CHAPTER 8 SUMMARY AND OUTLOOK

บทที่ 8

สรุปและอนาคต

SUMMARY AND OUTLOOK
 
ในปัจจุบันประโยชน์ของเทคนิคการคาลิเบรชั่นแบบตัวแปรพหุ (Multivariate calibration technique) เป็นวิธีที่ได้รับการยอมรับ^{12, 13, 14} โดยการนำข้อมูลสเปกตรัมทั้งหมดมาใช้ในการสร้างแบบจำลอง ซึ่งจะได้การวิเคราะห์ผลที่มีความแม่นยำสูง นอกจากนี้ยังสามารถระบุค่าผิดปกติได้อย่างน่าเชื่อถือ และสามารถประเมินแถบการดูดซับคลื่นซึ่งซ้อนทับกับสัญญาณจากองค์ประกอบอื่นๆได้ โดยในระยะเริ่มแรกการคาลิเบรชั่นแบบตัวแปรพหุ อาจทำให้ทางห้องปฏิบัติการไม่กล้าใช้ ซึ่งมีสาเหตุจากผู้พัฒนาแบบจำลองไม่มั่นใจในขั้นตอนการวิเคราะห์ทางสถิติ วิธีนี้ถูกใช้ครั้งแรกโดยนักวิเคราะห์ทางเนียร์อินฟราเรดสเปกโทรสโกปี ซึ่งเป็นเพียงความต้องการใช้มากกว่าความต้องการที่จะอธิบายคณิตศาสตร์เชิงสถิติ: เส้นสเปกตรัมของ NIR มักจะมีการทับซ้อน (Overlapping) และมีช่วงกว้าง (Broad band) ซึ่งทำให้วิธีตัวแปรเดียว (Univariate method) ใช้การไม่ได้
ในขณะนั้น นักวิเคราะห์จึงใช้ประโยชน์จากวิธีทางเคโมเมทริกส์ (Chemometrics) ในการแก้ปัญหา โดยเฉพาะอย่างยิ่งสามารถแก้ปัญหาเริ่มต้นเกี่ยวกับการประยุกต์ใช้ขั้นตอนทางสถิติที่ยากใน ห้องปฏิบัติการประจำวัน โดยในทางปฏิบัติไม่จำเป็นต้องมีความรู้ที่แน่ชัดถึงขั้นตอนเหล่านี้ มีความเป็นไปได้ที่จะหาพารามิเตอร์ที่เหมาะสมเพื่อใช้สร้างโมเดลอย่างน่าเชื่อถือโดยวิธีที่เป็นระบบ
 
ความรู้หรือประสบการณ์ทางคณิตศาสตร์ไม่มีประโยชน์ต่อนักวิเคราะห์
ประโยชน์อื่นๆของการคาลิเบรชั่นแบบตัวแปรพหุได้ผลจากการใช้ช่วงสเปกตรัมที่กว้างเมื่อสร้างแบบจำลอง: ในย่านของ (near-) infrared spectroscopy หรือ Raman technology มีเพียงสารบางอย่างที่มีสเปกตรัมที่สามารถมองเห็นได้ในช่วงความถี่แคบๆ โดยปกติแล้วการดูดซับคลื่นของสารที่วิเคราะห์จะพบในช่วงความถี่กว้างซึ่งสามารถคิดโดยวิธี factorization ดังนั้น เป็นไปไม่ได้อย่างมากว่าสเปกตรัมที่มีสัญญาณที่แอบแฝง (hidden signal) จะวิเคราะห์สำเร็จ และเป็นสิ่งที่ผู้วิเคราะห์ต้องค้นหา มักจะเพียงพอที่จะใช้กลุ่มสัญญาณขนาดใหญ่หลายกลุ่มในการสร้างแบบจำลอง นอกจากนี้ผลของ PLS-regression จะดีขึ้นถ้าใช้จุดข้อมูลที่เกี่ยวข้องกับการวิเคราะห์จำนวนสูงกว่า
ดังนั้นวิธีการที่ใช้ในการคาลิเบรชั่นแบบตัวแปรพหุแตกต่างจากวิธีการคาลิเบรชั่นแบบตัวแปรเดียว ซึ่งในวิธีหลังนั้นปกติจะพยายามหาสัญญาณเดียวที่สามารถประเมินในเชิงปริมาณโดยปราศจากการทับซ้อนจาก โครงสร้างสเปกตรัมอื่น ส่วนในการคาลิเบรชั่นแบบตัวแปรพหุ ช่วงสเปกตรัมที่กว้างกว่าจะถูกรวมไว้โดยเจตนา มันไม่สำคัญว่าสัญญาณของสมบัติของระบบอื่นๆ ที่ ทับซ้อนกันอยู่ในบริเวณนี้ combination ที่เหมาะสมที่สุดสำหรับวิธีการวิเคราะห์สามารถพบได้อย่างน่าเชื่อถือโดยการทดสอบทุกๆcombinationที่เป็นไปได้และการดำเนินการพิสูจน์อย่างต่อเนื่อง ปกติไม่จำเป็นต้องมีความรู้ความชำนาญที่เกี่ยวกับสเปกตรัมของสารบริสุทธิ์ที่ต้องการวิเคราะห์
การสรุปที่ชัดเจนคือเพื่อพัฒนาแบบจำลองและเลือกพารามิเตอร์ที่เหมาะสมโดยอัตโนมัติ เนื่องจากตำแหน่งของ functional group  ใน (N)IR และ Raman technology เป็นที่รู้จักกันดี ดังนั้นจึงเป็นไปได้ที่จะทดสอบทุกพารามิเตอร์ที่เป็นไปได้ทั้งหมดโดยอัตโนมัติ ด้วยชุดคำสั่งของซอฟท์แวร์ที่เหมาะสม

รูปที่ 8.1 แสดงผลของการเลือกพารามิเตอร์ที่เหมาะสมโดยอัตโนมัติ สำหรับตัวอย่างในบทที่ 6
 

ผลที่ได้นั้นเหมือนกันกับการเพิ่มประสิทธิภาพการใช้งาน (manual optimization) ของวิธีการ: ในที่นี้จำนวนของรูปแบบที่แตกต่างกันปริมาณมากจะส่งผลให้ผลของการวิเคราะห์ดีขึ้น จากประสบการณ์ทำให้เห็นว่านั่นเป็นความจริง ผู้พัฒนาวิธีไม่จำเป็นต้องเป็นภาระกับการเพิ่มประสิทธิภาพการใช้งานของรูปแบบการสอบเทียบ ซึ่งงานนี้จะดำเนินปฏิบัติตามวิธีการใช้ซอฟแวร์ที่เหมาะสม
        ปัจจุบัน การเพิ่มศักยภาพของวิธีการนั้นไม่จำเป็นต้องมีพื้นฐานการวิเคราะห์เบื้องต้นมาก่อน แต่การเลือกตัวแทนของตัวอย่างสอบเทียบ (Calibration) การพิจารณาผลของสภาพแวดล้อมที่อาจจะเกิดขึ้นกับตัวอย่างและเครื่องมือ การประสบความสำเร็จในการประเมินผลและการเลือกวิธีการที่เหมาะสมเพื่อเตรียมตัวอย่างรวมทั้งกำหนดค่าการวัดที่เหมาะสม งานเหล่านี้ยังไม่สามารถทำได้โดยการใช้คอมพิวเตอร์ได้

[1] “The copyright is belong to Dr. Jörg-Peter Conzen”