示純滌樣品。結果表明，運用主成分分析方法，能將光譜的有效信息充分區分，并直觀顯示出來。主成分分析非常適合用對紡織纖維進行定性分析。

　　化學計量學方法是拉曼光譜檢測技術應用發展的重要推動力量，其與拉曼光譜檢測技術的結合對紡織纖維的快速、無損檢測有著至關重要的作用。隨著數據分析的進一步深入，拉曼光譜技術將從紡織纖維的定性鑒別應用階段跨入定量檢測應用階段，估計在不久的將來，以拉曼光譜為核心技術的紡織纖維定性定量分析標準將會誕生。

　　參考文獻：

　　[1]朱自瑩,顧仁敖,陸天虹.中國拉曼光譜研究十年(1981～1991)[J].光譜學與光譜分析, 1993,(01):49-84.

　　[2]田國輝,陳亞杰,馮清茂.拉曼光譜的發展及應用[J].化學工程師, 2008:(01): 34-36.

　　[3]喬西婭.拉曼光譜特征提取方法在定性分析中的應用[D].杭州：浙江大學,2010.

　　[4]程光煦.拉曼、布里淵散射:原理及應用[M].北京:科學出版社,2001:120.

　　[5]白利濤,張麗萍,趙國文.拉曼光譜的應用及進展[J].福建分析測試, 2011,(02): 27-30.

　　[6]宮衍香,呂剛,馬傳濤.拉曼光譜及其在現代科技中的應用[J].現代物理知識, 2006,(01): 24-28.

　　[7]黃海平,田英芬,何尚錦,等.拉曼光譜在高分子中的應用新進展[J].熱固性樹脂, 2001, (02): 38-44.

　　[8]康頤璞,司民真,劉仁明.氯霉素在電解法制備納米銀膜上的表面增強拉曼光譜的研究[J].光散射學報, 2009,(01):25-28.

　　[9]陶家友,黃鷹,廖高華,等.甲醛濃度的激光拉曼光譜檢測研究[J].光散射學報, 2008, (04): 346-349.

　　[10]馬寒露,董英,張孝芳,等.拉曼光譜法快速檢測摻入梨汁的濃縮蘋果汁[J].分析測試學報, 2009, (05): 535-538.

　　[11]喬西婭,戴連奎,吳儉儉.拉曼光譜特征提取在化學纖維定性鑒別中的應用[J].光譜學與光譜分析, 2010,(04): 975-978.

　　[12]吳儉儉,孫國君,戴連奎,等.紡織纖維拉曼光譜定性分析法[J].紡織學報, 2011, (06): 28-33.

　　[13]Gorry, P.A. General least-squares smoothing and differentiation by the convolution (Savitzky-Golay) method[J]. Analytical Chemistry, 1990, 62(6): 570-573.

　　[14]Madden, H.H..Comments on the Savitzky-Golay convolution method for least-squares-fit smoothing and differentiation of digital data[J]. Analytical Chemistry, 1978, 50(9): 1383-1386.

　　[15]Savitzky, A. and M.J.E. Golay.Smoothing and Differentiation of Data by Simplified Least Squares Procedures[J]. Analytical Chemistry, 1964,36(8): 1627-1639.

　　[16]Steinier, J., Y. Termonia, and J. Deltour, Smoothing anddifferentiation of data by simplified least square procedure[J]. Analytical Chemistry, 1972,44(11): 1906-1909.

　　[17]尼珍,胡昌勤,馮芳.近紅外光譜分析中光譜預處理方法的作用及其發展[J].藥物分析雜志, 2008,(05): 824-829.

　　[18]夏俊芳,李培武,李小昱,等.不同預處理對近紅外光譜檢測臍橙VC含量的影響[J].農業機械學報, 2007, (06): 107- 111.

　　[19]Eilers, P.H.C.. A Perfect Smoother[J]. Analytical Chemistry, 2003,75(14): 3631-3636.

　　[20] Daubechies, I.Ten lectures on wavelets[M]. SIAM, 1992.

　　[21]陳珊.拉曼光譜背景扣除算法及其應用研究[D].長沙:中南大學, 2011.

　　[22]Eilers, P.H., H.F. Boelens. Baseline correction with asymmetric least squares smoothing[J]. Leiden University Medical Centre Report, 2005.

　　[23]Carlos Cobas, J., et al., A new general-purpose fully automatic baseline-correction procedure for 1D and 2D NMR data[J]. Journal of Magnetic Resonance, 2006,183(1): 145-151.

　　[24]Zhang, Z.-M., S. Chen, Y.-Z. Liang. Baseline correction using adaptive iteratively reweighted penalized least squares[J]. Analyst, 2010, 135(5): 1138-1146.

　　[25]Wold, S., K. Esbensen, P. Geladi.Principal componentanalysis[J]. Chemometrics and Intelligent Laboratory Systems, 1987,2(1–3): 37-52.

　　[26]Geladi, P., B.R. Kowalski. Partial least-squares regression: a tutorial[J]. Analytica Chimica Acta, 1986. 185(0): 1-17.

　　[27]羅文海,萬巧云,高永.主成分回歸分析與多元線性回歸的對比研究[J].數理醫藥學雜志, 2003,(02): 140-143.

　　[28]Jolliffe, I.T. Principal Components in Regression Analysis[J]. Principal Component Analysis, 2002: 167-198.

　　[29]秦浩,林志娟,陳景武.偏最小二乘回歸原理、分析步驟及程序[J].數理醫藥學雜志, 2007(04): 450-451.

　　[30] Vapnik, V. The nature of statistical learning theory[M]. Berlin: springer, 1998: 88.

　　[作者單位：廣州市纖維產品檢測院，國家紡織品服裝服飾產品質量監督檢驗中心(廣州)]文/羅峻 謝劍飛 許敏 楊欣卉 吳淑煥