【摘要】 作为新兴的污染物，微塑料很难表征，尤其是当它们的尺寸达到纳米级时。

作为新兴的污染物，微塑料很难表征，尤其是当它们的尺寸达到纳米级时。虽然成像技术最近受到了越来越多的关注，例如拉曼成像，但通过软件对扫描光谱矩阵进行解码可能很难以数字方式和自动方式实现结果，并且通常需要个人经验和专业知识的参与。Yunlong Luo等人[1]展示了一种双主成分分析（PCA）方法，其中（i）第一轮PCA分析侧重于来自拉曼扫描矩阵的原始光谱数据，并生成两个新矩阵，其中一个包含产生PCA光谱的光谱轮廓，另一个包含要映射为图像的PCA强度；（ii）第二轮PCA分析将来自第一轮PCA的光谱与八种常见塑料的标准光谱合并，以生成相关矩阵。根据相关性值，可以将第一轮主成分分析的主要成分以数字方式分配给塑料成像，类似于数据集索引。

首先在两种原始微塑料的混合物上进行了测试，然后在花园草坪修剪过程中收集的样本上进行测试。选择包括PE和PVC的微塑料混合物作为模型来验证算法分析。22基本上，将等量（体积）的PE和PVC混合在研钵中，研钵之前用Milli Q水和乙醇清洗。然后将微塑料混合物均匀分布在用于拉曼测试的载玻片上。使用WITec共聚焦拉曼显微镜记录空气中的拉曼光谱，该显微镜配备532 nm激光二极管。将电荷耦合器件(CCD)探测器冷却至-60℃，在室温(~24℃)下采集20×或100×物镜下的斯托克斯拉曼信号。为了使准确的主成分分析能够有效地识别微塑料，可以对原始光谱进行预处理。为了去除背景，我们使用了非对称最小二乘法，不仅可以有效地去除噪声，而且可以显著地减少偏差。未经处理的拉曼光谱具有强烈的背景，其可能来源于塑料材料中的颜料/染料或其他添加剂，或由于风化/老化而衍生的表面基团，或来自样品预处理后幸存的生物膜等伴随组分。还演示了数据预处理和波数变化的效果。总的来说，这种双PCA方法为机器学习分析微塑料，特别是纳米塑料铺平了道路。

[1] Anal. Chem. 2022, 94, 7, 3150–3157, Publication Date:February 2, 2022. https://doi.org/10.1021/acs.analchem.1c04498.

科学指南针是互联网+科技服务平台,500多家检测机构,提供近5万种设备和服务项目,涵盖生物医药、智能硬件、化学化工等多个领域,由专业人员1对1跟踪服务,保证检测质量与效率。