質量占一半的成分,訊號可能只剩 5%

拉曼強度不看你有多少「量」,看散射截面。一個強散射(尤其共振增強)的成分會佔走絕大部分訊號,把弱散射的次成分蓋掉——這是混合物判讀最常見的陷阱。用三種食用藍色料當教材把它講清楚,並示範怎麼把被蓋掉的成分找回來。

01 三個參考

先建立三種純指紋

這次把靛藍(Indigo carmine / E132)加進來當第三個參考。它與 CuPc、FCF 的峰位不同,強峰在 ~1580 cm⁻¹。注意右上角標的散射強度 k:CuPc 設為強散射者(k=8),靛藍與 FCF 為弱散射者。

CuPc、靛藍、FCF 三種純參考拉曼光譜 — 上:CuPc(強散射 k=8)· 中:靛藍(k=1)· 下:FCF(k=1.2)。峰位取自文獻,強度示意。

02 核心概念

訊號分率 ≠ 質量分率

S_mix = (1−f)·k_major·S_major + f·k_minor·S_minor

混合光譜是各純光譜依「濃度 × 散射強度」加權疊加。f 是次成分的質量分率;決定它在圖上多明顯的,是 f·k_minor 相對於 (1−f)·k_major。當 k_major ≫ k_minor,次成分要占很高的質量才看得見。

50%

靛藍質量分率

8:1

CuPc : 靛藍散射強度

~11%

靛藍實際貢獻的訊號

03 看它被蓋掉

遮蔽序列

從純靛藍往下,逐步混入 CuPc。靛藍的診斷峰(綠色帶:1250、1580 cm⁻¹)隨含量下降很快就消失在 CuPc 的指紋裡——即使它在 30% 質量時仍存在,肉眼已幾乎看不到。

CuPc 遮蔽靛藍的混合序列 — 強散射主成分 CuPc 逐步蓋掉弱散射次成分靛藍。**10% 靛藍**那條幾乎與純 CuPc 無異。

04 找回來

把被遮蔽的次成分挖出來

如果知道主成分是什麼,就能把它扣掉:用最小平方縮放主成分參考、相減,殘差裡次成分的峰會重新現身。這是「已知參考」的解混;若參考未知,則用盲解混(NMF / MCR-ALS)。

差譜與 NNLS 解混把靛藍找回來 — 上:觀測混合(靛藍 30% 質量,訊號被 CuPc 主導)· 中:扣除縮放後的 CuPc 參考 · 下:殘差顯露靛藍的 1250 / 1580 峰。NNLS 估得靛藍訊號分率約 5%。

05 處理策略

混合物判讀的工具箱

差譜

扣除已知主成分

最小平方縮放主成分參考後相減,殘差顯露次成分。最簡單、最直覺,前提是知道主成分。

CLS / NNLS

已知參考的解混

用參考庫解非負最小平方,估各成分的訊號貢獻。scipy.optimize.nnls。得到的是訊號分率,要換質量需散射強度校正。

MCR-ALS / NMF

盲解混(參考未知)

只有一批混合光譜、不知純成分時,用非負矩陣分解同時解出「純光譜」與「濃度」。

2nd deriv

二階微分

放大被主峰肩部藏住的弱峰、壓低寬背景。Savitzky–Golay 微分即可。

換波長 / SERS

改變相對增強

共振增強看雷射波長:換激發波長或用 SERS,可以改變誰被增強,讓原本被蓋住的成分跳出來。

PLS 迴歸

定量而非只是判定

有一系列已知比例的混合(見 mixture library),可建 PLS 模型直接由光譜預測含量——接你既有的 PLS 教學。

06 三工具

解混怎麼做

# 差譜:扣除縮放後的主成分
scale = mix @ cupc / (cupc @ cupc)
residual = mix - scale * cupc          # 殘差裡看次成分

# NNLS 解混(已知參考庫)
from scipy.optimize import nnls
R = np.column_stack([cupc, indigo])    # 參考當欄
abund, _ = nnls(R, mix)                # 非負訊號貢獻
sig_frac = abund[1] / abund.sum()    # 訊號分率(≠質量)

# 盲解混(參考未知)
from sklearn.decomposition import NMF
W = NMF(n_components=2, init='nndsvda').fit(X)   # X = 一批混合光譜

# 定量:PLS 由光譜預測含量
from sklearn.cross_decomposition import PLSRegression
PLSRegression(5).fit(X, indigo_mass_fraction)

# 差譜
scale <- sum(mix * cupc) / sum(cupc^2)
residual <- mix - scale * cupc

# NNLS 解混
library(nnls)
R <- cbind(cupc, indigo)
fit <- nnls(R, mix); abund <- fit$x
sig_frac <- abund[2] / sum(abund)

# 盲解混:MCR-ALS
library(ALS)          # 或 mdatools::mcrals

# 定量:PLS
library(pls)
plsr(indigo_frac ~ spectra, ncomp = 5, data = df)

解混與定量(Spectroscopy 外掛):

1. File 載入 raman_mixture_library.csv,把 indigo_mass_fraction 設為 target(數值 → 迴歸)。

2. Preprocess Spectra:Baseline → Normalize →(可加)Savitzky–Golay(1st/2nd derivative) 凸顯弱峰。

3. 定量:接 PLS 或 Linear Regression → Test and Score(交叉驗證),由光譜預測靛藍含量。

4. 探索式盲解混:PCA 看幾個成分、載入向量像不像純光譜;Orange 內建無 MCR,盲解混建議回到 Python/R。

5. Data Table / Predictions 對未知混合輸出估計含量。

資料誠實性:光譜由峰位表合成。CuPc 峰位取自文獻並以實測樣品錨定;靛藍取自 indigo/indigotin 與 indigo carmine 的 Raman/SERRS 文獻(強峰 ~1580);FCF 取自 Erioglaucine SERS 文獻。散射強度比 k 為教學參數——真實相對截面依分子與雷射波長之共振而定,不是固定值。
真實案例:文獻中商業食用色素(靛藍 + 葡萄糖)裡,靛藍因含量低,只能用 micro-Raman 偵測到——正是「散射/濃度落差」在真實樣品的體現。課堂可換上學生自己配的已知比例混合,流程完全相同。