Introduction

Original: http://terpconnect.umd.edu/~toh/spectrum/Introduction.html

 
L’entoilage de l’instrumentation analytique de petits ordinateurs aux fins d’acquisition de données en ligne est devenu une pratique courante dans le laboratoire de la science moderne. À l’aide d’instruments commerciaux informatisés ou composants sur étagère entoilage et logiciel, il est maintenant plus facile que jamais à acquérir de grandes quantités de données rapidement sous forme numérique.
De quelles façons d’acquisition de données numériques en ligne est supérieure aux anciennes méthodes comme le papier et l’encre de l’enregistreur ? Certains avantages sont évidents, tels que l’archivage et l’extraction de données et exécuter après re-comploter avec l’expansion de l’échelle réglable. Plus important encore, cependant, il est la possibilité d’effectuer l’analyse post-exécution et traitement du signal. Il y a un grand nombre de méthodes numériques sur ordinateur qui peut être utilisé pour réduire le bruit, améliorer la résolution du chevauchement des pics, compenser les artefacts instrumentales, tester des hypothèses, optimiser les stratégies de mesure, diagnostiquer les difficultés de mesure et décomposer les signaux complexes en leurs éléments constitutifs. Ces techniques peuvent souvent faire le difficiles mesures plus facile en extrayant plus d’informations à partir des données disponibles. Plusieurs de ces techniques sont basées sur les procédures mathématiques laborieux qui n’étaient pas pratiques avant l’avènement de l’instrumentation informatisée. Il est important pour les étudiants à apprécier aussi bien les capacités et les limites de ces techniques de traitement du signal moderne.
Dans le programme d’enseignement scientifique, traitement du signal peut-être être couverts dans le cadre d’un cours sur l’instrumentation de mesure (1, 2), électronique (3), laboratoire des interfaces (4) ou des méthodes statistiques et mathématiques (5). Le but de cet article est de donner une introduction générale à certaines des techniques de traitement du signal plus largement utilisé et de donner des illustrations de leurs applications de mesure scientifique. De nombreux exemples viennent de mon propre domaine de recherche (chimie analytique), mais ces techniques et les outils logiciels ont été utilisés dans un large éventail de domaines d’application et ont été cités dans plus de 70 livres, thèses et brevets. Cet essai porte sur des sujets seulement de base liés aux signaux de la série chronologique unidimensionnels, pas deux dimensions données tels que des images. Il utilise une approche pragmatique et se limite à seulement mathématiques uniquement par l’intermédiaire de calcul élémentaire, statistiques et mathématiques de la matrice. (Pour les maths phobique, être réconforté par le fait que cet article n’habite pas sur les maths et contient plus de deux fois autant de chiffres comme des équations). À l’heure actuelle, ce travail ne couvre pas encore de traitement d’image, transformations d’ondelettes, reconnaissance de formes ou analyse factorielle. Pour des sujets plus avancés et pour un traitement plus rigoureux des mathématiques sous-jacents, se référer à l’abondante littérature sur le traitement du signal et chimiométrie et statistiques.
Ce tutoriel fait un usage considérable de Matlab, un environnement de calcul numérique commerciale performante et le langage de programmation largement utilisé dans la recherche (14, 17, 19, 20) et Octave, une alternative libre de Matlab qui exécute la plupart des programmes et des exemples dans ce tutoriel. Une ancienne application de traitement des signaux de freeware pour Macintosh appelé SPECTRUM servait aussi à produire certaines des illustrations. Certaines de ces techniques peuvent également être effectuées dans des feuilles de calcul (11, 22, 23) tels qu’Excel ou OpenOffice Calc. Tous les scripts Matlab/Octave et fonctions, le programme du spectre et toutes les feuilles de calcul utilisées ici peuvent toutes être téléchargées du site gratuitement. Octave et le tableur d’OpenOffice Calc peuvent être téléchargés à partir de leurs sites web respectifs.

Références

  1. Douglas A. Skoog, Principles of Instrumental Analysis, Third Edition, Saunders, Philadelphia, 1984. Pages 73-76.

    2. Gary D. Christian and James E. O’Reilly, Instrumental Analysis, Second Edition, Allyn and Bacon, Boston, 1986. Pages 846-851.

    3. Howard V. Malmstadt, Christie G. Enke, and Gary Horlick, Electronic Measurements for Scientists, W. A. Benjamin, Menlo Park, 1974. Pages 816-870.

    4. Stephen C. Gates and Jordan Becker, Laboratory Automation using the IBM PC, Prentice Hall, Englewood Cliffs, NJ, 1989.

  2. Muhammad A. Sharaf, Deborah L Illman, and Bruce R. Kowalski, Chemometrics, John Wiley and Sons, New York, 1986.
  3. Peter D. Wentzell and Christopher D. Brown, Signal Processing in Analytical Chemistry, in Encyclopedia of Analytical Chemistry, R.A. Meyers (Ed.), p. 9764–9800, John Wiley & Sons Ltd, Chichester, 2000 (http://myweb.dal.ca/pdwentze/papers/c2.pdf)
  4. Constantinos E. Efstathiou, Educational Applets in Analytical Chemistry, Signal Processing, and Chemometrics. (http://www.chem.uoa.gr/Applets/Applet_Index2.htm)
  5. A. Felinger, Data Analysis and Signal Processing in Chromatography, Elsevier Scice (19 May 1998).
  6. Matthias Otto, Chemometrics: Statistics and Computer Application in Analytical Chemistry, Wiley-VCH (March 19, 1999). Some parts viewable in Google Books.
  7. Steven W. Smith, The Scientist and Engineer’s Guide to Digital Signal Processing.  (Downloadable chapter by chapter in PDF format from http://www.dspguide.com/pdfbook.htm). This is a much more general treatment of the topic.
  8. Robert de Levie, How to use Excel in Analytical Chemistry and in General Scientific Data Analysis, Cambridge University Press; 1 edition (February 15, 2001), ISBN-10: 0521644844.  PDF excerpt .
  9. Scott Van Bramer, Statistics for Analytical Chemistry, http://science.widener.edu/svb/stats/stats.html.
  10. Taechul Lee, Numerical Analysis for Chemical Engineers, (http://www.cheric.org/ippage/e/ipdata/2001/13/lecture.html)
  11. Educational Matlab GUIs,  Center for Signal and Image Processing (CSIP), Georgia Institute of Technology. (http://users.ece.gatech.edu/mcclella/matlabGUIs/)
  12. Jan Allebach, Charles Bouman, and Michael Zoltowski, Digital Signal Processing Demonstrations in Matlab, Purdue University (http://www.ecn.purdue.edu/VISE/ee438/demos/Demos.html)
  13. Chao Yang , Zengyou He  and Weichuan Yu, Comparison of public peak detection algorithms for MALDI mass spectrometry data analysis, http://www.biomedcentral.com/1471-2105/10/4

17. Michalis Vlachos, A practical Time-Series Tutorial with MATLAB, http://alumni.cs.ucr.edu/~mvlachos/PKDD05/PKDD05_Handout.pdf

18. Larry Larson, Evaluation of Calibration Curve Linearity, http://www.deq.state.va.us/waterguidance/pdf/96007.pdf.

19. Tobin A. Driscoll, A crash course in Matlab, http://www.math.umn.edu/~lerman/math5467/matlab_adv.pdf

20. P. E. S. Wormer, Matlab for Chemists, http://www.math.ru.nl/dictaten/Matlab/matlab_diktaat.pdf

21. Martin van Exter, Noise and Signal Processing, http://www.physics.leidenuniv.nl/sections/cm/ip/Onderwijs/SVR/bestanden/noise-final.pdf

22. Scott Sinex, Developer’s Guide to Excelets,  http://academic.pgcc.edu/~ssinex/excelets/

23. R. de Levie, Advanced Excel for scientific data analysis, Oxford University Press, New York (2004)

24. S. K. Mitra, Digital Signal Processing, a computer-based approach, 4th edition, McGraw-Hill, New York, 2011.

  1. “Calibration in Continuum-Source AA by Curve Fitting the Transmission Profile” , T. C. O’Haver and J. Kindervater, J. of Analytical Atomic Spectroscopy 1, 89 (1986)

26. “Estimation of Atomic Absorption Line Widths in Air-Acetylene Flames by Transmission Profile Modeling”, T. C. O’Haver and Jing-Chyi Chang, Spectrochim. Acta 44B, 795-809 (1989)

  1. “Effect of the Source/Absorber Width Ratio on the Signal-to-Noise Ratio of Dispersive Absorption Spectrometry”, T. C. O’Haver, Anal. Chem. 68, 164-169 (1991).
  2. “Derivative Luminescence Spectrometry”, G. L. Green and T. C. O’Haver, Anal. Chem. 46, 2191 (1974).
  3. “Derivative Spectroscopy”, T. C. O’Haver and G. L. Green, American Laboratory 7, 15 (1975).
  4. “Numerical Error Analysis of Derivative Spectroscopy for the Quantitative Analysis of Mixtures”, T. C. O’Haver and G. L. Green, Anal. Chem. 48, 312 (1976).
  5. “Derivative Spectroscopy: Theoretical Aspects”, T. C. O’Haver, Anal. Proc. 19, 22-28 (1982).
  6. “Derivative and Wavelength Modulation Spectrometry,” T. C. O’Haver, Anal. Chem. 51, 91A (1979).
  7. “A Microprocessor-based Signal Processing Module for Analytical Instrumentation”, T. C. O’Haver and A. Smith, American Lab. 13, 43 (1981).
  8. “Introduction to Signal Processing in Analytical Chemistry”, T. C. O’Haver, J. Chem. Educ. 68 (1991)
  9. “Applications of Computers and Computer Software in Teaching Analytical Chemistry”, T. C. O’Haver, Anal. Chem. 68, 521A (1991).
  10. “The Object is Productivity”, T. C. O’Haver, Intelligent Instruments and Computers March-April, 1992, p 67-70.
  11. Analysis software for spectroscopy and mass spectrometry, Spectrum Square Associates ( http://www.spectrumsquare.com/).

38. Fityk, a program for data processing and nonlinear curve fitting. (http://fityk.nieto.pl/)

39. Peak fitting in Origin (http://www.originlab.com/index.aspx?go=Products/Origin/DataAnalysis/PeakAnalysis/PeakFitting)

40. IGOR Pro 6, software for signal processing and peak fitting (http://www.wavemetrics.com/index.html)

41. PeakFIT, automated peak separation analysis (http://www.sigmaplot.com/products/peakfit/peakfit.php)

42. OpenChrom, open source software for chromatography and mass spectrometry. (http://www.openchrom.net/main/content/index.php)

43.  W. M. Briggs, Do not smooth times series, you hockey puck!, http://wmbriggs.com/blog/?p=195

44.  Nate Silver, The Signal and the Noise: Why So Many Predictions Fail-but Some Don’t , Penguin Press, 2012. ISBN 159420411X .  A much broader look at “signal” and “noise”. Worth reading.

45. Stats Tutorial – Instrumental Analysis and Calibration, David C. Stone, Dept. of Chemistry, U. of Toronto,  http://www.chem.utoronto.ca/coursenotes/analsci/stats/index.html

46. Streamlining Digital Signal Processing: A Tricks of the Trade Guidebook, Richard G. Lyons, John Wiley & Sons, 2012.

47. http://physics.nist.gov/PhysRefData/ASD/ and http://www.astm.org/Standards/C1301.htm

48. Curve fitting to get overlapping peak areas (http://matlab.cheme.cmu.edu/2012/06/22/curve-fitting-to-get-overlapping-peak-areas/#13)

49. Tony Owen, Fundamentals of Modern UV-Visible Spectroscopy, Agilent Corp, 2000. http://www.chem.agilent.com/Library/primers/Public/59801397_020660.pdf

50. Nicole K. Keppy, Michael Allen, Understanding Spectral Bandwidth and Resolution in the Regulated Laboratory, Thermo Fisher Scientific Technical
Note: 51721. http://www.analiticaweb.com.br/newsletter/02/AN51721_UV.pdf

51. Martha K. Smith, “Common mistakes in using statistics”, http://www.ma.utexas.edu/users/mks/statmistakes/TOC.html

52. Jan Verschelde, “Signal Processing in MATLAB”, http://homepages.math.uic.edu/~jan/mcs320s07/matlec7.pdf

53. Howard Mark and Jerome Workman Jr, “Derivatives in Spectroscopy”, Spectroscopy 18 (12). p.106.

54. Jake Blanchard, Comparing Matlab to Excel/VBA, https://blanchard.ep.wisc.edu/PublicMatlab/Excel/Matlab_VBA.pdf

55. Ivan Selesnick, “Least Squares with Examples in Signal Processing”, http://eeweb.poly.edu/iselesni/lecture_notes/least_squares/

56. Tom O’Haver, ” Is there Productive Life after Retirement?”, Faculty Voice, University of Maryland, April 24, 2014.  DOI: 10.13140/2.1.1401.6005; URL: http://imerrill.umd.edu/facultyvoice1/?p=3231

Comments are closed.