Chemometria i uczenie maszynowe w analizie ramanowskiej substancji psychoaktywnych

Praca dotyczy zastosowania chemometrii i uczenia maszynowego w spektroskopii ramanowskiej substancji psychoaktywnych. Dynamicznie zmieniający się rynek substancji psychoaktywnych, szczególnie pojawienie się nowych substancji psychoaktywnych, stwarza istotne wyzwanie z punktu widzenia toksykologii i kryminalistyki. Złożony skład próbek, obecność substancji dodatkowych oraz podobieństwo strukturalne niektórych związków istotnie utrudnia szybką i jednoznaczną identyfikację. Spektroskopia Ramana umożliwia uzyskanie charakterystycznej informacji o budowie chemicznej analizowanych substancji, a do jej zalet należy krótki czas pomiaru, niewielki zakres przygotowania próbki oraz możliwość stosowania aparatury przenośnej. Dzięki zastosowaniu powierzchniowo wzmocnionej spektroskopii Ramana (SERS) możliwe jest znaczne zwiększenie czułości analizy. W części teoretycznej pracy omówiono najważniejsze grupy substancji psychoaktywnych, podstawy spektroskopii Ramana i SERS, a także wybrane metody wstępnego przetwarzania danych, redukcji wymiarowości oraz uczenia maszynowego. Szczególną uwagę zwrócono na znaczenie prawidłowego przygotowania analizowanych danych oraz oceny jakości i zdolności predykcyjnej tworzonych modeli. W dalszej części pracy przedstawiono przegląd badań, w których metody chemometryczne i algorytmy uczenia maszynowego wykorzystano do identyfikacji, klasyfikacji lub analizy ilościowej substancji psychoaktywnych na podstawie widm Raman i SERS. Celem niniejszej pracy jest przedstawienie możliwości wykorzystania chemometrii i uczenia maszynowego w analizie ramanowskiej substancji psychoaktywnych.