การวิเคราะห์เชิงปริมาณสารประกอบหลักในกาแฟด้วยเทคนิครามาน สเปกโทรสโกปีร่วมกับการวิเคราะห์ข้อมูลโดยใช้การเรียนรู้ของเครื่อง
Main Article Content
บทคัดย่อ
บทความนี้นำเสนอวิธีการวิเคราะห์สารคาเฟอีน (Caffeine) ซึ่งเป็นสารประกอบหลักในกาแฟ โดยจะทำการวิเคราะห์เชิงปริมาณของสารเคมีมาตรฐานด้วยเทคนิครามานสเปกโทรสโกปี (Raman Spectroscopy) ร่วมกับการวิเคราะห์ข้อมูลโดยใช้การเรียนรู้ของเครื่อง (Machine Learning) ในการทดลองนี้ได้ทำการเตรียมตัวอย่างคาเฟอีนมาตรฐานที่ความเข้มข้น 500 ppm 1000 ppm 1500 ppm 2000 ppm 3000 ppm และ 4000 ppm หลังจากนั้นจึงนำตัวอย่างมาวัดด้วยเทคนิครามานสเปกโทรสโกปี เพื่อได้ชุดข้อมูลสเปกตรัมรามาน อย่างไรก็ตาม ชุดข้อมูลสเปกตรัมรามานยังมีคุณภาพไม่เพียงพอ จึงจำเป็นต้องเพิ่มคุณภาพให้แก่ชุดข้อมูลรามานโดยการใช้เทคนิคการประมวลผลเบื้องต้น (Pre-Processing) ด้วยวิธีการปรับเส้นฐาน (Baseline Removal), การลบปรากฏการณ์รังสีคอสมิก (Cosmic ray Removal), การลดสัญญาณรบกวน (Smoothing Signal), การลบข้อมูลสเปกตรัมที่มีค่าผิดปกติ (Outlier Removal), และการปรับสัญญาณให้มีค่าอยู่ในช่วงที่เป็นมาตรฐาน (Amplitude Normalization) หลังจากนั้นจึงทำการแบ่งชุดข้อมูลออกเป็น 2 ส่วน ด้วยอัตราส่วน 80:20 ข้อมูลชุดแรกที่มีจำนวน 80% ของจำนวนข้อมูลทั้งหมด (Training Dataset) จะถูกนำมาใช้เพื่อฝึกสอนแบบจำลอง (Model Training) และข้อมูลที่เหลือที่มีจำนวน 20% ของจำนวนข้อมูลทั้งหมด (Validation Dataset) จะถูกใช้ในการทดสอบและปรับพารามิเตอร์ให้แบบจำลองเพื่อเพิ่มประสิทธิภาพในการทำนายปริมาณของสารคาเฟอีน งานวิจัยนี้ได้ทำการเปรียบเทียบประสิทธิภาพของแบบจำลองทั้งหมด 18 แบบจำลอง ซึ่งใช้ ค่าความผิดพลาดเฉลี่ยสมบูรณ์ (Mean Absolute Error: MAE) ค่ารากที่สองเฉลี่ยสมบูรณ์ (Root Mean Square Error: RMSE) และค่าสัมประสิทธิ์การตัดสินใจพหุคุณ (Coefficient of Multiple Determination: R-Square) เป็นตัวชี้วัดในการประเมินประสิทธิภาพของแบบจำลอง โดยแบบจำลองที่มีประสิทธิภาพสูงสุดผ่านตัวชี้วัดนี้คือ Extra Trees Regressor ซึ่งมีค่าความผิดพลาดเฉลี่ยสมบูรณ์ ค่ารากที่สองเฉลี่ยสมบูรณ์ และค่าสัมประสิทธิ์การตัดใจพหุคูณ เป็น 710 ppm 914.05 ppm และ 0.34 ตามลำดับ วิธีการที่ได้จากงานนี้ สามารถนำไปต่อยอดเพื่อใช้ในการหาปริมาณสารคาเฟอีนในกาแฟได้
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
Geekabit. (25 August 2022). 5 Benefits of Wireless Network Monitoring for Your Business. [Online] Available: https://geekabit.co.uk/2019/06/11/5-benefits-wireless-network-monitoring-business/
7signal. (25 August 2022). Why Monitor a Wireless Network from the End-User’s Perspective?. [Online] Available: https://www.7signal.com/ news/blog/why-monitor-a-wireless-network-from-the-end-users-perspective
R. B. Johnson. Evaluating the use of SNMP as a wireless network monitoring tool for IEEE 802.11 wireless networks. Ph.D.thesis. Clemson University, 2009.
J. Yeo, M. Youssef, T. Henderson, and A. Agrawala, “An accurate technique for measuring the wireless side of wireless networks,” International Conference On Mobile Systems, Applications And Services: Papers presented at the 2005 workshop on Wireless traffic measurements and modeling, Vol. 5, No. 5, pp. 13–18, 2005.
I. P. Mohottige, T. Sutjarittham, N. Raju, H. H. Gharakheili and V. Sivaraman, "Role of Campus WiFi Infrastructure for Occupancy Monitoring in a Large University," 2018 IEEE International Conference on Information and Automation for Sustainability (ICIAfS), Colombo, Sri Lanka, 2018, pp. 1-5, doi: 10.1109/ICIAFS.2018.8913341.
L. Chen, R. Wu and W. -K. Jia, "Exploring the Optimal Intercept Access Point Placement Problem in Software-Defined Networks," 2021 IEEE 18th Annual Consumer Communications & Networking Conference (CCNC), Las Vegas, NV, USA, 2021, pp. 1-6, doi: 10.1109/CCNC49032.2021.9369594.
Y. Z. Jian, N. Ismail and M. S. Nabi, "Wireless Access Point Mapper (WAP-MAP): An Automated Wireless Access Point Plotting Web Application," 2022 International Conference on Advancements in Smart, Secure and Intelligent Computing (ASSIC), Bhubaneswar, India, 2022, pp. 1-7, doi: 10.1109/ASSIC55218.2022.10088395.
A. Thitinaruemit, S. Sitjongsatapom and S. Prongnuch, "Capacity Planning of Access Point Deployment for Indoor Positioning System," 2021 International Conference on Power, Energy and Innovations (ICPEI), Nakhon Ratchasima, Thailand, 2021, pp. 167-170, doi: 10.1109/ICPEI52436.2021.9690679.
Y. Liu, F. R. Yu, X. Li, H. Ji, H. Zhang and V. C. M. Leung, "Self-optimizing interference management for non-orthogonal multiple access in ultra-dense networks," 2018 IEEE Wireless Communications and Networking Conference (WCNC), Barcelona, Spain, 2018, pp. 1-6, doi: 10.1109/WCNC.2018.8377038.
Hu, Q., Sellers, C., Kwon, J.S., & Wu, H. (2022). Integration of surface-enhanced Raman spectroscopy (SERS) and machine learning tools for coffee beverage classification. Digital Chemical Engineering, Vol. 3, 2020, doi: 10.1016/j.dche. 2022.100020.
Chen, Long-Qi and Wenhua Huang. “153. APPLICATION OF RAMAN SPECTROSCOPY AND MACHINE LEARNING IN THE CLASSIFICATION OF ESOPHAGEAL SQUAMOUS CARCINOMA.” Diseases of the Esophagus: Vol 35, 2022.
Schulze, G., Jirasek, A., Yu, M. M. L., Lim, A., Turner, R. F. B., & Blades, M. W. “Investigation of Selected Baseline Removal Techniques as Candidates for Automated Implementation” Applied spectroscopy. 59, 545-74, Vol. 59, 2005.
Whitaker, D. A., & Hayes, K. “A Simple Algorithm for Despiking Raman Spectra” Chemometrics and Intelligent Laboratory Systems. Vol. 179, 2018.