Deep Learning-aided Analysis of Complex Surface-enhanced Raman Spectroscopy Spectra
딥러닝을 활용한 복잡한 표면증강라만분광법 신호 분석 기법
- 주제(키워드) deep learning , Surface-Enhanced Raman Scattering , Raman signal , optical analysis , quantitative analysis , identification , signal processing
- 발행기관 서강대학교 일반대학원
- 지도교수 강태욱
- 발행년도 2026
- 학위수여년월 2026. 2
- 학위명 석사
- 학과 및 전공 일반대학원 화공생명공학과
- 실제URI http://www.dcollection.net/handler/sogang/000000082663
- UCI I804:11029-000000082663
- 본문언어 영어
- 저작권 논문은 저작권에 의해 보호받습니다.
초록(요약문)
This study investigated deep learning-aided analysis method of complex Surface-Ehanced Raman spectra, which enables accurate identification and quantitative analysis. Surface-Enhanced Raman Spectroscopy (SERS) is a promising analytical technique for chemical identification and quantitative analysis. However, it is challenging to conduct accurate accurate analysis because of noise interference originating from experimental environment, including baseline distortion. In this study, deep learning-aided analysis method of SERS signals is prosed to improve the accuracy of identification and quantitative analysis. This proposed deep-learning algorithm employs training of algorithm with the noise signal data obtained from SERS substrate. The algorithm processes the SERS signal in two stages. First, the algorithm removes the baseline component from the raw SERS spectra. Next, the algorithm further removes the noise component from the baseline-corrected signal. This deep learning-aided method is expected to be applicatble not only to chemical analyte but also to complex SERS signals from biomolecules.
more초록(요약문)
본 논문은 딥러닝을 활용하여 복잡한 표면증강라만분광법 신호를 처리함으로써 화학적 분석 물질의 식별과 정량화를 보다 더 정확하게 할 수 있게 하는 방법에 관하여 연구하였다. 표면증강라만분광법(SERS)은 현재 화학 분석 물질의 식별 및 정량화 방법으로 많이 사용되고 있다. 그러나 이러한 분광법으로부터 얻은 신호를 그대로 사용할 경우, 정확한 식별 및 정량 분석이 어렵다. 이는 용액 상태의 화학 분석 물질의 표면증강라만분광법 신호는 실험 환경과 혼합물 속 욤매와 같은 외부로부터 들어온 잡음 신호가 표면증강라만분광법 신호의 정확한 분석을 방해하기 때문이다. 이러한 문제점을 해결하기 위해 딥러닝을 활용하여 표면증강라만분광법 신호에서의 식별 및 정량 분석의 정확도를 높이는 방법을 제안하고자 한다. 높은 정확도의 표면증강라만분광법 신호 분석을 가능하게 하고자 기판에서의 잡음 신호를 샘플링하고 그러한 잡음 신호를 학습한 딥러닝 알고리즘을 활용한다. 해당 딥러닝 알고리즘을 통해 첫째로 베이스라인을 제거하고, 두 번째로 잡음 신호 제거 과정을 거쳐 정확한 식별 및 정량화 분석이 가능한 수준의 신호로 처리할 수 있다. 해당 딥러닝 알고리즘은 화학 분석 물질 신호 분석을 넘어서 생체 물질 신호 분석과 같은 다양한 물질의 신호 분석에도 활용될 수 있다고 전망한다.
more목차
Contents 4
Abstract 6
1. Introduction 11
2. Materials and Methods 13
2.1. Synthesis of Gold Nanoparticles 13
2.2. Preparation of Colloidal Gold Nanoparticles Monolayer at Air/Water Interface 13
2.3. Transfer of Gold Nanoparticle monolayers via Capillary Force 13
2.4. Oxygen Plasma Etching of the Gold Nanoparticle Monolayer 14
2.5. Raman Measurements and Data Acquisition 14
2.6. Dataset Preparation 15
2.7. Overview of the Two-Stage Deep Learning Framework 15
2.8. Model Training and Implementation Details 16
3. Results 17
3.1. Architecture of 1D U-Net model 17
3.2. Stage 1: Baseline Removal Performance 18
3.3. Stage 2: Noise Suppression Performance 20
3.4. Signal-to-Noise Ratio (SNR) Improvement and Quantitative analysis 24
3.5. Applicability of the Proposed Framework to Other Analytes and Mixtures 26
4. Discussion 29
5. Conclusion 31
6. References 32
