人体液斑迹与非生物斑迹鉴别的三维荧光光谱分析_畅晶晶.pdf

Journal of Forensic Medicine,February 2023,Vol.39,No.1人体液斑迹与非生物斑迹鉴别的三维荧光光谱分析畅晶晶1，周辉2，张瑾1，徐小玉1，王枫2，熊胜军2，张广峰1，杨雪莹1，刘开会11.公安部鉴定中心 法医遗传学公安部重点实验室，北京 100038；2.北京华泰诺安探测技术有限公司，北京 101312摘要：目的 利用三维荧光光谱分析技术，建立一种人体液斑迹与非生物斑迹的快速无损鉴别方法。方法 通过对采集的人唾液、3%的血液、咖啡、芬达斑迹的三维荧光光谱数据进行降维处理，经过小波变换、光谱去噪、特征提取后建立分类公式，使用 Fisher判别法进行光谱匹配识别，建立区别斑迹类型的分析方法。结果 根据数据训练和比对结果，芬达、咖啡、唾液和血液均能达到91.39%以上的识别准确率，其中唾液达到了100%的识别准确率。结论 三维荧光光谱分析是一种有潜力可实现快速无损鉴别生物斑迹与非生物斑迹的方法。关键词：法医学；三维荧光光谱；唾液；血液；非生物斑迹；体液斑迹鉴定中图分类号：DF795.2 文献标志码：A doi：10.12116/j.issn.1004-5619.2020.500309文章编号：1004-5619（2023）01-0040-05Identification of Human Body Fluid Stains and Non-Biological Stains by Three-Dimensional Fluorescence SpectroscopyCHANG Jing-jing1,ZHOU Hui2,ZHANG Jin1,XU Xiao-yu1,WANG Feng2,XIONG Sheng-jun2,ZHANG Guang-feng1,YANG Xue-ying1,LIU Kai-hui11.MPS Key Laboratory for Forensic Genetics，Institute of Forensic Science，Ministry of Public Security，Beijing 100038，China；2.HT-Nova Co.Ltd.，Beijing 101312，ChinaAbstract：Objective To establish a rapid and nondestructive identification method for human body fluid stains and non-biological stains using three-dimensional fluorescence spectroscopy.Methods The collected three-dimensional fluorescence spectrum data of human saliva,3%blood,coffee and Fanta stains were processed with dimensionality reduction.After wavelet transform,spectral denoising and feature extraction,the classification formula was established.The Fisher discriminant was used for spectrum matching and recognition to establish the analysis method to distinguish stain types.Results According to the results of data training and comparison,all the recognition accuracies of Fanta,coffee,saliva and blood were more than 91.39%.Among them,saliva reached 100%recognition accuracy.Conclusion Three-dimensional fluorescence spectroscopy is a potential method for rapid and nondestructive identification of biological and non-biological stains.Keywords：forensic medicine;three-dimensional fluorescence spectroscopy;saliva;blood;non-biological stains;identification of body fluid stains在犯罪现场识别及发现人体液斑迹后，往往可以从中得到嫌疑人的基因分型，是定位案件相关人员甚至是定案破案的重要线索和依据1-2。为了改进传统免疫学和生物化学方法在体液鉴定上的局限性，新近的分子生物学检测方法，如分析 mRNA、microRNA、circRNA、DNA甲基化等分子标记研究均获得了极大的 进 展3-6。尽 管 这 些 方 法 能 可 靠 地 推 测 体 液 来源3-6，但需专业人员对现场检材进行提取并经过一 技术与应用 基金项目：中央级公益性科研院所基本科研业务费专项资助项目（2018JB011）；公安部“双十计划”重点攻关资助项目（2019SSGG0603）；国家重点研发计划资助项目（2018YFC1200203）作者简介：畅晶晶（1981），女，硕士，副主任法医师，主要从事现场勘验、物证检验及法医物证学研究；E-mail：引用格式：畅晶晶，周辉，张瑾，等.人体液斑迹与非生物斑迹鉴别的三维荧光光谱分析J.法医学杂志，2023，39（1）：40-44.To cite：CHANG J J，ZHOU H，ZHANG J，et al.Identification of human body fluid stains and non-biological stains by three-dimensional fluorescence spectroscopyJ.Fayixue Zazhi，2023，39（1）：40-44.系列实验进行确认。现场可疑斑迹筛选提取的准确性直接影响后续实验室分析的工作效率。因此，亟须一种可靠的现场快速定性检测的方法来排除干扰的非体液斑迹，以提高后续实验的检测分析效率，节约资源。基于对体液斑迹的基本特征、无损快速方法的基础研究和三维荧光光谱分析技术的快速发展7-8，本研究拟对 4种不同类型斑迹样本进行光谱采集和数据分析，初步构建已知斑迹的三维荧光光谱分析鉴别方法，为下一步扩展性及验证性研究提供基础数据。1材料与方法1.1 样本制备唾液样本：20例健康人清水漱口 1 min后取得唾液原液。取 100 L原液滴于超纯水清洁后干燥的石英玻片上，室温下干燥至斑迹状态备用。血液样本：20 例健康人取适量静脉血用柠檬酸钠抗凝后，用生理盐水稀释为 3%（体积分数）的血液样本，取 100 L 滴于超纯水清洁后干燥的石英玻片上，室温下干燥至斑迹状态备用。咖啡样本：雀巢咖啡丝滑摩卡口味268 mL瓶装，雀巢（中国）有限公司用清水按制备原液、75%、50%、25%、10%（体积分数）样本。取不同体积分数的咖啡样本各100 L，分别滴于超纯水清洁后干燥的石英玻片上，室温下干燥至斑迹状态备用。芬达样本：芬达600 mL瓶装，可口可乐（中国）公司用清水制备原液、75%、50%、25%、10%（体积分数）样本。取不同体积分数的咖啡样本各 100 L，分别滴于超纯水清洁后干燥的石英玻片上，室温下干燥至斑迹状态备用。该研究通过公安部鉴定中心科研伦理委员会审核（编号2020-008）。1.2 测试方法室温下使用光谱技术识别现场常见生物物证仪（公安部鉴定中心监制；设备基于荧光光谱分析方法，激发波长 200300 nm，发射波长 220600 nm，激发狭缝宽 5 m，发射狭缝宽 10 m，扫描速度 500 nm/min）检测唾液样本（20份）和血液样本（20份），每个样本测试 5次；检测咖啡样本（5种浓度）和芬达样本（5种浓度），不同浓度样本各测试20次。每种斑迹样本均获得100组三维荧光光谱数据，共400组。1.3 分析方法1.3.1 光谱降维和归一化处理将三维荧光数据转化为二维光谱数据是为了数据处理更便捷9，本研究将扫描得到的单个样品三维数据降维为二维矩阵：沿激发波长方向，将相邻的数据点首尾相连形成荧光激发光谱（excitation spectrum，Ex），沿发射波长方向，将相邻的数据点首尾相连形成荧光发射光谱（emission spectrum，Em），将归一化后的荧光Ex和荧光Em首尾相接，形成二维光谱Exm（荧光 Ex 和荧光 Em 组合光谱的缩写）。Exm 的光谱横坐标是荧光Ex和荧光Em首尾相接而成，纵坐标为归一化的荧光强度。1.3.2 降噪与小波变换（小波阈值法）在对获得的荧光 Exm 进行特征提取并使用小波函数进行特征分析时，需将容易受到高频噪声污染、难以有效表达各种物质荧光特征差异的原始光谱及第一层特征谱进行尺度切割，同时为了避免三维荧光光谱仪的二级光谱和拉曼散射的影响，还需将受二级光谱和拉曼散射的光谱范围截掉，以完成整个降噪过程。小波阈值法（wavelet thresholding，WTD）是一种有效去除噪声信号干扰的数据处理方法10。本研究采用Inrid Daubechies构造的小波函数11，公式如下：Y=wden（y，sqtwolog，s，sln，lev，wname）。（1）式中，Y 为去噪之后的光谱；y 为输入的光谱数据；sqtwolog 表示固定阈值模式；s 为软阈值，即每次阈值大小都自动调整；sln 表示实现阈值去噪的函数；lev表示小波分解的层数即尺度参数，本研究选择小波分解的层数为 6；wname 表示选择的小波基名称，本研究选取db族小波基中的db7小波函数。1.3.3 Fisher判别Fisher 判别法是借助方差分析的思想来导出判别函数，力争找到一个最佳线性投影方向，沿此方向投影，可使类间方差与类内方差的比值达到最大，故Fisher判别法一般是采用线性判别12。设 有 k 个 母 体 G1、G2Gk，相 应 均 值 为1、2k，任 意 给 一 个 样 本 矢 量 x，其 线 性 函 数10为u(x)=utx。Fisher判别函数为：w(x)=ut(x-)。（2）式中，=(1/2)(1-2)，如果 w（x）0，D2=x：ut(x-)0。（3）式中，D1和D2代表不同样本的特征集合。Fisher 判 别 法 采 用 python 3.0（https：/www.py 40法 医 学 杂 志 2023年 2月 第39卷 第1期系列实验进行确认。现场可疑斑迹筛选提取的准确性直接影响后续实验室分析的工作效率。因此，亟须一种可靠的现场快速定性检测的方法来排除干扰的非体液斑迹，以提高后续实验的检测分析效率，节约资源。基于对体液斑迹的基本特征、无损快速方法的基础研究和三维荧光光谱分析技术的快速发展7-8，本研究拟对 4种不同类型斑迹样本进行光谱采集和数据分析，初步构建已知斑迹的三维荧光光谱分析鉴别方法，为下一步扩展性及验证性研究提供基础数据。1材料与方法1.1 样本制备唾液样本：20例健康人清水漱口 1 min后取得唾液原液。取 100 L原液滴于超纯水清洁后干燥的石英玻片上，室温下干燥至斑迹状态备用。血液样本：20 例健康人取适量静脉血用柠檬酸钠抗凝后，用生理盐水稀释为 3%（体积分数）的血液样本，取 100 L 滴于超纯水清洁后干燥的石英玻片上，室温下干燥至斑迹状态备用。咖啡样本：雀巢咖啡丝滑摩卡口味268 mL瓶装，雀巢（中国）有限公司用清水按制备原液、75%、50%、25%、10%（体积分数）样本。取不同体积分数的咖啡样本各100 L，分别滴于超纯水清洁后干燥的石英玻片上，室温下干燥至斑迹状态备用。芬达样本：芬达600 mL瓶装，可口可乐（中国）公司用清水制备原液、75%、50%、25%、10%（体积分数）样本。取不同体积分数的咖啡样本各 100 L，分别滴于超纯水清洁后干燥的石英玻片上，室温下干燥至斑迹状态备用。该研究通过公安部鉴定中心科研伦理委员会审核（编号2020-008）。1.2 测试方法室温下使用光谱技术识别现场常见生物物证仪（公安部鉴定中心监制；设备基于荧光光谱分析方法，激发波长 200300 nm，发射波长 220600 nm，激发狭缝宽 5 m，发射狭缝宽 10 m，扫描速度 500 nm/min）检测唾液样本（20份）和血液样本（20份），每个样本测试 5次；检测咖啡样本（5种浓度）和芬达样本（5种浓度），不同浓度样本各测试20次。每种斑迹样本均获得100组三维荧光光谱数据，共400组。1.3 分析方法1.3.1 光谱降维和归一化处理将三维荧光数据转化为二维光谱数据是为了数据处理更便捷9，本研究将扫描得到的单个样品三维数据降维为二维矩阵：沿激发波长方向，将相邻的数据点首尾相连形成荧光激发光谱（excitation spectrum，Ex），沿发射波长方向，将相邻的数据点首尾相连形成荧光发射光谱（emission spectrum，Em），将归一化后的荧光Ex和荧光Em首尾相接，形成二维光谱Exm（荧光 Ex 和荧光 Em 组合光谱的缩写）。Exm 的光谱横坐标是荧光Ex和荧光Em首尾相接而成，纵坐标为归一化的荧光强度。1.3.2 降噪与小波变换（小波阈值法）在对获得的荧光 Exm 进行特征提取并使用小波函数进行特征分析时，需将容易受到高频噪声污染、难以有效表达各种物质荧光特征差异的原始光谱及第一层特征谱进行尺度切割，同时为了避免三维荧光光谱仪的二级光谱和拉曼散射的影响，还需将受二级光谱和拉曼散射的光谱范围截掉，以完成整个降噪过程。小波阈值法（wavelet thresholding，WTD）是一种有效去除噪声信号干扰的数据处理方法10。本研究采用Inrid Daubechies构造的小波函数11，公式如下：Y=wden（y，sqtwolog，s，sln，lev，wname）。（1）式中，Y 为去噪之后的光谱；y 为输入的光谱数据；sqtwolog 表示固定阈值模式；s 为软阈值，即每次阈值大小都自动调整；sln 表示实现阈值去噪的函数；lev表示小波分解的层数即尺度参数，本研究选择小波分解的层数为 6；wname 表示选择的小波基名称，本研究选取db族小波基中的db7小波函数。1.3.3 Fisher判别Fisher 判别法是借助方差分析的思想来导出判别函数，力争找到一个最佳线性投影方向，沿此方向投影，可使类间方差与类内方差的比值达到最大，故Fisher判别法一般是采用线性判别12。设 有 k 个 母 体 G1、G2Gk，相 应 均 值 为1、2k，任 意 给 一 个 样 本 矢 量 x，其 线 性 函 数10为u(x)=utx。Fisher判别函数为：w(x)=ut(x-)。（2）式中，=(1/2)(1-2)，如果 w（x）0，D2=x：ut(x-)0。（3）式中，D1和D2代表不同样本的特征集合。Fisher 判 别 法 采 用 python 3.0（https：/www.py 41Journal of Forensic Medicine,February 2023,Vol.39,No.1thon.org/）编写并执行。检验水准=0.05。当增加判别类别时，通过计算相应类别样本的均值向量和协方差矩阵，得到Fisher判别函数。随机抽取芬达和唾液5条测试样本演示Fisher判别法。1.4 判定方法分别将唾液、血液、咖啡和芬达样本各 100 组光谱数据随机按 6 4分为训练集和测试集。本研究设定芬达、唾液、咖啡、血液样本数据集分别用 D1、D2、D3、D4表示，先针对训练集进行 Fisher分类，设定其判别范围，确定D1、D2、D3、D4的特征识别内容，然后对测试集数据进行判别验证。利用 Fisher分类方法建立线性判定时13，整合得到单一类别判别特征点，将测试样本数据用于判定时即可通过在特征点的线性对比结果直接判断是否符合其中的某一类物质。当一个新测试样本进入比对系统时，系统自动将其与4种特征集一一比对，D0 表示符合，D0 表示不符合。如判定某未知样本属于 D1，那么建立的判别式应满足：D1=x：ut(x-)0，D2=x：ut(x-)0，D3=x：ut(x-)0，D4=x：ut(x-)0。（4）同理，可得其他类别的判定条件。按训练集与测试集以 6 4 的数据比例随机测试50 次，即第一次训练集中的部分光谱有可能是第二次测试集中光谱的一部分，然后取50次随机Fisher分类结果95%置信区间内的准确率进行统计。2结果2.1 三维荧光光谱图由图 1可见，4组样本的三维荧光光谱表现明显不同，其差异主要表现在激发光谱的位置以及发射光谱的位置和强度上，呈现明显的类荧光指纹性。从 4种物质的三维荧光光谱图（图 1）可见，较为明显的芬达样本的特征荧光峰（即荧光 Ex/荧光 Em）出现在 280.8/324.0 nm 处，在 250.9/319.0 处存在一个较弱的峰。咖啡样本的特征荧光峰出现在 320.8/423.8 nm处，285.8/335.0 nm处存在一个较弱的峰。唾液样本的特征荧光峰出现在 285.8/339.0 nm 处，在230.9/339.0 nm处存在较弱的峰。血液样本的特征荧光峰出现在 290.8/344.0 nm处，在 235.0/334.0 nm处也存在一个较弱的峰。2.2 光谱降维、归一化及去噪将得到的三维荧光光谱降维后归一化，拼接得到二维光谱 Exm。以芬达样本图形处理过程为例（图 2AC），再通过尺度、区域切割和小波变换进行降噪后得到如图 2D所示的谱图。二维图三维图芬达咖啡唾液血液图1 4种物质的荧光光谱图Fig.1 Fluorescence spectrogram of 4 materialsExEx荧光强度AEmEm荧光强度BExmExm荧光强度CExmExm归一化强度DA：荧光Ex；B：荧光Em；C：Exm；D：经小波函数处理过的Exm。图2 芬达样本Exm处理过程Fig.2 The process of Fanta Exm spectrogram 42法 医 学 杂 志 2023年 2月 第39卷 第1期2.3 Fisher判别对 4种物质样本进行测试，将测试的结果转换形成训练集 Exm（图 3），以用于后续的 Fisher判别模型训练。抽取芬达和唾液的任意 5 条测试样本数据，其Fisher分类结果如表 12所示。芬达的 5条测试样本光谱Fisher分类结果均呈现为D10、D20、D30、D40，符合芬达 Fisher判别特征，因此可以判定这 5条测试光谱的样本属于芬达，其中D1值越大，表示与D1对应物质（即芬达）的相关性就越大；D2、D3和 D4值越小，表明与 D2、D3和 D4代表物质的差异越大。各 D 值差异较大，与芬达样本设置了不同浓度有关。表2中唾液的5条测试样本光谱Fisher分类结果均呈现为D10、D30、D40，符合唾液 Fisher 判别特征，因此可以判定这5条测试光谱的样本属于唾液。应用本方法测试芬达、咖啡、唾液和血液样本的识别准确率分别为（95.000.18）%、（91.500.11）%、（100.000.00）%、（94.500.21）%，均达到 91.39%以上，其中唾液样本达到了100%的识别准确率。3讨论目前，光谱分析技术在医疗及动物学领域的血液检测与分析方面取得了很多研究成果，但主要集中于临床生理、病理学变化分析和对某种生物的血液进行光谱特性分析与研究方面。陈荣等14在 1997年已发现人与猴、犬、羊、兔、鼠和鸡在可见光谱段的全血吸收光谱非常相似，直到 2018 年高斌等15基于反向传播（back propagation，BP）神经网络工具才初步实现对血液荧光光谱的识别分类研究，提出了用于区别不同物种的血液光谱特征提取的新方法。在刑事侦查领域体液斑迹组织来源的推断和鉴定、体液斑迹与非体液斑迹的区别鉴定目前仍是刑事侦查物证鉴定的热点和难点。通过对已知体液中含有的可发荧光的物质进行系统分析发现，生物斑迹与非生物斑迹在荧光物质成分上存在很大差别16，这是本研究的理论基础。研究中采用石英玻片作为样本的载体，其三维荧光本底纯净，本身不产生干扰信号，可以避免载体对样本的信号干扰，从而可有效验证本方法的可行性。利用小波变换和 Fisher判别对三维荧光光谱数据进行分析，从数据中选出最具特征性的可识别点及数据区间，利用公式计算归类的方法判断斑迹种类。本研究结果显示，三维荧光光谱分析技术对 4种斑迹判别准确、有效、快速、无损，有望用于人体液斑迹与非生物斑迹快速无损鉴别。然而，由于刑事侦查现场的特殊性，需要三维荧光光谱仪辨别的物质种类和数量未知，为了避免后期识别结果的假阴性和共线性问题，本研究初步设计的三维荧光光谱仪发射谱段较宽，可以在保证灵敏度的基础上收集到整个工作波段范围内的全部特征点，这一设计有利于增加识别准确度，但同时会对灵敏度的要求更高且计算过程繁琐，因此在后期实验中，随着识别种类的增加，将考虑采用针对性的选Exm归一化强度归一化强度Exm归一化强度Exm归一化强度ExmCDBAA：芬达；B：咖啡；C：唾液；D：血液。图3 4种物质训练集ExmFig.3 The training set Exm spectrogram of 4 materials表1 芬达5条测试样本Fisher分类结果Tab.1 Fisher classification results of 5 Fanta test samples序号12345D1757.74743.13392.23655.481 710.19D2-706.05-31.83-76.92-46.17-97.13D3-823.46-694.83-217.10-950.22-34.45D4-438.74-381.56-765.52-795.20-86.87注：D1D4分别表示芬达、唾液、咖啡、血液的特征集合。表2 唾液5条测试样本Fisher分类结果Tab.2 Fisher classification results of 5 saliva test samples序号12345D1-125.63-365.98-674.91-87.12-232.69D2356.83587.891 032.521 890.51762.18D3-190.67-982.17-893.46-231.90-351.07D4-734.68-992.67-89.04-249.85-1 732.26注：D1D4分别表示芬达、唾液、咖啡、血液的特征集合。43Journal of Forensic Medicine,February 2023,Vol.39,No.1择特征辨别方式，从而降低计算难度，加速识别过程。本研究在方法建立初期设定样本的类型相对单一，缺少多元性样本比较的测试内容和其他类型样本区分实验的数据支持，因此该方法的实用性仍然需要更深层次的多方面验证和测试，如体液斑迹种类的扩展、人源与非人源特异性分析、不同载体对结果的影响以及方法时效性研究等，并需要通过对不同条件下已知设定标准品的数据分析和对比，进一步研究非标准品样本的数据归类模型和判定标准，从而真正实现在刑事案件现场快速无损鉴定目标体液斑迹的功能，为案件定性、现场重建、法庭定罪量刑提供准确信息。参考文献：1HARBISON S，FLEMING R.Forensic body fluid identification：State of the artJ.Res Rep Forensic Med Sci，2016，6：11-23.doi：10.2147/RRFMS.S57994.2VIRKLER K，LEDNEV I K.Analysis of body fluids for forensic purposes：From laboratory testing to non-destructive rapid confirmatory identification at a crime sceneJ.Forensic Sci Int，2009，188（1/2/3）：1-17.doi：10.1016/j.forsciint.2009.02.013.3赵禾苗，王冲，李万水，等.mRNA在体液斑迹鉴定与组织来源推断中的应用J.中国法医学杂志，2016，31（5）：463-466.doi：10.13618/j.issn.1001-5728.2016.05.009.ZHAO H M，WANG C，LI W S，et al.The application of mRNA in body fluid identification and tissue resourceJ.Zhongguo Fayixue Zazhi，2016，31（5）：463-466.4赵一霞，胡胜，叶健，等.mRNA分析在体液斑迹组织来源推断中的应用研究进展J.刑事技术，2019，44（5）：388-394.doi：10.16467/j.1008-3650.2019.05.003.ZHAO Y X，HU S，YE J，et al.Researches of mRNA profiling for forensic body fluid identificationJ.Xingshi Jishu，2019，44（5）：388-394.5WANG S，WANG Z，TAO R，et al.The potential use of piwi-interacting RNA biomarkers in forensic body fluid identification：A proof-of-principle studyJ.Forensic Sci Int Genet，2019，39：129-135.doi：10.1016/j.fsigen.2019.01.002.6VIDAKI A，KAYSER M.Recent progress，methods and perspectives in forensic epigeneticsJ.Forensic Sci Int Genet，2018，37：180-195.doi：10.1016/j.fsigen.2018.08.008.7ZAPATA F，GREGRIO I，GARCA-RUIZ C.Body fluids and spectroscopic techniques in forensics：A perfect matchJ.J Forensic Med，2015，1（1）：1-7.doi：10.4172/2472-1026.1000101.8孔德明，崔耀耀，孔令富，等.数字图像识别在混合油类三维荧光光谱分析中的应用J.光谱学与光谱分析，2019，39（11）：3407-3413.doi：10.3964/j.issn.1000-0593（2019）11-3407-07.KONG D M，CUI Y Y，KONG L F，et al.The application of digital image recognition to the analysis of three-dimensional fluorescence spectra of mixed oilJ.Guangpuxue Yu Guangpu Fenxi，2019，39（11）：3407-3413.9王玉田，徐婧，周艳岭.基于三维荧光谱降维处理的矿物油识别研究J.中国激光，2014，41（12）：245-250.doi：10.3788/CJL201441.1215002.WANG Y T，XU J，ZHOU Y L.Study on mineral oil identification based on a dimension reduction method of three dimensional fluorescence spectraJ.Zhongguo Jiguang，2014，41（12）：245-250.10 郭昕.基于小波去噪的生物组织光谱特性研究D.南京：南京航空航天大学，2008.GUO X.Spectral characteristics of biological tissue based on wavelet denoisingD.Nanjing：Nanjing University of Aeronautics and Astronautics，2008.11 BOGGESS A，NARCOWICH F J.A first course in wavelets with Fourier analysisM.2nd ed.Hoboken：John Wiley&Sons，Ltd.，2011：227-243.12 赵丽娜.Fisher 判别法的研究及应用D.哈尔滨：东北林业大学，2013.ZHAO L N.Research and improvement of Fisher discriminant analysis methodD.Haerbin：Northeast Forestry University，2013.13 卢鹏飞，范雅，周林华，等.支持向量机的动物血液光谱特征提取和识别分类J.光谱学与光谱分析，2017，37（12）：3828-3832.doi：10.3964/j.issn.1000-0593（2017）12-3828-05.LU P F，FAN Y，ZHOU L H，et al.Feature extraction and classification of animal blood spectra with support vector machineJ.Guangpuxue Yu Guangpu Fenxi，2017，37（12）：3828-3832.14 陈荣，许少峰，林丽婷，等.血液吸收光谱与激光照射疗法J.中国激光医学杂志，1997，6（3）：142-145.CHEN R，XU S F，LIN L T，et al.Relation between the blood absorption spectrum and phototherapyJ.Zhongguo Jiguang Yixue Zazhi，1997，6（3）：142-145.15 高斌，赵鹏飞，卢昱欣，等.基于 BP 神经网络的血液荧光光谱识别分类研究J.光谱学与光谱分析，2018，38（10）：3136-3143.doi：10.3964/j.issn.1000-0593（2018）10-3136-08.GAO B，ZHAO P F，LU Y X，et al.Study on recognition and classification of blood fluorescence spectrum with BP neural networkJ.Guangpuxue Yu Guangpu Fenxi，2018，38（10）：3136-3143.16 柳超，龚桂雄.犯罪现场四种常见人体体液固有荧光光谱响应J.贵州警官职业学院学报，2016，28（6）：84-87.doi：10.13310/ki.gzjy.2016.06.012.LIU C，GONG G X.Intrinsic fluorescence spectral response on four types of common human body fluids at crime sceneJ.Guizhou Jingguan Zhiye Xueyuan Xuebao，2016，28（6）：84-87.（收稿日期：2020-03-27）（本文编辑：刘希玲）44