一种基于卷积神经网络的新型冠状病毒拉曼光谱分类方法与流程

1.本发明涉及卷积神经网络算法领域，尤其涉及一种基于卷积神经网络的新型冠状病毒拉曼光谱分类方法。


背景技术：

2.根据世界卫生组织的最新估计，到2021年底，全球将有近1500万人直接或间接死于新的王冠流行病，这约是各国官方统计数据的三倍。目前，疫情的发展已呈现出长期而复杂的局面，保持疫情防控成果和防止疫情反弹的任务非常艰巨。自新冠疫情爆发以来，国内外防疫的经验教训充分证明，快速准确的疾病诊断在疫情防控中发挥着重要作用。
3.目前，新型冠状病毒(sars-cov-2)的检测主要基于实时荧光聚合酶链反应(rtpcr)核酸检测方法，机上检测和结果分析约需要5小时。报道的快速检测方法主要是基于免疫层析检测条，用胶体金标记生物大分子，制作检测检测条，可检测患者血液中的病毒抗原或igm抗体。该方法可将检测时间缩短到20分钟左右，但其准确性和灵敏度有限，假阳性率高。虽然家庭抗原自检纸方便、快速，但由于人群教育水平的限制，无法保证家庭自检结果的可靠性。
4.sars-cov-2是一种阳性单链rna病毒，具有近球形或中等多边形颗粒，直径约80-160nm，膜表面有大量刺突蛋白(s蛋白)，宽度约7nm，长度约23nm。s蛋白是sars-cov-2病毒感染人体的关键蛋白，因此s蛋白可作为sars-cov-2病毒检测的标记物之一。sers技术具有高灵敏度、高指纹识别、高分辨率、无损、快速等优点，非常适合应用于基于分子识别和检测的研究领域。目前，sers技术已在国内外成功应用于实现对登革病毒(denv)、h1n1流感病毒等的直接非标记检测，这表明sers技术可以成为一种很有前途的病毒检测方法。
5.由于sers可以提供更多的分子结构信息、高灵敏度和高精度，它促进了拉曼光谱在材料结构和组成分析中的应用。有许多材料可以用作sers衬底。不同基底的增强机制不同，但主要是电磁增强和化学增强。其中，电磁增强具有优越的拉曼增强效应，但在作用过程中经常忽略检测分子与底物之间的化学相互作用，由于检测分子较远，信号会急剧减弱；虽然化学增强效果远不如电磁增强，但对检测分子具有一定的选择性，其增强效果主要取决于检测分子本身的化学性质及其与底物的相互作用。过渡金属二元化合物(mx2)在光电器件、电化学、生物传感器等方面具有明显的优势。其中，二硫化钼作为一种典型的材料，可以根据层数调整1.29-1.9ev之间的带隙。它在灵活性和光吸收性方面优于其他半导体材料，在许多领域得到了广泛的应用。目前，金属/ mos2纳米复合材料作为一种新型基材已成为研究的热点之一。
6.利用机器学习结合拉曼光谱对物质进行定性分类是目前许多光谱分析中常用的方法，但传统的拉曼光谱分类方法比较复杂，依赖于复杂的数据预处理。例如，拉曼光谱数据归一化、平滑、去噪和归一化，然后通过一个特定的算法提取峰值信息，或使用线性判别分析和主成分分析进行降维，提取大量主成分的特征。这降低了模型训练的复杂性，然后使用传统的机器学习算法进行分类，如k-最近邻、随机森林等。然而，随着拉曼光谱分析技术
的不断发展和疫情的蔓延，对拉曼光谱的分类模型的要求越来越高，拉曼光谱的分类模型往往更加自动化和简化。目前，深度学习模型由于其强大的表现能力，以及其强大的判断能力和学习能力，在某些方面远远超过人类的决策能力，在人工智能的各个领域受到越来越多的关注。其中，卷积网络(cnn)是深度学习的一个重要分支。它是一种由传统神经网络优化和发展而来的深度学习算法，在许多领域都有很好的应用。


技术实现要素：

7.本发明的目的在于提供一种基于卷积神经网络的新型冠状病毒拉曼光谱分类方法，以解决上述技术问题。
8.为实现上述目的本发明采用以下技术方案：一种基于卷积神经网络的新型冠状病毒拉曼光谱分类方法，其特征在于，包括以下步骤：步骤1、等离子体气液技术剥离黑磷晶体；自制的等离子体-液相剥离系统仅由一个高压电源和两个电极组成，即黑磷晶体为阴极，等离子体为阳极，在玻璃容器中填充dmf作为剥离溶液，将大块黑磷晶体部分浸没，通过不锈钢针管激发阳极常压氩气等离子体，氩气流速为30sccm，调整等离子体与液体表面的距离，使等离子体与液体表面的距离约为2mm，黑磷晶体与等离子体阳极的距离约为2-3cm，汽提电压在1.8-2.5kv之间进行调整，并进行整个汽提实验室温度，空气相对湿度范围为80%
±
10%，当剥离开始时，可以观察到小颗粒迅速从晶体中解离到溶液中，剥离时间为4-10min；步骤2、黑色磷酸烯纳米片的制备；首先将黑色磷薄片分散在异丙醇(1mg/ml)中超声几秒，然后以8000r/min离心5min，再分散在异丙醇中，取5ml的黑色磷烯溶液，使用纤维素过滤器(直径50mm，孔径0.45μm)进行真空过滤，然后在60
°
c下干燥，得到黑色的磷烯膜；步骤3、二维二硫化钼的制备通过液相剥离；将4g氚完全溶解在200ml去离子水中，然后称重14g二硫化钼粉，加入氚溶液中，用玻璃棒搅拌，得到二硫化钼悬浮液，用高速匀浆器在2000rpm下搅拌悬浮液30分钟，使triton分子可以与二硫化钼完全接触并吸附在表面，悬浮液以4000rpm离心5min，离心管底部的沉积物是二硫化钼，氚分子附着在表面，将所有分离出的二硫化钼加入400ml去离子水中，在高速匀浆器中剪切剥离，转速为8000rpm，剥离一段时间后电源关闭，将剥离后的悬液以4000rpm离心15min，取离心管上部2/3中的液体，即二维二硫化钼分散体；步骤4、bp-mos的制备二维纳米材料称取一定量的黑磷和二硫化钼，加入350ml去离子水中，在磁性搅拌下均匀混合，在液相的高速匀浆器中剪切剥离一段时间，转速为8000rpm，将混合物在4000rpm下离心15min，以去除不完全复合的二硫化钼或黑磷分散体，沉淀物是黑磷-二维二硫化钼的复合纳米材料；步骤5、研究对象的选择和样本的采集；有三组可能的受试者：（1）确诊新冠感染；（2）疑似新冠感染有临床症状和体征；（3）流行病学调查确定的高危人群；
步骤6、样品的收集、储存和运输；唾液吸痰棒收集口腔中的唾液，首先擦拭舌头前、中、两侧的口腔黏膜表面，来回涂抹5次，然后放在舌头上约2分钟，唾液样本不需要储存和运输，采用对照方法采集的口咽拭子或鼻咽拭子样本，必须按照新型covid-2019核酸检测试剂盒(荧光pcr法)的说明进行存储和运输；步骤7、样品检测；在收集血清拉曼光谱数据，labramhr进化拉曼光谱仪(horiba科学)使用硅片校准，使激光激发光源为632.8nm，最大强度为14mw，测量拉曼光谱范围为400-2112cm-1，积分时间为3s，在试验过程中，将s蛋白用去离子水稀释至10
×
10-9g/ml，拉曼光谱分析所用的光源为633nm激光器，物镜为50
×
，积分时间为10s，在收集新型冠状病毒的拉曼光谱的过程中，尽量避免了环境光的影响，整个采集过程都是在暗室中进行的，光谱数据采用labspec6.0专业软件提取，横坐标为拉曼偏移值，纵坐标为拉曼强度，根据rt-pcr核酸检测结果的ct值(ct≤38为阳性)，计算本研究的敏感性（阳性符合率）和特异性（阴性符合率），低于94%时，特异性（阴性符合率）不低于99%，拉曼检测阴性和阳性结果的s蛋白的唾液样本与rt-pcr口咽或鼻咽拭子核酸检测结果样本，检测结果进行分析，并计算临床敏感性和特异性来验证该产品与核酸兼容，检测符合率；分析唾液s蛋白raman检测的敏感性和不同的ct值区间，主要计算ct值小于30时两者的符合率；步骤9、cnn模型建设与培训；采用两种数据增强算法对样本集进行扩展，以提高卷积网络模型的泛化能力和鲁棒性，数据增强的具体步骤如下：1)对拉曼光谱数据随机添加高斯噪声到总样本数据200，其中新冠患者和健康人的唾液各占100；2)对同一拉曼光谱数据进行随机线性叠加，将每种类型的样本数据扩展到200个，实验样本总数为500个，样本的数据增强算法扩展后，最终的样本数据集除以python的机器学习库sklearn，随机种子设置为1，数据集按固定比例随机划分：70%的拉曼数据作为模型的训练集，30%的拉曼数据作为测试集，和网络权重训练模型更新；在训练过程中，cnn可以被看作是一个整体，模型开始训练后，不需要人工干预，通过自动迭代训练得到模型的最优解，在卷积网络的训练过程中，根据损失函数对网络的权值进行了优化，每次计算预测值与真实值之间的误差，然后反向传播回第一层，并在反向传播结束时同时更新所有权值，在通过反向传播更新参数的过程中，采用adam算法对权值进行了优化，同时，为了保证模型的快速收敛，将训练集划分为多个部分（批次），每个部分的数量为60（批量大小），次数为30次(epoch)，即训练集和测试集的总损失值和准确性。
9.与现有技术相比，本发明具有以下优点：一种基于拉曼增强唾液s蛋白检测，结合卷积网络的新型冠状病毒分类模型，实现了健康人和新冠患者的定性识别。以复合二维纳米材料作为拉曼增强底物，收集了唾液中s蛋白的指纹图谱。此外，还采用了两种数据增强方法来扩大样本数据量，提高了模型的鲁棒性。建立卷积神经网络分类模型，优化网络权值，完成cnn分类模型的训练。与传统的机器学习算法相比，它不需要复杂的数据预处理，只需要简单的频谱数据扩展，在训练过程中不需要人工干预，从而导致更高的开发效率和更高的分类精度。达到98.97%。可以看出，基于卷积神经网络的新型冠状病毒分类模型是一种先进的分类方法。与传统的拉曼分类方法相比，它更简单、更准确。为新型冠状病毒的检测
提供了一种新的方法，提高了拉曼光谱的人工识别速度。
附图说明
10.图1为本发明卷积神经网络拉曼光谱分类模型的结构图；图2为本发明bp-mos的tem图；图3为本发明afm(b)2纳米材料图；图4为本发明拉曼光谱结果bp图；图5为本发明mos2和bpmos2纳米材料和mos的zeta电位结果图；图6为本发明唾液sars-cov-2病毒s蛋白的拉曼光谱检测图；图7为本发明cnn网络训练的精度曲线。
具体实施方式
11.下面结合附图和具体实施例对本发明作进一步详细阐述。
12.本发明的材料和仪器； n，n-二甲基甲酰胺(dmf，≥99.9%)购自阿拉丁，天津化学试剂有限公司，异丙醇(ipa，≥99.7%)购自天津化学试剂有限公司。所有药物均直接使用，未经纯化。s蛋白质中使用的实验是一个重组表达蛋白购买南京明艳研究所生物技术有限公司ltd高分辨率质谱测试与微质量q-tof，透射电镜和高分辨率透射电镜捕获与feitecnaig2f30透射电镜显微镜在200kv加速电压。用蔡司超55场发射扫描电子显微镜获得扫描电镜图像。利用bruker尺寸图标afm对样品滴涂在氧化硅硅片上的afm图像进行了表征。拉曼散射光谱和使用horibajobinyvonlabramhr-vis高分辨率共聚焦拉曼显微镜获得拉曼散射光谱和显微照片。
13.等离子体气液技术剥离黑磷晶体；自制的等离子体-液相剥离系统仅由一个高压电源和两个电极组成，即黑磷晶体为阴极，等离子体为阳极。在玻璃容器中填充dmf作为剥离溶液，将大块黑磷晶体部分浸没。通过不锈钢针管激发阳极常压氩气等离子体，氩气流速为30sccm。调整等离子体与液体表面的距离，使等离子体与液体表面的距离约为2mm，黑磷晶体与等离子体阳极的距离约为2-3cm。汽提电压可在1.8-2.5kv之间进行调整，并进行整个汽提实验室温度，空气相对湿度范围为80%
±
10%。当剥离开始时，可以观察到小颗粒迅速从晶体中解离到溶液中，剥离时间为4-10min。
14.黑色磷酸烯纳米片的制备；首先将黑色磷薄片分散在异丙醇(1mg/ml)中超声几秒，然后以8000r/min离心5min，再分散在异丙醇中。取5ml的黑色磷烯溶液，使用纤维素过滤器(直径50mm，孔径0.45μm)进行真空过滤，然后在60
°
c下干燥，得到黑色的磷烯膜。
15.二维二硫化钼的制备通过液相剥离；首先，将4g氚完全溶解在200ml去离子水中，然后称重14g二硫化钼粉，加入氚溶液中，用玻璃棒搅拌，得到二硫化钼悬浮液。用高速匀浆器在2000rpm下搅拌悬浮液30分钟，使triton分子可以与二硫化钼完全接触并吸附在表面。悬浮液以4000rpm离心5min。离心管底部的沉积物是二硫化钼，氚分子附着在表面。将所有分离出的二硫化钼加入400ml去离子水
中，在高速匀浆器中剪切剥离。转速为8000rpm，剥离一段时间后电源关闭。将剥离后的悬液以4000rpm离心15min。取离心管上部2/3中的液体，即二维二硫化钼分散体。
16.bp-mos的制备二维纳米材料；首先，称取一定量的黑磷和二硫化钼，加入350ml去离子水中，在磁性搅拌下均匀混合。在液相的高速匀浆器中剪切剥离一段时间，转速为8000rpm。将混合物在4000rpm下离心15min，以去除不完全复合的二硫化钼或黑磷分散体。沉淀物是黑磷-二维二硫化钼的复合纳米材料。
17.研究对象的选择和样本的采集；有三组可能的受试者：（1）确诊新冠感染；（2）疑似新冠感染有临床症状和体征；流行病学调查确定的（3）高危人群。纳入标准：a)诊断为新型冠状病毒急性感染并在7天内出现症状的患者。b)到医院和初级医疗卫生机构接受治疗、有呼吸道症状、发热等症状，并在7天内出现症状的人员。c)隔离观察人员，包括家庭隔离观察、密切接触和次封闭接触、入口隔离观察、封闭控制区和控制区人员。d)需要进行抗原自我检测的社区居民。排除标准：符合以下任何一种条件的受试者将被排除。a)不能满足检测需要的，如因医疗原因禁止采集口咽或鼻咽拭子的；b)样本污染的；c)不符合样本要求的，需要采集和处理的；d)样本信息不完整的（如性别、取样时间、临床诊断信息等）。；e)其他研究人员认为，它需要被排除在外。受试者戒断标准和程序：a)患者或提供者决定不接受covid-19核酸检测或covid-19抗原检测；b)如果抗原检测结果呈阳性，询问是否食用了以下物质：牛奶、咖啡、富含维生素c的水果、碳酸饮料、酒精和酸性饮料以及未知药物。如果未消耗上述物质，则记录为阳性结果。如果你吃了上述物质，请用水漱口，20分钟后再次测试，并记录结果。不符合第二次试验条件的受试者将退出本次临床试验。
18.样品的收集、储存和运输；唾液吸痰棒收集口腔中的唾液，首先擦拭舌头前、中、两侧的口腔黏膜表面，来回涂抹5次，然后放在舌头上约2分钟。唾液样本不需要储存和运输。采用对照方法采集的口咽拭子或鼻咽拭子样本，必须按照新型covid-2019核酸检测试剂盒(荧光pcr法)的说明进行存储和运输。
19.样品检测；在收集血清拉曼光谱数据，labramhr进化拉曼光谱仪(horiba科学)使用硅片校准，使激光激发光源为632.8nm，最大强度为14mw，测量拉曼光谱范围为400-2112cm-1，积分时间为3s。在试验过程中，将s蛋白用去离子水稀释至10
×
10-9g/ml。拉曼光谱分析所用的光源为633nm激光器，物镜为50
×
，积分时间为10s。在收集新型冠状病毒的拉曼光谱的过程中，尽量避免了环境光的影响，整个采集过程都是在暗室中进行的。光谱数据采用labspec6.0专业软件提取。横坐标为拉曼偏移值，纵坐标为拉曼强度。根据rt-pcr核酸检测结果的ct值(ct≤38为阳性)，计算本研究的敏感性（阳性符合率）和特异性（阴性符合率）。低于94%时，特异性（阴性符合率）不低于99%。拉曼检测阴性和阳性结果的s蛋白的唾液样本与rt-pcr口咽或鼻咽拭子核酸检测结果样本，检测结果进行分析，并计算临床敏感性和特异性来验证该产品与核酸兼容。检测符合率；分析唾液s蛋白raman检测的敏感性和不同的ct值区间，主要计算ct值小于30时两者的符合率。
20.cnn模型建设与培训；
由于实验环境和采集设备的限制，实验采集的样品数据仅为100块，很难大量收集实验所需的所有数据。为了充分训练卷积网络模型，采用两种数据增强算法对样本集进行扩展，以提高卷积网络模型的泛化能力和鲁棒性。数据增强的具体步骤如下：1)对拉曼光谱数据随机添加高斯噪声到总样本数据200，其中新冠患者和健康人的唾液各占100；2)对同一拉曼光谱数据进行随机线性叠加，将每种类型的样本数据扩展到200个，实验样本总数为500个。样本的数据增强算法扩展后，最终的样本数据集除以python的机器学习库sklearn，随机种子设置为1，数据集按固定比例随机划分：70%的拉曼数据作为模型的训练集，30%的拉曼数据作为测试集，和网络权重训练模型更新。
21.在训练过程中，cnn可以被看作是一个整体。模型开始训练后，不需要人工干预，通过自动迭代训练得到模型的最优解。在卷积网络的训练过程中，根据损失函数对网络的权值进行了优化。每次计算预测值与真实值之间的误差，然后反向传播回第一层，并在反向传播结束时同时更新所有权值。在通过反向传播更新参数的过程中，采用adam算法对权值进行了优化。同时，为了保证模型的快速收敛，将训练集划分为多个部分（批次），每个部分的数量为60（批量大小）。次数为30次(epoch)，即训练集和测试集的总损失值和准确性。为了检测cnn模型的分类能力，本文还使用支持向量机、xgboost算法、决策树、逻辑回归、k-最近邻、gbdt等算法对新型冠状病毒拉曼光谱数据进行了分类，并与本实验中的cnn模型进行了比较。当使用传统的机器学习算法对拉曼谱进行分类时，需要复杂的数据预处理，因此本文以原始的拉曼谱数据集和归一化和平滑滤波算法处理的数据集作为测试对象。比较了不同分类算法的性能。
22.bp-mos2的特性纳米材料；如图2所示，通过透射电镜显微镜(tem)，在制备的表面形成二维片状纳米材料。如图3所示，原子力表征结果表明，复合纳米材料的厚度约为4.8nm，材料在视场内的厚度分散相对均匀。原子力显微镜和透射电镜结果表明，两种颗粒分散在纯水溶剂中，肉眼未见明显沉淀。如图4所示，测量了复合前后黑磷和二硫化钼的拉曼峰位置和强度。可以看出，改性二硫化钼的拉曼峰强度增加，但黑磷没有改变拉曼二硫化物。特征峰的位置。如图5所示，用zeta电位进一步表征了二维复合材料的表面电荷。结果表明，改性复合材料的表面正电荷增加，提高了随后对负电荷s蛋白的吸附。
23.新型冠状病毒卷积网络定性分类模型；在实验中，拉曼光谱是一维数据。根据这一特点，该模型采用了大小为（5*1）的一维卷积核，其结构如图1所示。第一层输入拉曼光谱的原始数据，然后是卷积层，卷积层由一组参数可以改变的矩阵组成，也称为卷积核。卷积核根据设置的距离在原始拉曼光谱数据上滑动，遍历原始光谱特征的每个值。
24.每次移动时，卷积核将与原始拉曼谱数据重叠，重叠区域内的相应元素将进行矩阵运算，以获得下一层网络的新输入特征。卷积层之后是批归一化处理层，对卷积层计算的特征进行批归一化，加快了模型训练速度，进一步提高了网络模型的鲁棒性。池化层位于批处理规范化处理层的后面。由于新型冠状病毒拉曼数据的特征较多，模型训练中的计算负荷较大，因此利用池化层对批归一化处理层输出的特征矩阵进行采样，以提高模型的运行速度。
25.本文采用步长为2的最大池化法，固定窗口大小为（2*2），每次都以窗口中的最大
特征作为下一层网络的输入特征值。卷积网络经过批量归一化和池化，可以有效地提取新型冠状病毒拉曼谱数据的特征，并将特征输入到全连接层进行模型训练。该实验模型包含一个卷积层、一个批处理归一化层、一个池化层和两个完全连接的层。
26.训练前将每个拉曼光谱样本数据组织成一个一维特征向量，输入到网络的第一层，共记录了0~2000cm-1之间的500个光谱特征。为了避免过拟合，卷积层和全连接层使用relu激活函数。为了提高模型的泛化能力，在实验中，在第一个全连接层后，将神经网络中以0.2的比例(dropout)随机丢弃部分神经元，同时加快模型的收敛速度。
27.基于cnn的sers检测；实验结果表明，在1000~1700cm的波数范围内，s蛋白共有39条拉曼谱线-1
，其中5行，从1612-1664厘米-1
是酰胺i的c=o拉伸振动，n
−
h变形振动和c-n拉伸振动，4行从1495到1567cm-1
酰胺ii的c-n拉伸振动和n-h变形振动分别为1229和1305cm
−17条谱线分别是酰胺iii的cn拉伸振动和nh变形振动。根据酰胺i和酰胺iii的条带位置可以推断，s蛋白的主链构象主要是α-螺旋和随机螺旋。在s蛋白的侧链构象中，组氨酸的平面内环拉伸振动(1482cm-1
)，苯丙氨酸的环状呼吸振动(1216cm-1
)，并可以观察到环内的碳氢平面。振动（1031厘米-1
)，以及co的对称伸缩振动2−
(1409 cm-1
).将浓度为10
×
10-9g/ml的等量s蛋白混合到人唾液中后，从sers谱中可以清晰地分辨出10条s蛋白拉曼线，如图6所示。在通过反向传播更新参数的过程中，采用adam算法对权值进行了优化。同时，为了保证模型的快速收敛，将训练集分为多个部分（批），每个部分的数量为60次（批大小），训练总数为30次(epoch)，训练集和测试集的总损失值和准确性。从图7可以看出，在原始数据集的训练中，当时代为20时，测试集中模型的分类准确率最高，达到98.97%。对该模型的最终训练已经完成。
28.如表1所示，为了检测cnn模型的分类能力，本文还使用支持向量机、xgboost算法和决策树算法对新的冠状病毒拉曼光谱数据进行分类，并与本实验中的cnn模型进行了比较。当使用传统的机器学习算法对拉曼谱进行分类时，需要复杂的数据预处理，因此本文以原始的拉曼谱数据集和归一化和平滑滤波算法处理的数据集作为测试对象。比较了不同分类算法的性能。传统机器学习算法的分类结果采用五次交叉验证来获得最终的精度，平滑滤波采用萨维茨基-戈莱滤波器对拉曼数据进行处理。
29.表1不同算法的分类精度。
30.唾液样本检测；如表2所示，共有100人参与了本次实验，其中一半为男性，一半，年龄在15~59岁之
间，但年龄无统计学差异。如表3所示，采用三种方法进行了实际样品检测和标准添加回收实验。结果表明，该方法的标准添加回收率在96.8%~100.6%之间，准确率较好。实际的样品被用于检测。10名受试者的测试结果见表4。与国家标准法相比，可以看出kappa值在0.6~1之间，表明两种方法的测试结果有很高的一致性。再次验证了该方法的准确性。
31.表2人口基本特征统计表表3cnn-sers蛋白系统用于样品中病毒的回收和方法比较结果。
32.表4cnn-serss蛋白系统用于检测真实人类样本中的病毒，并与rt-pcr的方法比较结果。
33.一种基于拉曼增强唾液s蛋白检测，结合卷积网络的新型冠状病毒分类模型，实现了健康人和新冠患者的定性识别。以复合二维纳米材料作为拉曼增强底物，收集了唾液中s蛋白的指纹图谱。此外，还采用了两种数据增强方法来扩大样本数据量，提高了模型的鲁棒性。建立卷积神经网络分类模型，优化网络权值，完成cnn分类模型的训练。与传统的机器学习算法相比，它不需要复杂的数据预处理，只需要简单的频谱数据扩展，在训练过程中不需要人工干预，从而导致更高的开发效率和更高的分类精度。达到98.97%。可以看出，基于卷积神经网络的新型冠状病毒分类模型是一种先进的分类方法。与传统的拉曼分类方法相比，它更简单、更准确。为新型冠状病毒的检测提供了一种新的方法，提高了拉曼光谱的人工识别速度。
34.以上所述为本发明较佳实施例，对于本领域的普通技术人员而言，根据本发明的教导，在不脱离本发明的原理与精神的情况下，对实施方式所进行的改变、修改、替换和变型仍落入本发明的保护范围之内。