在本技术窍门中，我们将就如何理解拉曼光谱中的尖锐峰值和锯齿状形状提出建议。拉曼特征可以直接使用，也可以与已知数据库进行匹配，用于材料识别。
对于大多数用户来说，拉曼光谱的理论和应用曾一度被认为过于先进，而如今，从简单的手持设备到更复杂的台式系统，拉曼光谱仪器应有尽有，拉曼数据分析策略也从谨慎应用一些关键原则到使用化学计量学和机器学习的自动化方法不等。
拉曼分析一瞥
拉曼峰值特征可为每种分析物提供高度可重复的指纹，并可通过任意数量的数字方法进行解卷。这使得复杂混合物和实际样品的检测成为可能，因为相对于理想化的实验室样品而言，实际样品往往比较 “混乱”。
虽然拉曼光谱技术很先进，但它并不困难或过于复杂。让拉曼变得棘手的是，您所关心的东西与其他光谱特征混杂在一起。例如，在传统光谱学中，您可以分析透射吸光度图（即比色皿中的染料）或材料反射图，并很容易找出宽驼峰和相交的等距点并加以解释。但在拉曼光谱中，光谱特征的分布看似随机。
事实上，大多数用户观察到的拉曼光谱到处都是峰值和锯齿状。这些特征从何而来？嗯，有各种各样的原因：残留样本、像素间的响应等等。老实说，最好不要想太多。这些就是要问的关键问题：
- 当我添加所测量的样本与空白样本（参考样本）时，在统计意义上有什么变化？
- 如何处理数据才能重复可视化和量化？
幸运的是，我们有一套有限的工具来运行您的数据。
基线（基线校正）
这意味着从每个其他值中减去某个像素/波长值，从而将该波长值归零。这将纠正因聚焦、功率等问题造成的垂直偏移，但不会缩放绘图的幅度。
如果您对吸光度或反射率等光谱模式比较熟悉，就会知道通过基线校正来考虑任何光学偏移是很重要的。峰值或任何一般值都可能受环境影响而发生偏移，但可以根据已知与参数变化无关的区域进行校正。拉曼光谱也可以进行同样的校正，如果希望对数据进行量化，校正至关重要。
图 1.应用基线法后，原始 bpe 拉曼光谱中的所有内容都被截取到 x 轴上。
标准正态变异（snv）
snv 是一种常用的拉曼预处理技术，需要在拉曼范围内选择某个窗口进行处理。通常情况下，我们使用 350-3000 cm-1来处理拉曼，但这一范围会根据绘图效果而改变。事实上，根据系统响应、分析物活性等因素，这个范围是相当主观的。
因此，snv 只是减去范围平均值后的全光谱平均值，然后除以范围标准偏差。它将像这样把东西按比例缩放在一起：
图 2.在这个例子中，sers 被用来测量四氢大麻酚。请注意原始光谱和归一化 (snv) 光谱之间的差异。
在图 2 中，我们使用了表面增强拉曼光谱（sers）来测量四氢大麻酚。我们圈出了 1100 厘米-1 附近的五个峰值，但没有圈出 1500 厘米-1 处的明显峰值或附近的其他显著光谱特征。这是因为根据我们的经验，经过反复试验，我们推断出 1500 cm-1 处的峰值来自溶剂或柠檬酸盐（用于 sers 底物）；其他光谱特征的形状有些可疑。
清洁峰
在收集拉曼光谱时，我们的 oceanview 操作软件可以使用一个有用的工具，即 “cleanpeaks”，有时也称为 “橡皮筋校正”。 这是一种内置算法，可应用于原始拉曼光谱，以去除基线和任何荧光。
cleanpeaks 会将大部分内容捕捉到 x 轴上，但它认为具有统计意义的峰除外（可能是 3σ 的阈值）。这对生成干净的图非常有用，但它并不是光谱仪的真实数据！使用 cleanpeaks 时要小心，因为您有可能看不到光谱中存在的特征，而这些特征只是在软件阈值之外。因此，我们建议您只有在弄清光谱中哪些地方存在您需要的信息后再使用该工具。
图 3.使用软件中的 cleanpeaks 功能，可对原始拉曼光谱进行偏移，使可视化效果更加清晰。光谱整体上也更加平整。
摘要
snv 是您的最佳选择，但您的大部分工作将涉及 snv 和不同范围基线的组合，以查看是否发生了有意义的事情。我们经常会花费大量精力尝试不同的方法并寻找规律。
对于已知条件的较大数据集，拉曼输出可用作 pca 相关性和更复杂统计分析的训练数据。另一种方法是使用机器学习，但这通常也需要一些预处理，以使输入具有意义。
ocean insight 提供所有这些光谱数值技术以及可部署机器学习方面的专业知识。我们渴望了解您的应用，并为您提供将光谱数据转化为有意义的答案所需的洞察力。