中國人民公安大學姜紅教授。姜紅，中國人民公安大學偵查學院教授、碩士生導師。主要從事微量物證和毒物毒品檢驗鑒定工作。主持和參加完成各級科研項目30余項，發(fā)表核心期刊論文100余篇，其中SCI和EI收錄20余篇。出版《鞋底材料物證檢驗》、《香煙物證檢驗》、《化妝品物證分析》等4部學術著作。主編教材2部，參編教材10余部，參編教材《刑事科學技術》獲北京市精品教材獎。參加的公安部科研項目有兩項獲得公安部科技進步三等獎。2021、2022連續(xù)兩年被學校評為“親家數(shù)科獎教金”科研名師。

第29期高光譜課堂榮幸邀請到中國人民公安大學教授—姜紅做線上講座報告，姜老師本次報告主要介紹高光譜成像技術在法庭科學領域具有廣泛的應用，主要從以下三個方面介紹高光譜成像技術在法庭科學中的應用： 利用高光譜成像技術檢驗微量物證、中藥材、檢驗食源性致病菌

一、利用高光譜成像技術檢驗微量物證；

二、利用高光譜成像技術檢驗中藥材；

三、利用高光譜成像技術檢驗食源性致病菌。

利用高光譜檢驗汽車保險杠樣品時，為什么選擇了KNN、RF 和 LSTM 這三種模型進行建模，其中各自的優(yōu)勢是什么？

KNN分類算法是一種基于實例的學習算法，通過計算待分類樣本與已知類別樣本之間的距離，確定相鄰的 K 值，并根據(jù)這些鄰近的類別對分類模型進行判別。KNN算法的優(yōu)勢是簡單直觀，且對于高光譜數(shù)據(jù)中的非線性關系有較好的處理能力。RF 算法則是一種基于決策樹的集成學習算法，它通過構建多個決策樹并結合它們的輸出進行分類。RF算法的優(yōu)勢是抗過擬合能力強、泛化性能好，且能夠處理高維數(shù)據(jù)，適合用于高光譜數(shù)據(jù)的分類。LSTM 則是一種適用于序列數(shù)據(jù)的深度學習算法，它通過引入門控機制和記憶單元來捕捉序列中的長期依賴關系。雖然高光譜數(shù)據(jù)本身不是序列數(shù)據(jù)，但可以通過一定的預處理將其轉換為適合 LSTM 處理的格式。LSTM 的優(yōu)勢是在處理高光譜數(shù)據(jù)時，能夠學習到光譜曲線中的復雜模式，從而提高分類的準確性。

與傳統(tǒng)的微生物培養(yǎng)法、免疫學方法、分子生物學方法相比，通過研究構建的基于光譜技術結合化學計量學的檢測方法在檢測成本、檢測效率、檢測準確性以及適用范圍等方面有何異同，在未來推廣應用中還需要解決哪些問題？

在檢測成本方面：傳統(tǒng)方法中微生物培養(yǎng)法成本相對較低，但耗時較長；免疫學方法和分子生物學方法如 RT - qPCR，儀器設備和試劑成本較高。

檢測效率上：傳統(tǒng)方法前處理繁瑣、檢測周期長，微生物培養(yǎng)法需數(shù)天甚至數(shù)周，免疫學和分子生物學方法也需數(shù)小時；本研究方法操作簡便，檢測時間短，可實現(xiàn)快速鑒別。

檢測準確性方面：傳統(tǒng)方法在各自適用范圍內準確性較高，但存在局限性，如微生物培養(yǎng)法可能受微生物生長條件限制，免疫學方法存在交叉反應問題；本研究方法在菌種和血清型鑒別上取得了較高的準確率，但對于一些光譜特征相似的菌株可能存在鑒別困難。

適用范圍上：傳統(tǒng)方法應用廣泛且針對不同類型食源性致病菌有相對成熟的方案；本研究方法目前針對實驗選取的五種食源性致病菌效果較好，但對于其他種類致病菌的適用性還需進一步驗證。

在未來推廣應用中，還需要解決儀器設備的小型化和便攜化問題，以適應現(xiàn)場檢測需求；完善光譜數(shù)據(jù)庫，增加更多食源性致病菌的光譜數(shù)據(jù)，提高對不同菌株的鑒別能力；開展大規(guī)模的實際樣品檢測驗證，進一步評估方法的可靠性和穩(wěn)定性；加強操作人員培訓，確保檢測結果的準確性和一致性。