Enhanced darkfield microscopy (EDFM) and hyperspectral imaging (HSI) are being evaluated as a potential rapid screening modality to reduce the time-to-knowledge for direct visualisation and analysis of filter media used to sample nanoparticulate from work environments, as compared to the current analytical gold standard of transmission electron microscopy (TEM). Here, we compare accuracy, specificity, and sensitivity of several hyperspectral classification models and data preprocessing techniques to determine how to most effectively identify multiwalled carbon nanotubes (MWCNTs) in hyperspectral images. Several classification schemes were identified that are capable of classifying pixels as MWCNT(+) or MWCNT(–) in hyperspectral images with specificity and sensitivity over 99% on the test dataset. Functional principal component analysis (FPCA) was identified as an appropriate data preprocessing technique, testing optimally when coupled with a quadratic discriminant analysis (QDA) model with forward stepwise variable selection and with a support vector machines (SVM) model. The success of these methods suggests that EDFM-HSI may be reliably employed to assess filter media exposed to MWCNTs. Future work will evaluate the ability of EDFM-HSI to quantify MWCNTs collected on filter media using this classification algorithm framework using the best-performing model identified here – quadratic discriminant analysis with forward stepwise selection on functional principal component data – on an expanded sample set.

中文翻译：

---

评估在混合纤维素酯过滤介质上收集的多壁碳纳米管的分类方法

与当前相比，增强暗场显微镜 (EDFM) 和高光谱成像 (HSI) 正在被评估为一种潜在的快速筛选方式，以减少直接可视化和分析用于从工作环境中采样纳米颗粒的过滤介质的知识时间透射电子显微镜 (TEM) 的分析金标准。在这里，我们比较了几种高光谱分类模型和数据预处理技术的准确性、特异性和灵敏度，以确定如何最有效地识别高光谱图像中的多壁碳纳米管 (MWCNT)。确定了几种分类方案，它们能够将高光谱图像中的像素分类为 MWCNT(+) 或 MWCNT(–)，在测试数据集上具有超过 99% 的特异性和敏感性。功能主成分分析 (FPCA) 被确定为一种适当的数据预处理技术，当与具有前向逐步变量选择的二次判别分析 (QDA) 模型和支持向量机 (SVM) 模型相结合时，可以进行最佳测试。这些方法的成功表明 EDFM-HSI 可以可靠地用于评估暴露于 MWCNTs 的过滤介质。未来的工作将评估 EDFM-HSI 使用此分类算法框架量化过滤介质上收集的 MWCNT 的能力，该框架使用此处确定的最佳性能模型 - 二次判别分析，对功能主成分数据进行前向逐步选择 - 在扩展的样本集上。当与具有前向逐步变量选择的二次判别分析 (QDA) 模型和支持向量机 (SVM) 模型相结合时，可以进行最佳测试。这些方法的成功表明 EDFM-HSI 可以可靠地用于评估暴露于 MWCNTs 的过滤介质。未来的工作将评估 EDFM-HSI 使用此分类算法框架量化过滤介质上收集的 MWCNT 的能力，该框架使用此处确定的最佳性能模型 - 二次判别分析，对功能主成分数据进行前向逐步选择 - 在扩展的样本集上。当与具有前向逐步变量选择的二次判别分析 (QDA) 模型和支持向量机 (SVM) 模型相结合时，可以进行最佳测试。这些方法的成功表明 EDFM-HSI 可以可靠地用于评估暴露于 MWCNTs 的过滤介质。未来的工作将评估 EDFM-HSI 使用此分类算法框架量化过滤介质上收集的 MWCNT 的能力，该框架使用此处确定的最佳性能模型 - 二次判别分析，对功能主成分数据进行前向逐步选择 - 在扩展的样本集上。