Orthogonal signal correction to PSL modelling in application to spectral data
 
More details
Hide details
1
Institute of Mathematics and Physics, University of Technology and Agriculture, ul. Kaliskiego 7, 85-796, Bydgoszcz
2
Research Institute of Clinical Pharmacology, Faculty of Pharmacy, Medical Academy, ul. Bujwida 44, 50-345 Wrocław
 
Acta Agroph. 2005, 6(1), 7–18
KEYWORDS
ABSTRACT
A typical task in chemometrics is to estimate the linear relationship between two sets of variables, i.e. the set of spectra, X, and the concentrations of some sample constituents, Y. Among the classical regression methods, partial least squares (PLS) is one of the most commonly used tools. One of the complications which could negatively affect the interpretation of the PLS model is related to the systematic variation present in X that is unrelated with the variation in Y. This situation typically occurs when X variables represent the absorbance or reflectance measured at hundreds of wavelengths, and the measurements are possibly influenced by sources of different types of variation having nothing in common with the information of interest. Orthogonal signal correction (OSC) is a recently proposed pre-processing method that seems to be promising in this context. This approach determines and removes from spectral data X the part of information which is Y-orthogonal (i.e. not correlated with Y). The purpose of the present paper is to illustrate how the technique works in application to near infrared (NIR) spectra of rapeseed meal. The results of PLS modelling for OSC pre-processed data have been compared with those of non-pre-processed as well as with those after multiplicative scatter correction (MSC). The main noticeable advantage of the OSC approach was the simplification of the calculated PLS models. It was also found that the combination of MSC with OSC may lead to improved performance of the model.
METADATA IN OTHER LANGUAGES:
Polish
Ortogonalna korekcja sygnału w metodzie PSL w zastosowaniu do danych spektralnych
chemometria, NIRS (spektroskopia bliskiej podczerwieni), śruta rzepakowa
Typowym zadaniem w chemometrii jest oszacowanie liniowej zależności pomiędzy dwoma zbiorami zmiennych: zbiorem widm, X, i zbiorem koncentracji pewnych składników, Y. Jedną z najpowszechniej stosowanych metod regresji jest metoda częściowych najmniejszych kwadratów (partial least squares – PLS). Systematyczne zmiany obecne w X, nie skorelowane ze zmianami w Y, mogą wpływać negatywnie na interpretację modelu PLS. Taka sytuacja może wystąpić w przypadku, gdy zmienne X reprezentują wartości absorbancji lub reflektancji mierzone dla bardzo wielu (setek) długości fal, a pomiary są np. obarczone zaburzeniami pochodzącymi z różnych źródeł, nie mających związku z interesującą nas informacją. W takim przypadku, zaproponowana ostatnio metoda ortogonalnej korekcji sygnału (OSC) może okazać się pomocna. Metoda ta polega na określeniu, a następnie usunięciu z macierzy, widm X tej części informacji, która jest ortogonalna do Y (tj. nie jest skorelowana z Y). Celem pracy jest zilustrowanie możliwości metody OSC, w zastosowaniu do widm śruty rzepakowej zarejestrowanych metodą NIR, poprzez porównanie wyników otrzymanych przy zastosowaniu metody PLS dla danych oryginalnych oraz danych po korekcji metodą MSC (multiplicative scatter correction) oraz OSC. Otrzymane wyniki pozwalają stwierdzić, że metoda OSC upraszcza model kalibracyjny, a gdy jest stosowana do widm po wcześniejszej korekcji MSC obserwuje się w pewnych przypadkach również poprawę statystycznych parametrów charakteryzujących model.
eISSN:2300-6730
ISSN:1234-4125