基于迁移学习的新精神活性物质拉曼光谱识别研究

随着精神活性物质(NPS)对社会的潜在危害越来越严重,提高新型毒品的快速检测、识别能力是当前打击毒品犯罪的重中之重。本研究采集了196份新精神活性物质缴获样本拉曼光谱,结合连续小波变换和卷积神经网络迁移学习模型,对五种检测仪器获得的拉曼光谱数据进行分析和识别。对VGG16、InceptionV3和ResNet50三种深度学习模型分类效能的比较结果显示,单仪器新精神活性物质识别能力为80.2%~100%不等,多仪器综合识别能力为88.6%。通过合理的光谱预处理方法,能够将不同仪器的NPS光谱检测数据,统一格式并进行批量的分析和识别,精准提高了拉曼光谱的数据提取和利用效率。

水环境中精神活性物质检测技术研究进展

随着精神活性物质的种类与数量不断增多,精神活性物质的滥用已成为一个全球性问题。当其进入水环境后,可能在水生生物体内蓄积,并随着食物链不断被富集,进而对水生态系统甚至人体健康产生不利影响。本文对水环境中精神活性物质的检测技术进行总结,介绍精神活性物质的水生生态毒性与分析现状,重点阐述液相色谱-质谱联用法(LC-MS)在精神活性物质检测中的相关应用,探讨精神活性物质检测中存在的问题和面临的挑战,并对其发展走向进行展望,以期为我国水环境中精神活性物质污染问题的研究提供参考。