EfficientNet-B3加SVM识别六种药物，准确率高达96.31%！
Hybrid Machine Learning-Assisted Raman Spectroscopy with Generative Feature Augmentation for Pharmaceutical Identification
📖 AI 总结
本研究提出HyMLRaman混合框架，将拉曼光谱与深度学习特征提取、生成式数据增强及经典机器学习分类器相结合，用于六种药物化合物（阿莫西林、氯霉素、环丙沙星、四环素、布洛芬、对乙酰氨基酚）的快速识别。方法上将拉曼光谱转为光谱图像，经多种深度网络编码，其中EfficientNet-B3表现最佳，输出1536维嵌入向量，再以SVM、KNN、逻辑回归、随机森林、XGBoost和ANN等分类器进行分层十折交叉验证。结果显示，EfficientNet-B3与SVM组合的基线性能最优，准确率达96.31%，宏F1为96.36%，优于独立CNN基线。针对数据有限场景，研究在PCA降维的潜在空间中引入基于DDPM的生成式特征增强，消融实验表明其收益具有选择性，对训练样本比例较低的KNN提升明显，且效果依赖具体分类器。研究还构建了交互式拉曼药物分析器，验证了模型嵌入实际筛查流程的可行性，为拉曼光谱药物快速筛查提供了实用且可解释的技术路径。
🔑 关键词速览
| HyMLRaman | 本文提出的混合拉曼光谱框架，结合深度学习特征提取、生成模型和经典机器学习分类器进行药物识别。 |
| EfficientNet-B3 | 一种高效的深度卷积神经网络骨干，用于从拉曼光谱图像中提取高维特征表示。 |
| DDPM | 去噪扩散概率模型，一种生成模型，用于在潜在空间中进行特征增强以应对数据有限的情况。 |
| SVM | 支持向量机，一种经典监督学习分类器，在混合框架中与EfficientNet-B3结合达到最佳基线性能。 |
| PCA | 主成分分析，一种降维方法，用于将EfficientNet-B3提取的特征降维以进行DDPM增强。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅