Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   15 ,  No.   1 ,  Febr uary   20 25 , pp.  303 ~ 310   IS S N:  20 88 - 8708 , DO I:  10 .11 591/ij ece.v 15 i 1 . pp 303 - 310           303       Journ al h om e page :  http: // ij ece.i aesc or e.c om   Refinin g  thyroid f unctio n eval ua ti on:   a compar ative     study   of   prepro cessing   me thods   in   diffus e   reflect ance   s pectr osc opy       Wince nt A nto  Win S ha li ni,  Thul as i  Raja l ak sh mi , S el vana ya gam  Vas an t hadev  Su r yaka l a   Dep artmen t of  Ele ctron ics an d  Co m m u n icatio n  E n g in eering ,  Co lleg e of En g in eering  and  T echn o lo g y ,    SRM I n stitu te of  S cien ce a n d   Techn o lo g y ,  Kattan k u lath u r,  I n d ia       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   J un  10, 2 024   Re vised  A ug 27, 2 024   Accepte d  Se p 3, 2 024       Thyroi d  dysfun ct ion ,   co mpri sin g  condi t ions  such  as  hyp ert hyr oidi sm  and   hypothyroi dism ,   rep r ese nts  a   subs ta ntial   globa l   he al th   chall enge ,   nec essit at ing   timel y   and   pr e ci se   d ia gnosis   for   ef fecti ve   the r ape ut ic   int erv ent ion   an d   pa ti en t  welf ar e.   Conv ent ion al   dia gnostic  mod a li ties  ofte n   invol ve   inv asive  proc edur es,   th at  coul d   ca use   dis com fort   and   in c onveni en ce   for  indi vidu al s.   The   non - i nva sive  technique s   li ke  d iffuse   ref lecta n ce  spec troscopy   ( DRS )   ca n  off er  a   prom isin g  alter na ti v e.   Thi s  study  under score s  th e   cri t ical  ro le   of   pre proc essing  me thods  in   enh anc ing  the  ac cur ac y   of   thyr oid  hor mone  fun ct ion al it y   throug h   a  non - inv asive  appr o ac h .   In  the   proposed   study  the   spe ctral  da ta   ac qui re d  from  the  DRS   setup  are  subjec t ed  to   diff ere nt   pr epr oc essing  te chn ique s   t o  i mprove  th e   e ffic a cy   of  the   pre d ic t ion  mode l .   Thirty  i ndivi dual s  wi th   thyroi d  dysfun ct ion  wer e  inc lud ed  in   th e  study,   and   pre proc essing  me thods  such   as  base l ine  cor recti on ,   mu ltipli c at iv e  sc atte r  cor re ction   (M SC ),   and  st and ard   norm al   var iate   ( SNV ) ,   were   sys te mati c al ly eva lu ated.   T he  study hi ghl ig hts t hat   SNV   pre proc essing  o utpe rform ed  oth er  methods  with   a   root  mean  square   err or   (RMS E)   of  0. 00 5  and  an  R²   of  0 . 99 .  In  con tra st ,   MS C  result ed  in   an  RMS E   of  0. 87   and  an   R ²  of   0. 86 ,   while  base li n e  cor re ct i on  show ed  a   R MS E  of  0 . 84  and  an  unusual  R²  of  1. 09,   indi c at ing  pot ential   issues.  SN V  prove d  to  be  th e   most  eff ec t ive t e chni que .   Ke yw or d s :   Ba sel ine   corre ct ion   D i f f u s e   r e f l e c t a n c e   s p e c t r o s c op y     Mult ipli cat ive  scat te r  co rr ec ti on   Pr e processin g  t echn i qu e   Stand a r d norm al  v ariat e   This   is an  open   acc ess arti cl e   un der  the  CC  BY - SA   l ic ense .     Corres pond in g  Aut h or :   Th ulasi R aj al akshmi   Dep a rtme nt of  Ele ct ro nics  and C om m unic at ion   En gin ee rin g,  C ollege  of E ng i neer i ng and  Tech nolo gy ,  SRM In sti tute of Sci ence  and  Tech no l ogy   Katt ankulat hur - 60 3203,  Ta mil  N ad u ,  In dia   Emai l:  r aj al akt@srmi st.ed u. in       1.   INTROD U CTION   Pr e - proces sin g  of sp ect ral d at a  is  c ru ci al  for ac hieving   reli a ble o utc om es . P re processin g met hods  are   cru ci al   f or   m odel   perf or m an ce,   as   s pectra   can   be   af fecte d   by   va rio us   di sturb a nces   th a t   impact   meas ureme nt   accurac y  [ 1] – [ 4] .  M aj or   in flu ences   inclu de   measu rin g  ge ome try - s uch  as   sample   thick ne ss,  detect or  dis ta nce,  con ta ct   press ure,  an d  li gh t  s ource  a ng le   [5],   [6] .  Eli minati ng  scat te rin g  ef f ect s  fr om  di ff e ren tl y  siz e d  pa rtic le s  is  al so  esse ntial   in   pre proce ssing.  This   discuss io n  will   c on ce ntrate   on   the  pr e - proces sing  of  data  obta ined   from dif fuse re flect ance s pect ro sc opy f or no n - i nv asi ve  th yr oid   hor mone  f un ct io ning  ass essment.   Diff e re nt  sp ect ro sc opic   meth od s  e nc ounter  sp eci fic  chall e ng e s.  Nea r - inf r ared   s pectr os c opy  ty pical ly   con te nds  with   co ns ist ent  or  li near   s hifts  i n  the  baseli ne  du e   to  scat te re d  li ght,  Ra ma n  s pectr os c opy  oft en  exh i bits  poly nomial   bac kgr ounds  from   fl uoresce nce,   an d  mid - inf rar e d  sp ect ra  a re  a f f ect ed  by  va riat ion s  i n  sample   thick ne ss  [7],  [ 8] .   T he   pu rpose   of  preprocessi ng  is   to  rem ov e   t hes e  inter fer e nces   w hile  retai ning  t he   crit ic al   info r m at ion   withi n  th e  sp ect r um .  Di ffuse  re flect an ce  sp ect r os c opy  ( DRS)   has  prov e n  to  be  a  va luable   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec   &  C omp E ng,  V ol.  15 , No .  1 ,  Febr uary   20 25 :   303 - 310   304   asset   in  me dic al   diag no sti cs.   The  ac c urat e  interp retat ion   of   sp ect ral  dat a  from  DRS  is   highly  de pe ndent  o n  eff ic ie nt  pr e pr ocessin g  te c hniqu es ,  s uch  as  mu lt ipli cat ive  scat te r  co rr ect i on  ( M SC ),   sta nd a r d  no rmal  var ia te   (S N V ),  an d  ba sel ine  c orrecti on.  These   methods   are   c ru ci al   f or  a ddressi ng  bas el ine   s hi fts  an d  var ia ti on s   i n  diffuse  r e flect ance s pectra,  e nsuri ng that th e  data is  prop e rl y normali zed  a nd r ea dy fo r  in - de pth anal ys is .   M ulti plica ti ve  sign al   c orrecti on  ( M SC )  a ddresses  majo r  e ff ect s  by  def i ni ng   a   re fer e nc e  sp ect r um   us ua ll y  t he   me an  of  t he   cal ib rati on  data  a nd   the   c orrecti ng  s pectra   f or  ba sel ine  a nd  mu l ti plica ti ve  scat te ring  eff ect s,   al ign i ng  with  the   K ub el ka – Munk  t he ory  [9],   [ 10] .  S NV  rem oves  c on sta nt  offset  te rms  by  s ub t ra ct ing   the  s pectr um’s   mean   a nd  scal i ng   by  it s  sta ndard   dev ia ti on,  makin g  it   a  popu la r  meth od  f or   it s  simpli ci ty  [ 11] .  SNV  a nd  MSC   of te n  pro du ce   simi la r,   inte rc hangea ble  res ul ts  [12],  [ 13] .   The  im portan c e  of  pre process ing   i n  DRS:  pr e proc essing  te c hn i ques   li ke  MSC ,  S N V,  a nd  baseli ne   co rr e ct ion  pla y  a   fun dame ntal  r ole  i n  enh a ncin g  t he   qual it y  of  s pe ct ral  data.  MSC   is  us e d  to   correct   f or  sc at te ring   e ff ect s  that  can   dist or t  the   sp ect ra.  I t a djust s the spect ra  by ali gn i ng the m to  a  refe re nc e sp ect r um , wh ic h  minimi zes   var ia ti ons ca use d by  par ti cl e  siz e,  s hap e ,  a nd   othe r  ph ys ic al   pro per ti es  of   t he  sample.  SNV  i s  an oth e r  te ch nique  that  nor mali zes  each  s pectr um  by   rem ovin g  scat te r  eff ect s  and   ce nteri ng  the  data  ar ou nd  zer o.   It  is  pa rtic ularly  us e fu l  f or  d eal ing  with   m ulti plica ti ve  interfe ren ces .  Ba sel ine  co rr ect i on  ad dresses  a ny  sh i fts  or  dr i fts  in  t he  basel ine  of   the  sp ect ra ,  w hich  ca n  res ul t  fr om  instr ume nt  va riat ions  or   sa mp le   inco ns ist encies .   By  correct in g  these   baseli ne  iss ues , th e  sp ect ra  be come mo re   c ompa rab le  a nd  r el ia ble f or  furt her anal ys is  [ 14] .   The  SNV  te c hn i qu e   wa s  m et ic ulo us l y  im plemente d  t o  sign ific a ntly  di minish  t he  m ulti pli cat ive  interfe ren ce   re su lt ing   from   sc at te r.   This  a ppr oach  in vo l ved  su bt racti ng  the   mean   val ue  of   the  e ntire  sp e c trum,  eff ect ivel y  re movin g  c onsta nt  off set   te rms.  A ddit ion al ly ,   it   normali ze d  the  scal e   of  a ll   sp ect ra  by  di vid in g  each  s pectrum  by   t he  sta ndar d   de viati on   of  the  com plete   s pectr um   [ 15] .  M SC  a nd   SNV  are  fr e quent ly  us e d  intercha ngeabl y,   pro du ci ng   resu lt s  that  a r e  typ ic al ly  si mil ar  [16 ] .  S NV   is  disti nguish e d  as  a  prefe rr e d  pr e processi ng   method,  know n  f or   it s  strai ghtf orward ne ss  and   e ff ic ac y  [ 17] .  M SC ,  an d  S NV   e nh an ce  th e   pr e dicti ve  cap abili ti es  of   sp e ct ro sc op ic   a nalyses.   T hese  preprocessi ng   m et hods   en sure  that  the  sp ect r al   data   us e d  in   pr e dicti ve  m odel s  a re   accu rate  a nd  r el ia ble,  le adi ng  to   bette r   cl inic al   outc om e s  [18] .  DRS  has   prov e n  us ef u l  in   ot her  medical   a reas .  F or  instance ,   it   has  bee n  e mp lo ye d  in   th e  diag nosis  of  br east   le si on s   and  the   assessme nt  of  tumor   mar gi ns  du rin g  s urge ries  highli gh ti ng   it s  a bili ty  to   pro vid e   real - ti me  feedbac k  duri ng  su r gical   proce dures   [ 19] .   I n  summa ry,  dif fu se   re flect anc e  sp e ct rosco py,   w he n  c oupl ed  with   ap pro pr ia te   pr e processi ng  te chn iq ues   li ke   M SC,   S NV,   an d  ba sel ine  correct ion,   hol ds  sig nificant   promise   in   me dical   diag nosti cs, in cl ud in g  t hyr oid assessme nt.       2.   METHO D   2.1.     Dataset   A  ra ndomi zed  study  was  co nducte d  du rin g  this  exami nation  t o  colle ct   r eal - ti me  sp ect r um   si gn al s.   With   fo li o   num ber   84 62 /I EC/ 2022   se r ving   as   pr oof,   the   SR M   M e dical   Col le ge   Hospita l   a nd   Re searc h   Ce nter’s  Ethic al   Com mit te e   gr a nted   the   neces sar y   et hi cal   cl earance   f or   this   st udy.   Thirty   vo l un te ers   (N = 30)   bot h   male   and   female,   a ge d   ei ghte en   an d   up,   who   hav e   re gula r   cl inica l   visit s   to   maint ai n   t hyro i d   hor mone   imbala nc e   we re   include d  i n  t he  stu dy.     2.2.     Ex peri menta l  setup o f  di ff u s e reflec t an ce  s pectr os co py   The   ex per im en ta l   config ur at i on   for   DRS   is   sh ow n   in   Fig ure   1.  It   e ncom passes   a   T ungst en   Halo ge n   li gh t   sou rce   (L S - 1)   s pecifica ll y   ta il or e d   for   the   visi ble   nea r - inf rar e d   (NIR )  wa velen gth   r ang e ,  spa nnin g  from   360   t o  2 , 500   nm .   A dd it io na ll y,   the   set up   featu res   a  s pe ct ro mete r  (USB  4 0 0 0 )   e q u i p p e d   w i t h   i n t e r f a c e   c a p a b i l i t i e s   a n d   h i g h - s p e e d   e l e c t r o n i c s .   T h e   U S B   4 0 0 0   s h o w c a s e s   r e s p o n s i v e n e s s   within  the  wa velen gth  range  of 36 0  to  1 , 10 0 nm .     Figure  2  s how s  the  r eal - ti me   DRS  set up.  T his  sect io n  ou t li nes  the  detai le d  set up,   co m pone nts,  a nd  proce dures  i nvolv e d  in  the  D RS meas ur e me nts.  T he prima r y  li ght so urce  us e d  in t he DR S setu p  is a  Tu ng ste n  halo gen  la mp   ( LS - 1).  This  li ght  sourc e  is  spe ci fical ly  ch ose n  f or  it s  abili ty  to  e mit   a  bro ad  s pe ct r um   of  li gh t,   cov e rin g  both   the   visible   a nd  NI R  wa vel eng t h  ra ng es .  The  e missi on  sp ect r um  of  t he  L S - 1  sp a ns  f rom     360  t o  2 , 500  nm,  ma king  it   i deal  f or  capt uri ng   a   wi de  ra nge  of   opti cal   pro per ti es  from   the  ti ssu e .  A   US B  4000  s pectr ome te r,   e qu i pp e d  with  hig h - sp e ed  el ect r on ic s   and  a  c ompu te r  inter face,   is  us e d  to   capt ure  the   diffusel y  ref le ct ed  li ght  fro m  t he  ti ss ue.  The   U SB  4000  is   respo ns iv e  acr os s   a   wavel eng th   range   of  360  t o  1 , 100  nm.   T his  s pectr om et er   is  sel ect ed  f or  it s   abili ty   to   pro vid e   hi gh - r esolutio n  s pectral  data  quic kl y  a nd   accuratel y.  T he   sp ect ral  data   colle ct ed  by  t he  US B  4000   are  esse ntial   f or  a nalyzin g  ho w  li ght  inte rac ts  with  the  ti ssu e,  in cl ud in g  a bsor ption,  scat te ring,  an d  re fle ct ion   pro pe rtie s,  w hich  a re   ind ic at ive  of   ti ssu e  com posit ion  a nd   healt h.  T he   li gh t   emit te d  from   the   T ungst en  Halo ge n  so urce   is  tra nsmi tt ed  to   the   t issue  thr ough  a   s pe ci al iz ed  fib er   op ti c  re flect an ce  pr ob e   (R40 0).  T he   R4 00  pro be  is   e qu i pped   with   bif ur cat ed   op ti cal   fib ers  arr a ng e d  i n  a   sp eci fic  c onf igurat ion   t o  opti mize   li gh t  deliver y  a nd  colle ct ion .  Th e  pro be  Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C omp E ng     IS S N:   20 88 - 8708         Ref inin g  thy roi d  fu nction ev al ua ti on:  a co m pa r ative  stu dy of p repr ocessi ng  …   ( Wi nce nt An t o  Wi n S hali ni )   305   con ta in s  7  op t ic al   fiber s,  eac h  with  a n  in ne r  diamet er  of  400  micr om et ers.   On e  fiber  is  po sit io ned   at   the   center,   surr ounded   by  six  othe r  fi ber s .  T he  six  s urrou nd i ng  fi bers  are   re sp onsi ble  f or  de li ver in g  li ght  to  th e  ti ssu e,  wh il e th e central  fibe r c ollec ts t he dif fu sel y reflect e d  li ght.           Figure   1.   DRS   c o n f i g u r a t i o n           F i g u r e   2 .   R e a l - t i m e   D R S   s e t up       Accurat e D RS  measu reme nts  require ca reful  cal ibrati on   of the s ys te m to  e ns ure that  th e s pectral data   accuratel y  ref l ect   the  ti ssu e's  pro per ti es.  B ari um   Su l phate   ( Ba SO ₄)  is  us e d  as  a  ref le ct an c e  sta nd a rd.  Ba SO ₄  is  chosen  for  it s  high  re flect anc e  of   a ppr ox im at el y  99%,  ma king  it   an  idea l  ref ere nce  ma te rial .  The  li gh t  fr o m   the  Tu ngste n  halo gen   sourc e  is  directed  on t o  the  Ba S O₄  surfa ce.  T he  re flect ed  li gh t  from  the  Ba SO ₄  i s   captu red  by   the  s pectr om et er  to   gen e rate   a  ref e ren ce   sp ect r um .   T hi s  re fer e nce  spe ct ru m   se r ves   as  a   ben c hm a r k  a ga inst w hich  ti ssu e s pectra a re  com par e d.   To  acc ount   f or  ambie nt  li ght  and  el ect ronic  no ise ,  a  da rk  s pectr um   is   acq uire d  by  bl oc kin g  the   li ght   so urce.   T his  s te p  e nsures   th at   an y  non - si gn al - relat ed   c ompone nts  a re   re move d  fro m  the   s pectr a l  data,   enh a ncin g  the   accu rac y  of  t he  s ubse qu e nt   ti ssu e   meas urements.   Af te r   acq uiri ng  the   re fer e nce   an d  da r k  sp ect ra,  the  sy s te m is set t o re flect ance m ode  u si ng the  Sp ec tra S uite so ftw are.    I n   t h i s   s t u d y ,   p a r t i c i p a n t s   w e r e   i n i t i a l l y   b r i e f e d   o n   t h e   n o n - in v a s i v e   a p p r o a c h   a n d   s a f e   u t i l i z a t i o n   o f   n e a r - i n f r a r e d   l i g h t   ( N I R )   o n   t h e   n e c k   r e g i o n .   T h e   m e a s u r e m e n t   s i t e   a n d   p r o b e   t i p   w e r e   c l e a n s e d   w i t h   a n   a l c o h o l - b a s e d   s o l u t i o n   t o   e n s u r e   a c c u r a t e   s p e c t r a l   r e a d i n g s   a n d   p a r t i c i p a n t s   w e r e   s a f e   f r o m   i n f e c t i o n s .   T h e   f i b e r   o p t i c   p r o b e   i s   p o s i t i o n e d   o n   t h e   n e c k .   T h e   l i g h t   f r o m   t h e   T u n g s t e n   h a l o g e n   s o u r c e   i s   t r a n s m i t t e d   t h r o u g h   t h e   p r o b e   a n d   o n t o   t h e   t i s s u e .   T h e   r e f l e c t e d   l i g h t ,   c a r r y i n g   i n f o r m a t i o n   a b o u t   t h e   t i s s u e ’ s   o p t i c a l   p r o p e r t i e s ,   i s   c a p t u r e d   b y   t h e   c e n t r a l   f i b e r   a n d   t r a n s m i t t e d   b a c k   t o   t h e   s p e c t r o m e t e r .   T h e   S p e c t r a   S u i t e   s o f t w a r e   i s   u s e d   t o   c a p t u r e   a n d   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec   &  C omp E ng,  V ol.  15 , No .  1 ,  Febr uary   20 25 :   303 - 310   306   a n a l y z e   s p e c t r a l   d a t a   i n   r e a l   t i m e .   T h e   c o l l e c t e d   d a t a   a r e   i m m e d i a t e l y   t r a n s f e r r e d   t o   a   c o m p u t e r   c o n n e c t e d   t o   t h e   s p e c t r o m e t e r ,   e n s u r i n g   t h e   i n t e g r i t y   a n d   a c c u r a c y   o f   t h e   m e a s u r e m e n t s .     2.3.   Spec tr al   p r e p r o c e s s i n g   Sp ect ral   pr e pro cessi ng   te c hniq ues   are   util iz ed   mathemat ic al ly   to   e nh a nce   s pectral   data.   T he   obje ct ive   is  to  recti f y  un wan te d  in flue nc es  li ke  un pr e di ct able  no ise ,   va riat ion s  i n  li ght  pat h  le ngth,   and   li gh t  scat te rin g   du e   to   div e rse  phys ic al   pro pe rtie s  of   sam ple s  or   instr um e nt - relat ed   facto r s.   T his  sta ge  i s  ty pical ly  e xe cuted   befor e   e mp l oying  m ulti var ia t e  m odel ing,  ai ming  t o  mit igate ,  re move,   or  sta nd a rd iz e   the se  in flue nces   on  t he   sp ect ra,   t her e by   sig nificant ly   im pro ving   the   reli abili ty   of   the   cal ib rati on   m od el   [ 20] .   I n   this   stu dy,   th ree   sp ect ral  pr e pro cessi ng app ro a ches a re c omp arati vely  e xplo red :  SNV, M S C, an d  baseli ne  correcti on .     2.3.1 .  Mul tipli cat i ve   sc atter   c o r r e c t i o n   M ulti plica ti ve  scat te r  co rr ect i on  ( M SC )  is  a  r obus t  te c hniqu e  us e d  t o  address   scat te r   eff ect s   in   sp ect ral  data,  wh ic h  arise  du e  to  va riat ion s   in  pa rtic le   siz e,  surface   te xt ur e ,  an d  oth e r  phys ic al   pr op e rtie s  of  the  sam ple.   T he se  va riat ion s   can  distor t  t he  li gh t  pat h  a nd  i ntensity ,  le adi ng  to   inacc ur aci es  in  t he  data.  M SC  regresses   eac h  sp ect r um  agai nst   a  ref e ren ce   s pectr um  an d  c orrects  us in g  the  sl ope  a nd  i nterce pt  of  the   li near  fit.  This  mini mize s  baseli ne   offsets  a nd   mu lt ipli cat ive   eff ect s  [ 21] .   The  proces s   of  M SC  begi ns   with   cal culat ing   the   mean  s pectr um     from  t he  e ntire  cal ibrati on  set .  T his  me an  s pectrum  a ct s  as  the  re fere nce   sp ect r um .   F or  each  s pectr um  ( ),   a   li nea r  re gr essi on  is  pe r forme d  a gain st  the  mea n  s pe ct ru m   to   dete r mine  the slo pe ( )  an d  int e rcep t  ( ).   The reg ressi on model is e xpre ssed  as   ( 1) ,     = + +   ,      ( 1)     wh e re     re pr es ents  t he  e rro r  te rm  t hat  i nclud e s  t he  act ua l  inf ormat io n.  On ce   th e  i nter cept  a nd  sl op e   are   determi ned, th e co rr ect e d  s pe ct ru m   ( , )   is ob ta i ned usi ng  ( 2).     ( , ) = − ,   (2)     This  c orrecti on  proces s  rem ov e s  both   m ulti plica ti ve  an d  ad diti ve   scat te r  e ff ect s ,  nor mali zi ng  the   s pectra   t o  the mea n  s pect rum a nd ef fecti vely re du ci ng  baseli ne  s hifts  and m ulti plica ti ve  va riat ions.     2.3.2.  Stand ar d   no rm al   v a r i a t e   Stand a r d  no r mal  var ia te   ( SNV)  is  a n  a dd it io nal  prep ro ces sin g  te ch nique  that  nor mali zes  each   sp ect r um  in de pende ntly  t o  e li minate   mu lt ipli cat ive  scat te r  e ff ect s  a nd  a dju sts  f or  bas e li ne  va riat ion s .   SNV   ind ivi du al l y  ce nters  a nd scale s each  s pectr um b y  s ubtract ing t he  m ean a nd  div idi ng   by t he  sta nda rd   de vi at ion .   This   c orrects   a d d i t i v e   and   mul ti plica ti ve  effe ct s  [ 22] .   T he   SNV  proces s  i nvolv e s  cal c ulati ng   t he   mea n  ( ̅ ̅ ̅ ̅ )  and stan dard  de viati on   ( )  f or  each s pectr um  ( ).  T he  mea n  is  calc ulate d  as   ( 3) ,     ̅ = 1 ∑  , = 1     ( 3)     and  the  sta ndar d dev ia ti on is c al culat ed  as   ( 4) ,     = √ 1 − 1 ∑ (  − ̅ ) 2   = 1 ,    (4)     wh e re  n   is  the   numb e r  of   dat a  po i nts  in  t he   sp ect r um.  Eac h  data  point  in   the  sp ect rum  is  then  sta nd a r dized  us in g  (5).       =  − ̅   ,     ( 5)     This  tra ns f orm at ion   re su lt s  in   sp ect ra  t hat  ha ve  zer o  mean   an d  unit   va ria nce,  w hich  reduces  the   in flue nce  of   scat te r  a nd  e nhance s  t he   spe ct ral  feat ur es .   By   m aki ng  t he   sp ect ra  i ndepende nt  of  t he   or igi nal  scal e  a nd  sample set c ha racteri sti cs, SN V  e ns ures t hat  the d at a is  m ore co ns ist ent a nd easie r  to  i nte rpret.     2.3.3.  B as el ine   c o r r e c t i o n   Ba sel ine  co rr e ct ion   is  a   vital   prep ro ce ssin g  meth od  in   sp e ct ro sc opy  t hat  sign ific a ntly  e nh a nces   th e   qu al it y  a nd  pr eci sion   of   dat a  analysis .  It  i s  necessa r y  to   el imi nate  sp e ct ral  arti facts  that  ma y  res ult  from   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C omp E ng     IS S N:   20 88 - 8708         Ref inin g  thy roi d  fu nction ev al ua ti on:  a co m pa r ative  stu dy of p repr ocessi ng  …   ( Wi nce nt An t o  Wi n S hali ni )   307   factors  s uch  a s  el ect ronic  in te rf ere nce,   ins uff ic ie nt  di gital   filt ering ,   or  incomple te   di gital   samplin g  [23 ] .  Ba sel ine   corre ct ion   is   a   prep ro ces sin g   te ch nique   use d   to   rem ov e   baseli ne   dri fts   a nd   ba ckgr ound  noi se   from   sp ect ral   data.   These   bas el ine   dri fts   ca n   be   c au se d   by   in strume nt   i ns ta bili ty,   en vir onme ntal   cha ng e s,   or   sample   inco ns ist encies ,   an d   can   ob sc ure   the   sp ect ral   featur e s   of   interest . T he   pr oce ss   of   baseli ne   c orrecti on starts  w it h  identif ying  the   baseli ne   of  t he   sp ect r um  us ing  an   ap pro pr i at e  meth od,  s uc h  as   poly nom ia l  fitt ing ,  m o v i n g   a v e r a g e ,   o r   o t h e r   b a s e l i n e   f i t t i n g   a l g o r i t h m s .   T h e   d e t e r m i n e d   b a s e l i n e   i s   s u b s e q u e n t l y   s u b t r a c t e d   f r o m   t h e   o r i g i n a l   s p e c t r um   t o   d e r i v e   t h e   c o r r e c t e d   s p e c t r u m ,   r e p r e s e n t e d   a s   (6) ,         =    −    ( ) .   (6)     h ere ,        is   t h e   ori gi nal  s pec trum,  a nd     is  the   sp ect rum  a fter   baseli ne   correct ion.   T hi s  correct ion  proc ess  e nsures   th a t  the   s pectral  f eat ur es   relat e d  to   the   c hemic al   co mposit io n  are   not  obscu r ed   by   baseli ne variat i on s , lea ding to   more acc ur at e  sp ect ral a nalys is.     2.4.   P e r f o r m a n c e - m e t r i c s   R - square d   ( ² )   a nd   r oot   mea n   sq ua re   er ror   ( RMSE )   a re   t he   m os t   us ed   pe rformance   m et rics   f or   evaluati ng  t he   accu racy  of  pr e dicti ve  m odel s  in   s pectr os c op ic   a naly s is.   ²   in dicat es  the  pro portio n  of  var ia bili ty  in   t he  de pende nt  var ia ble  that   c an  be   e xp la ine d  by  t he   in de pende nt  var ia bl es,  wh e reas   R M SE  measu res  th e  aver a ge  siz e  of  the  predict io n  er r or s  i n  the   same  un it s  as   the  dep e ndent   var ia ble  [ 24] .  ²   is   determi ned  by  squa rin g  t he   co rr el at io n  be tween   the   pr edict ed  a nd  obser ve d  value s,  with  a   valu e  of  1  represe nting  a n  ide al   fit .  T a ble  1  s hows   the  e valuati on  metri cs  with  descr i ption.   T he   c ho ic e   of   s pectral   pr e processi ng   te chn iq ue   can   sign ific a ntly  i mp ac t  t hese   metri cs  s howi ng  s up e rio r  pe rformance   in   certai n  app li cat io ns   [25] .       Table  1 .  E val ua ti on   met ric ta ble   S.NO   Metr ic   Fo rm u la   Descripti o n   1   R 2   2 = 1 − ∑ ( − ̂ ) 2 ∑ ( − ̅ ) 2   wh ere    is th e ac tu a l valu e,  ̂   is   th e predicted  valu e,  an d   ̅   is  th e m ean o f  the act u al valu e.     2   RMSE    = √ ∑ ( − ̂ ) 2   wh ere    is th e ac tu a l valu e,  ̂   is   th e predicted  valu e and  n is th e  n u m b er  o f  sa m p les       3.   RESU LT   A N D DIS CUSSI ON   The  s pectral  da ta   acq uired  th rou gh  dif f us e  r eflect ance  s pe ct ro sc opy  c ont ai ns   nonlinea riti es  that  can   impact   the   acc ur ac y   of   predic ti ve   models.  T o   a ddress   t his   issue,   th ree   pre processi ng   te c hn i qu e s   we re   a pp li ed   t o  t h e   d a t a :   S N V ,  M S C ,   a n d   B a s e l i n e   C o r r e c t i o n .   T h e   r a w   s p e c t r a l   d a t a   plo t   f or   30   pa rtic ipants   with   thyr oid   dy s f un ct io n   is   pr ese nted  i n  Figure  3 ( a ) .   F rom  the  fig ur e   it   is  inferred   that,  ar ound  700  t o  95 0  nm,  the   ref le ct ance   int ensity   re mains   r e l a t i v e l y   s t a bl e   a n d   l o w .   B e y o n d   9 5 0   n m ,   t h e r e   is   an   i n c r e a s e   in   n o i s e   a n d   v a r i a b i l i t y   in   the   r e f l e c t a n c e   i n t e n s i t y   amon g  pa rtic ipants .   So me  s pik e s  and   a bru pt  ch a ng e s  in  inte ns i ty  are  ob s er ved  ar ound  1 , 00 0  nm ,   w hich  may   ind ic at e  inc rea sed  se ns it ivit y  or  va riabil it y  in  that  reg i on.   T he   relat ively  sta bl e  ref le ct ance   inten sit y  between   700   an d   950   nm   sug gests   that   the   par ti ci pa nts’   sp ect ra l   respo ns es   a re   c on sist e nt   in   thi s   reg i on.   This   sta bili ty  is  of te n  desi rab le   in  sp ect ral  an al ysi s  as  it   can  indi cat e  a  un i form res ponse  to  t he  li ght a cro ss  parti ci pa nts.   F i g u r e   3 ( b )   s h o w s   t h e   s p e c t r a l   p l o t   o f   S N V   p r e p r o c e s s i n g ,   w h i c h   n o r m a l i z e s   t h e   d i s t r i b u t i o n   a c r o s s   t h e   w a v e l e n g t h   r a n g e .   I n   t h e   S N V   p r o c e s s ,   t h e   d a t a   a r e   m e a n - c e n t e r e d   a n d   s c a l e d   b y   t h e i r   s t a n d a r d   d e v i a t i o n ,   r e s u l t i n g   i n   s p e c t r a   c e n t e r e d   a r o u n d   z e r o   w i t h   u n i f o r m   v a r i a n c e .   T h i s   n o r m a l i z a t i o n   h e l p s   t o   r e d u c e   m u l t i p l i c a t i v e   e f f e c t s ,   e n h a n c i n g   t h e   c o m p a r a b i l i t y   a n d   i n t e r p r e t a b i l i t y   o f   t h e   s p e c t r a l   d a t a .   T h e   S N V   p r e p r o c e s s e d   p l o t   d e m o n s t r a t e s   a   s t a n d a r d i z e d   r e p r e s e n t a t i o n ,   m i n i m i z i n g   b a s e l i n e   s h i f t s   a n d   s c a l i n g   i n c o n s i s t e n c i e s .     Figure  3 ( c )   dis plays  t he  sp ect ral  plo t  afte r  ba sel ine  correct ion   us in g  Sa vi tz ky - G olay  filt erin g.   This   te chn iq ue   s ucc essfu ll y   el imi na te s   baseli ne   ir regularit ie s,   s moothin g   t he   s pectral   baseli ne   for   a   m ore   co ns ist ent  and   sta bili zed   data   represe ntati on .   T he   c orre ct ed   plo t   re veal s   e nh a nce d   cl a r it y   of   s pectral   f eat ur es,   as   unw anted   fluctuati ons  an d  distor ti ons   ar e  mit igate d.   T his  plo t  highli gh ts   the  e ff ect i ven e ss  of  the  ba sel ine  co rr ect i on  in   impro ving  the  qu al it y  a nd   i nterpreta bili ty  of   sp ect ral  data.   Figure   3 ( d )   pr esents   the   s pec tral   plo t   after   M SC   pr e processi ng.   M SC  e ff ect ive ly  ad dresses  sc at te ring   e ff ect s ,  res ulti ng  in  a   more  un if orm  sp ect r um   ac r oss  the   entire  wa velen gth   ra nge.   By   reducin g  the  impact   of  scat te ring,  this  no rmali zat ion   process  e n ha nce s  the   com par a bili ty  and inter pr et a bi li ty o f  t he  s pe ct ral infor mati on.       Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec   &  C omp E ng,  V ol.  15 , No .  1 ,  Febr uary   20 25 :   303 - 310   308     (a)       (b)       (c)       (d)     Figure   3. Pr e pr ocesse d   s pectr al   plo ts  (a)   ra w   sp ect ral   data   pl ot   of   30   pa rtic ipants ,   (b)   S NV ,     (c)   baseli ne  cor recti on ,   a n d   ( d)  M SC   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C omp E ng     IS S N:   20 88 - 8708         Ref inin g  thy roi d  fu nction ev al ua ti on:  a co m pa r ative  stu dy of p repr ocessi ng  …   ( Wi nce nt An t o  Wi n S hali ni )   309   T h e   p r o p o s e d   p r e p r o c e s s i n g   t e c h n i q u e s   w e r e   s t a t i s t i c a l l y   a n a l y z e d   b a s e d   o n   t h e   p e r f o r m a n c e   m e t r i c s   a s   s h o w n   i n   T a b l e   2 ,   i t   i s   c l e a r   t h a t   S N V   p r e p r o c e s s i n g   a p p r o a c h   s i g n i f i c a nt l y   o u t p e r f o r m s   t h e   ot h e r   m e t h o d s   i n  t e r m s   o f   m o d e l   a c c u r a c y   a n d   reli abili ty .   S N V   r e s u l t e d   i n   a n   R M S E   o f   0 . 0 0 5   a n d   a n   ²   o f   0 . 9 9 .   T h i s   h i g h l i g h t s   S N V ’ s   s u p e r i o r   a b i l i t y   t o   n o r m a l i z e   t h e   s p e c t r a l   data ,   e f f e c t i v e l y   m i t i g a t i n g   m u l t i p l i c a t i v e   e f f e c t s .   I n   c o n t r a s t ,   M S C   s h o w s   a n   R M S E   o f   0 . 8 7   a n d   a n   2   o f   0 . 8 6 .   W h i l e   M S C   r e d u c e s   s c a t t e r   e f f e c t s   a n d   i m p r o v e s   t h e   u n i f o r m i t y   o f   t h e   s p e c t r u m ,   i t   s t i l l   e x h i b i t s   a   r e l a t i v e l y   hi g h   e r r o r   m a r g i n   a n d   e x p l a i n s   o n l y   8 6   p e r c e n t   o f   t h e   v a r i a n c e ,   m a ki n g   i t   l e s s   r e l i a b l e   c o m p a r e d   t o   S N V .   T h e   h i g h e r   R M S E   i n d i c a t e s   m o r e   s i g n i f i c a n t   e r r o r s   i n   t he   p r e d i c t i o n s ,   s u g g e s t i n g   t h a t   w h i l e   M S C   i s   b e n e f i c i a l ,   i t   d o e s   n o t   a c h i e v e   t h e   s a m e   l e v e l   o f   p r e c i s i o n   a s   S N V .   Ba sel ine   c orre ct ion   us in g  Sa vitzky - Go la y  f il te ring   pr ese nt s  an  R M SE   of  0.84  an d  a n  R²  of  1.0 9.   Althou gh  the  RMSE  is  sli g ht ly  lowe r  tha n  M SC,   the  ²   val ue  e xceed i ng  1  is  unusual   a nd  points  to   pote ntial   ov e rf it ti ng  or  anomal ie s  in  the  m od el ’s  e va luati on   proce ss.   This  c ou l d  imply  t hat  w hi le   baseli ne  co rr ect io n  eff ect ivel y  sm oo t hs   the   sp ect ral  data,  it   mi ght  intr oduce  a r ti fact s  or   i ncon sist encies,  th us  aff ect in g  t he  overall   model reli abili ty a nd inter pr et abili ty.       Table   2 .   E valu at ion - metri c   of   pr e processi ng   t e c h n i q u e   Prepro cess in g   t e c h n i q u e s   2   R M S E   M S C   0 . 8 6   0 . 8 7   SNV   0 . 9 9   0 . 0 0 5   Bas elin e   c o r r e c t i o n   1 . 0 9   0 . 8 4       4.   CONCL US I O N   The  stu dy  sig ni fies  the  imp or t ance  of p re pro cessi ng   i n  s pec trosc op ic   a naly sis.  In  the p r opos e d  stu dy,   the  sel ect io n  of  e ff ic ie nt   pre processi ng  te c hn i qu e s  t o  ob t ai n  im pro ved  model  acc ur ac y  has   bee n  ev al uated.  The  st udy  in volve d  var io us   pr e process i ng  te chn iq ues  su c h  as  S N V,   MSC   an d  ba sel ine  c orrecti on   ou t  of   wh ic h  SNV  outpe rformed   a s  the   m os t  r ob us t  te ch nique ,  sign ific a ntly  i mpro ving  t he  cl arit y,   c ompa rab il it y,  and   i nter pr et a bili ty  of   sp ect r al   data,  ther eb y  en ha ncin g  diagnostic   accu r acy  f or  th yroid   dys functi on.   Wh il e   M SC  a nd   base li ne  correct ion  hav e  t heir  me rits,  they  do  not  matc h  the  pe rformance  of   SNV  in  this  c on te xt.   The  fin dings  e mphasiz e  the   ne cessi ty  f or  me ti culou s   sel ect ion  an d  a ppli cat ion   of   prep ro c essing  te ch niques  to   ens ur e  high - qu al it y  sp ect ral  data,  ulti mate ly  le adi ng  to  more  acc ur at e   non - in vasive   diag nosti cs  an d  bette r  patie nt outc ome s.       A C K N O W L E D G E M E N T   T h e   a u t h o r s   a r e   t h a n k f u l   t o   O p t i c a l   W i r e l e s s   C o m m u n i c a t i o n   L a b ,   D e pa r t m e n t   o f   E l e c t r o n i c s   a n d   C o m m u n i c a t i on   E n g i n e e r i n g ,   S R M   I n s t i t u t e   o f   S c i e n c e   a n d   T e c h n o l o g y ,   K a t t a n k u l a t h u r   c a m p u s   f o r   p r o v i d i n g   D R S   s e t u p   f o r   c o l l e c t i n g   r e a l - t i m e   d a t a .   T h e   a u t h o r s   a r e   t h a n k f u l   t o   t h e   D e p a r t m e n t   o f   G e n e r a l   M e d i c i n e ,   S R M  M e d i c a l   C o l l e ge   H o s p i t a l   a n d   R e s e a r c h   C e n t e r ,   K a t t a n k u l a t hu r ,   I n d i a   f o r   s u p p o r t i n g   u s   i n   c o l l e c t i n g   t h e   d a t a s e t .       REFERE NCE S   [1]   D.  Dah m   an d   K .  Da h m ,   Inter p retin g   d iffu se  reflecta n ce  a n d   tra n smitta n ce:  a   th eo retica l  i n tro d u ctio n   to   a b so rp tio n   sp ectro scopy   o f sca tterin g  mater ia ls .  IM  Pub licatio n s, 20 0 7 .   [2]   Å .   Rin n an ,  F .  v an   d en   Berg ,   an d   S.   B.  Eng elsen ,  “Re v iew  o f  th e   m o st  co m m o n   p re - p roc ess in g   tech n iq u es  for  n ear - in fr ared  sp ectra ,”  TrAC Tr e n d s in  A n a lytica l Ch emistr y ,  v o l.  2 8 ,  n o .  1 0 ,  p p .  1 2 0 1 – 1 2 2 2 ,  No v .  2 0 0 9 ,  d o i: 10 .1016 /j.tr ac. 2 0 0 9 .0 7 .00 7 .   [3]   E .   A r e n d s e ,   O .   A .   F a w o l e ,   L .   S .   M a g w a z a ,   H .   N i e u w o u d t ,   a n d   U .   L .   O p a r a ,   “ C o m p a r i n g   t h e   a n a l y t i c a l   p e r f o r m a n c e   o f   n e a r   a n d   m i d   i n f r a r e d   s p e c t r o m e t e r s   f o r   e v a l u a t i n g   p o m e g r a n a t e   j u i c e   q u a l i t y , ”   L W T ,   v o l .   9 1 ,   p p .   1 8 0 – 1 9 0 ,   2 0 1 8 ,   d o i :   1 0 . 1 0 1 6 / j . l w t . 2 0 1 8 . 0 1 . 0 3 5 .   [4]   J.  C.   Ma ch ad o ,  M .   A.   Fa ria,   I.   M.   P.   L.   V.   O.   Fer rei ra,   R.  N.   M.   J.  P ásco a ,  an d   J.   A.   Lop es,   “Var ie ta l  d iscri m i n atio n   o f  h o p   p ellet s   b y  near a n d  m id  in fr ar ed  sp ectrosco p y ,”  Ta la n ta ,  v o l.  1 8 0 ,  p p .  6 9 – 7 5 ,  Ap r.  20 1 8 ,  d o i: 10 .101 6 /j.talanta.2 0 1 7 .12. 0 3 0 .   [5]   S.  Bas sin i  et   a l. ,  “ Mater i al  p er form a n ce  in   lead   an d   le ad - b ismuth   allo y ,”  in   Co mp reh en sive  Nu clea r  Ma teria ls ,  Elsev ie r,   2 0 2 0 ,     p p .  2 1 8 – 2 4 1 .   [6]   A.  P .  C raig,   B.  G .  Bo telh o ,  L.   S.   Oliv eira,  an d   A .  S.  F ranca,   “ Mid  i n fr ared   sp ectrosco p y   an d   ch em o m et rics  as   to o ls  for   t h e  class i fication   o f   roas ted   co f fees   b y   cu p   q u ality ,”  Foo d   Ch emi str y ,  v o l.  2 4 5 ,  p p .  1 0 5 2 – 1 0 6 1 ,   Ap r.   2 0 1 8 ,   d o i:  1 0 .10 1 6 /j.f o o d ch e m .20 1 7 .11 .06 6 .   [7]   S.  R.  Kh an d asam m y   et  a l. ,  “Blo o d s tain s,  p ain tin g s,  an d   d rug s:  Raman  sp ectrosco p y   ap p li catio n s  in   forens ic  scien ce,”   Fo ren sic  Ch emistr y ,  v o l.  8 ,  p p .  1 1 1 – 1 3 3 ,  May 2 0 1 8 ,  d o i: 1 0 .10 1 6 /j.f o rc. 2 0 1 8 .02 .00 2 .   [8]   J.  Eng el  et  a l. ,  “Br eaki n g   with   trend s   in   p re - p rocess in g ?,”  TrAC  Tren d s  in   Ana lytica l  Ch em istr y ,  v o l.  5 0 ,  p p .  9 6 – 1 0 6 ,  Oct.  2 0 1 3 ,   d o i: 10 .1016 /j.tr ac. 2 0 1 3 .0 4 .01 5 .   [9]   H.  M a rtens ,  S.  A .  Jen sen ,  an d   P.  Geladi ,  “Multiv ar i ate  lin earity  trans form atio n   for  n ea r - in fr a red  re flecta n ce  sp ectrometr y , ”    in   Pro ceedin g s o f the No rd ic symp o si u m on  ap p lied  sta t istics ,  1 9 8 3 ,  p p .  2 0 5 – 2 3 4 .   [10 ]   P.  Geladi ,   D.   Ma c Do u g all,  an d   H.  Mar ten s,  “Linea riz atio n   an d   scatter - c o rr ectio n   for  n ea r - in fr ared  ref le ctan c e  sp ectra   o f   m e at, ”   App lied  Sp ectro sc o p y ,  v o l.  3 9 ,  n o .  3 ,  p p .  4 9 1 – 5 0 0 ,  May 1 9 8 5 ,  d o i: 10 .1 3 6 6 /0 0 0 3 7 0 2 8 5 4 2 4 8 6 5 6 .   [11 ]   R.  J.   Ba rnes ,  M.   S.  Dh an o a,  an d   S .   J.   Liste r,   “Stan d a rd  n o rm al   v ar iate   trans for m atio n   an d   d e - trend in g   o f   n ear - in f rar ed   d iff u s e   ref lect an ce sp ectra ,”  App lied  Sp ectro sco p y ,  v o l.  4 3 ,  n o .  5 ,  p p .  7 7 2 – 7 7 7 ,  1 9 8 9 ,  d o i: 10 .1366 /0 0 0 3 7 0 2 8 9 4 2 0 2 2 0 1 .   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec   &  C omp E ng,  V ol.  15 , No .  1 ,  Febr uary   20 25 :   303 - 310   310   [12 ]   M.   Zeaite r,   J. - M.   Ro g er,   an d   V.  B ello n - Maurel,   “Ro b u stn ess   o f  m o d els  d ev elo p ed   b y   m u ltiv ariat e  calib rat io n .  Part   II :   The   in fluen ce  o f  p re - p rocess in g   m eth o d s,”  TrAC  Tren d s  in   Ana lytica l  Ch emistr y ,  v o l.  2 4 ,  n o .  5 ,  p p .  4 3 7 – 4 4 5 ,  May  2 0 0 5 ,    d o i: 10 .1016 /j.tr ac. 2 0 0 4 .1 1 .02 3 .   [13 ]   T.   F earn,   C.   Ricci o li,  A.   Ga rr id o - V aro,  an d   J.   E .  Gu err e ro - Gin el,   “On   th e  g eo m et ry  o f   SNV  an d   MSC,”   Ch emo metrics   a n d   Intellig en t Lab o ra t o ry S ystems ,  v o l.  9 6 ,  n o .  1 ,  p p .  2 2 – 2 6 ,  Ma r.  20 0 9 ,  d o i: 10 .10 1 6 /j.chemolab. 2 0 0 8 .11 .0 0 6 .   [14 ]   T.   Gen k awa   et  a l. ,   “Bas elin e  co rr e cti o n   o f  d iff u se  ref le ctio n   n ear - in fr a red   sp ectra   u sin g   sear ch in g   regio n   stan d ard  n o rm al  v ar iate  (SRSNV ), ”  App lied  Sp ectro sco p y ,  v o l.  6 9 ,  n o .  1 2 ,  p p .  1 4 3 2 – 1 4 4 1 ,  Dec.  2 0 1 5 ,  d o i: 10 .1366 /1 5 - 0 7 9 0 5 .   [15 ]   S.  Ab ati ,  C .  B ra m ati,  S .  Bo n d i,  A.   L iss o n i,  an d   M .   T ri m archi,   “ Oral   canc er  an d   p reca n cer :  A  n ar rative  review   o n   th e  relevan ce   o f   early  d iag n o sis ,”  Inter n a tio n a l  Jo u rn a l  o f  Envir o n men ta l  Resear ch   a n d   Pub lic  Hea lth ,  v o l.  1 7 ,  n o .  2 4 ,  Dec.  2 0 2 0 ,    d o i: 10 .3390 /ijerph17 2 4 9 1 6 0 .   [16 ]   B.  Yu ,  A.  Sh ah ,  V .  K.  Nag ar a jan ,  an d   D.  G.  Fer ris,  “Di ff u se  ref l ectance  s p ectrosco p y   o f  ep i th elial  tiss u e  with   a  smar t  fiber - o p tic  p rob e,”  Biomed ica l Optics  E xp res s ,  vo l.  5 ,  n o .  3 ,  Mar .  20 1 4 ,  d o i: 10 .1 3 6 4 / BOE.5.0 0 0 6 7 5 .   [17 ]   B.  S.  Id rees  et  a l. ,   “In - v itro  stu d y   o n   th e  id en tification   o f  g astro in testinal  stro m al  tu m o r  t iss u es  u sin g   laser - in d u ced  b reakd o w n   sp ectrosco p y  with ch em o m et ric  m eth o d s,”  Biomed ica l  Op tics Expr ess ,  v o l.  1 3 ,  n o .  1 ,  Jan .  2 0 2 2 ,  d o i: 10 .1364 /B OE. 4 4 2 4 8 9 .   [18 ]   S.  V .   Su ryak ala  an d   S.   Prince ,  “ Inv estig atio n   o f  g o o d n e ss   o f  m o d el  d ata   fi t  u sin g   PLSR   an d   PCR   regr ess io n   m o d els  to   d eter m in e   in form ativ e  wav el en g th   b an d   in   NIR  regio n   for  n o n - in v asiv e  b lo o d   g lu co se  p redictio n ,”  Op tica l  a n d   Qu a n tu m  Electro n ics ,    v o l.  5 1 ,  n o .  8 ,  Au g .  2 0 1 9 ,  d o i:  1 0 .100 7 /s1 1 0 8 2 - 0 1 9 - 1 9 8 5 - 7.   [19 ]   A.  S.   Hak a,  K.  E.   Sh afer - Peltie r,   M.   Fitzm au rice,  J.  C rowe,  R.   R.  D asar i,  an d   M.   S.  Fe ld ,   “Diagn o sin g   b reast  cancer  b y   u sin g   Raman  sp ect ros co p y ,”  Pro ceedin g s  o f  th e   Na tio n a l  Acad emy  o f   S cien ces ,  v o l.   1 0 2 ,  n o .  3 5 ,  p p .  1 2 3 7 1 – 1 2 3 7 6 ,  Au g .  2 0 0 5 ,    d o i: 10 .1073 /p n as.0 5 0 1 3 9 0 1 0 2 .   [20 ]   G.  R EI CH,   “N ear - in fr ared  sp ect ros co p y   an d   im ag in g :  b asic  p rincip les  an d   p h arm ac eu tical  ap p licatio n s,”  Adva n ced  Dru g   Deliver y  Reviews ,  v o l.  57 ,  n o .  8 ,  p p .  1 1 0 9 – 1 1 4 3 ,  Ju n .  2 0 0 5 ,  d o i:  1 0 .10 1 6 /j.add r. 2 0 0 5 .01 .02 0 .   [21 ]   Ju n   Hu an g ,  Saly   Ro m ero - Tor res,  a n d   Mojg an   Mos h g b ar,   “Practi cal  c o n sid eration s  in   d ata  p retr eat m en t  f o r  NIR  an d   Rama n   sp ectrosco p y ,”  Am erica n  P h a rma ceut ica l R eview ,  2 0 1 0 .   [22 ]   K.  H eil  an d   U.   Sc h m id h alter,   “An   e v alu atio n   o f  d iff er en t  NIR - sp ect ral   p re - tr eat m en ts  to   d e rive  th e  so il   p ara m eters  C   an d   N   o f  a   h u m u s - clay - rich s o il,”  S en so rs ,  v o l.  2 1 ,  n o .  4 ,  Feb .  2 0 2 1 ,  d o i: 10 .33 9 0 /s210 4 1 4 2 3 .   [23 ]   A. - H .  E m was  et  a l . ,  “Reco m m en d ed   strateg ies  for  sp ect ral  p rocess in g   an d   p o st - p rocess in g   o f  1 D  1 H - NMR  d ata   o f  b io fluid s  wit h   a particular  f o cu s  o n  urin e,”  Meta b o lo mics ,  v o l.  1 4 ,  n o .  3 ,  Mar .  2 0 1 8 ,  d o i: 10 .10 0 7 /s1 1 3 0 6 - 0 1 8 - 1 3 2 1 - 4.   [24 ]   G.  Li  an d   S.   Den g ,  “Qu an titativ e   an a ly sis   o f  n ear - in fr a r ed   sp ectrosco p y   u sin g   th e  BEST - 1 D Co n v Net  m o d el,”  Pro cess es ,  v o l.  1 2 ,   n o .  2 ,  Ja n .  2 0 2 4 ,  d o i: 10 .33 9 0 /p r120202 7 2 .   [25 ]   E.   B.  Silv a  et  a l. ,  “ A  regio n al  leg acy  so il  d ataset  for  p redictio n   o f  sand  an d   clay   co n ten t  with  VI S - NIR - SW IR,  i n   so u t h ern  Brazil,”  Revista  B ra sileir a   d e Ciên cia  do  So lo ,  v o l.  4 3 ,  2 0 1 9 ,  d o i : 10 .15 9 0 / 1 8 0 6 9 6 5 7 rbcs 2 0 1 8 0 1 74.       BIOGR AP HI ES OF  A UTH ORS         Wince nt  An to   Win   Sh ali ni           re ce iv ed   h er   B . E.   degr ee   in   e lectr oni cs   an d   com munica ti on   engi ne eri ng   fro m  Anna   Univ er sity,   Chenn ai   in   201 6 .   and   M.E   degr e e   in   com munica ti on   sys te ms   from   Anna   Univer sity ,   Chenna i   in   201 8 .   She   is   cur re ntl y   a   Ph.D.   student   at   SR M   Instit ute   of   Science   and   Technol ogy,   Chenn ai .   Her  rese ar ch  in t ere sts  include  opti c al   co mm un ic a ti on,   spe ct ros copy,   and  b io - p hotoni cs .   She  c an  be  con ta c te d   at   e ma i l:   aw2720@srmist.edu. in .         Th ulas i  Rajalak sh mi          is   cu rre ntl y   an   associ at e   profe ss or   in   the   Depa r tm en t   of   El e ct roni cs   and   Comm unicati on   Engi ne eri ng,   Fa cul ty   of   Engi ne e ring   and   T ec hno logy,   at   th e   Katt anku la thur   Cam pus   of   SR M Insti tute  of  Sci e nce   and   Technol ogy  (form erl y   k nown a s SR M   Univer sity).   He r  rese arc h   int er e sts  include   m edica l   i ma ge   pro ces sing,   bio   signa l   proc essing,   biosensors,   and   biom edica l   instr ume nt at ion .   She   has  guide d  sev e ral   postgradu ate  proje c ts  and  is  cur r ent ly   supe rvising  Ph.D.   st udent s.   She  h as  patent   gra n ts.   She  has  al so  r ecei ved   proj ec t   funding  fro m  S RMIS T  for  th e   dev el opm ent  o f  an   au tom a te d   audi o meter .   She  h as  a lso  cont ributed  ch ap te rs  to  seve r al   b ooks  and  publi shed  num ero us  pa per s  in  interna t io nal   journ al s.   She  ca n   be   con tacte d   via email  at  rajala k t@srmi st . edu.in.         Selvanayagam  Vas anth a dev  Su ryak ala           serv es  as  a  d edi c ated   assistant  profe s so r   in  the  Depa rtme nt  of   El e ct roni cs   and   Co mm uni c at ion   Eng ineeri n g  a t   SR M  Instit u te  of   Scie n ce   and  Technol ogy ,   at   the   Ka tt ank ula thur  C am pus.   Her  rese arc h   i nte rests  en com p ass  a  wide   spec trum   of   topics,  including  image  proc essing,   diffuse   ref l ecta n ce   spec troscopy,  and  optica l   com mun i cation. She  has  guide d  nume rous  postgr adua t e  student s .   She  has  publi she d  nume rous   pape rs i n   in te rna ti onal j ourn al s.   She  ca n   be   con tacte d   via email  at  suryaka s@ srmi st . edu.in.     Evaluation Warning : The document was created with Spire.PDF for Python.