中国人民公安大学-姜红教授《高光谱成像技术在法庭科学中的应用》

中国人民公安大学姜红教授。姜红，中国人民公安大学侦查学院教授、硕士生导师。主要从事微量物证和毒物毒品检验鉴定工作。主持和参加完成各级科研项目30余项，发表核心期刊论文100余篇，其中SCI和EI收录20余篇。出版《鞋底材料物证检验》、《香烟物证检验》、《化妆品物证分析》等4部学术著作。主编教材2部，参编教材10余部，参编教材《刑事科学技术》获北京市精品教材奖。参加的公安部科研项目有两项获得公安部科技进步三等奖。2021、2022连续两年被学校评为“亲家数科奖教金”科研名师。

第29期高光谱课堂荣幸邀请到中国人民公安大学教授—姜红做线上讲座报告，姜老师本次报告主要介绍高光谱成像技术在法庭科学领域具有广泛的应用，主要从以下三个方面介绍高光谱成像技术在法庭科学中的应用： 利用高光谱成像技术检验微量物证、中药材、检验食源性致病菌

一、利用高光谱成像技术检验微量物证；

二、利用高光谱成像技术检验中药材；

三、利用高光谱成像技术检验食源性致病菌。

利用高光谱检验汽车保险杠样品时，为什么选择了KNN、RF 和 LSTM 这三种模型进行建模，其中各自的优势是什么？

KNN分类算法是一种基于实例的学习算法，通过计算待分类样本与已知类别样本之间的距离，确定相邻的 K 值，并根据这些邻近的类别对分类模型进行判别。KNN算法的优势是简单直观，且对于高光谱数据中的非线性关系有较好的处理能力。RF 算法则是一种基于决策树的集成学习算法，它通过构建多个决策树并结合它们的输出进行分类。RF算法的优势是抗过拟合能力强、泛化性能好，且能够处理高维数据，适合用于高光谱数据的分类。LSTM 则是一种适用于序列数据的深度学习算法，它通过引入门控机制和记忆单元来捕捉序列中的长期依赖关系。虽然高光谱数据本身不是序列数据，但可以通过一定的预处理将其转换为适合 LSTM 处理的格式。LSTM 的优势是在处理高光谱数据时，能够学习到光谱曲线中的复杂模式，从而提高分类的准确性。

与传统的微生物培养法、免疫学方法、分子生物学方法相比，通过研究构建的基于光谱技术结合化学计量学的检测方法在检测成本、检测效率、检测准确性以及适用范围等方面有何异同，在未来推广应用中还需要解决哪些问题？

在检测成本方面：传统方法中微生物培养法成本相对较低，但耗时较长；免疫学方法和分子生物学方法如 RT - qPCR，仪器设备和试剂成本较高。

检测效率上：传统方法前处理繁琐、检测周期长，微生物培养法需数天甚至数周，免疫学和分子生物学方法也需数小时；本研究方法操作简便，检测时间短，可实现快速鉴别。

检测准确性方面：传统方法在各自适用范围内准确性较高，但存在局限性，如微生物培养法可能受微生物生长条件限制，免疫学方法存在交叉反应问题；本研究方法在菌种和血清型鉴别上取得了较高的准确率，但对于一些光谱特征相似的菌株可能存在鉴别困难。

适用范围上：传统方法应用广泛且针对不同类型食源性致病菌有相对成熟的方案；本研究方法目前针对实验选取的五种食源性致病菌效果较好，但对于其他种类致病菌的适用性还需进一步验证。

在未来推广应用中，还需要解决仪器设备的小型化和便携化问题，以适应现场检测需求；完善光谱数据库，增加更多食源性致病菌的光谱数据，提高对不同菌株的鉴别能力；开展大规模的实际样品检测验证，进一步评估方法的可靠性和稳定性；加强操作人员培训，确保检测结果的准确性和一致性。