拉曼光谱和红外光谱一样同属于分子振动光谱，可以反映分子的特征结构。但是拉曼散射效应是个非常弱的过程，一般其光强仅约为入射光强的 10^-10。所以拉曼信号都很弱，要对表面吸附物种进行拉曼光谱研究几乎都要利用某种增强效应。关于增强机理的本质,学术界目前仍未达成共识,大多数学者认为SERS增强主要由物理增强和化学增强两个方面构成,并认为前者占主导地位,而后者在增强效应中只贡献1~2个数量级。物理增强对吸附到基底附近分子的增强没有选择性。大量实验研究表明,单纯的物理或化学增强机理都不足以解释所有的SERS现象,增强过程的影响因素十分复杂,在很多体系中,认为这两种因素可能同时起作用,它们的相对贡献在不同的体系中有所不同。
表面增强拉曼光谱的信息处理识别方法有哪些?
拉曼光谱分析包括定性分析和定量分析,SERS光谱处理与识别包含光谱预处理、特征提取、特征分类(定性分析)、数学建模(定量分析)。由于痕量检测中拉曼光谱信噪比低、微弱信号被荧光背景淹没[7]、复杂体系中其它未知组分的干扰等因素的影响,SERS信号自动识别存在很大的挑战。另外,由于拉曼增强效应的稳定性影响,利用SERS进行定量分析具有很大的挑战性,然而,借助于化学计量学方法,SERS用于定量分析和模式识别己有较多的报道。
光谱预处理：光谱仪所采集的拉曼光谱包含荧光背景、检测器噪声、激光器功率波动等干扰信息,这些干扰信息不能完全依赖设备的改进而消除,因此在利用光谱数据进行定性定量分析之前,还要完成有效的预处理过程。针对于SERS光谱的预处理,包括平滑去噪和基线校正。
特征提取：在进行模式分类实现定性分析之前,往往需要对光谱进行特征提取。对于特定的体系,有效拉曼特征区通常在较短的波段范围内,因此,可以通过选择充分反映被测物质特性的波段,达到数据降维的目的。最简单的波段选择方法是人工截取,但是它依赖于先验知识和现有谱库。此外,所提出的自动选择方法包括间隔最小二乘法、相关系数法、逐步回归法、无信息变量消除法、蒙特卡洛无信息变量消除法、谱峰识别、遗传算法、连续投影算法、竞争自适应重采样方法)等。此外,已提出的降维模型,可分为无监督降维方法、有监督降维方法以及半监督降维方法。
定性分析——分类方法：目前常用的光谱分类方法有K-近邻法、PCA类中心最小距离法、光谱相似度匹配、簇类的独立软模式法、支持向量机.线性判别分析(LDA)、贝叶斯判别法、有监督人工神经网络、偏最小二乘判别分析、高斯混合判别分析、基于分类回归树的随机森林方法等。为了得到最佳分类效果,不同的检测体系往往需要不同的分类器。
定量分析——数学建模：光谱定量分析是通过分析己知光谱信息与待测属性间的内在联系,建立适当的校正模型,从而预测待测样品的相关属性,因此,定量分析过程包含校正和预测两部分,核心是校正模型的建立,通常借助于多元校正技术。
