Statistics-sensitive Non-linear Iterative Peak-clipping

Statistics-sensitive Non-linear Iterative Peak-clipping, kurz SNIP, ist ein iterativer Algorithmus zur Basislinienkorrektur.^[1] Er wurde ursprünglich für das PIXE-Verfahren in den Geowissenschaften entwickelt.^[2] Es ist jedoch universeller einsetzbar etwa in der Raman-Spektroskopie^[3] oder MALDI-TOF-basierten Massenspektrometrie.^[4] Grundsätzlich dient er dem Entfernen von Untergrundrauschen.^[5] Oft wird zur Ermittlung der Basislinie eine Glättung vorgenommen. Die eigentliche Subtraktion der Basislinie erfolgt dann ohne Glättung.^[6]

Einzelnachweise

↑ Susmita Datta, Bart J. A. Mertens: Statistical Analysis of Proteomics, Metabolomics, and Lipidomics Data Using Mass Spectrometry. Springer, 2016, ISBN 978-3-319-45809-0, S. 104.
↑ C. G. Ryan, E. Clayton, W. L. Griffin, S. H. Sie, D. R. Cousens: SNIP, a statistics-sensitive background treatment for the quantitative analysis of PIXE spectra in geoscience applications. In: Nuclear Instruments and Methods in Physics Research B. Band 34, 1988, ISSN 0168-583X, S. 396–402, doi:10.1016/0168-583X(88)90063-8.
↑ Oleg Ryabchykov, Shuxia Guo, Thomas Bocklitz: Analyzing Raman spectroscopic data. In: Physical Sciences Reviews. Band 4, Nr. 2, 2019, ISSN 2365-659X, doi:10.1515/psr-2017-0043.
↑ Susmita Datta, Bart J. A. Mertens: Statistical Analysis of Proteomics, Metabolomics, and Lipidomics Data Using Mass Spectrometry. Springer, 2016, ISBN 978-3-319-45809-0, Mass Spectrometry Analysis Using MALDIquant, S. 104, doi:10.1007/978-3-319-45809-0_6 (arxiv.org [PDF]).
↑ Claudia Angelini, Paola MV Rancoita, Stefano Rovetta: Computational Intelligence Methods for Bioinformatics and Biostatistics: 12th International Meeting, CIBB 2015, Naples, Italy, September 10-12, 2015, Revised Selected Papers. Springer, 2016, ISBN 978-3-319-44332-4, S. 157.
↑ Jürgen Popp, Thomas Mayerhöfer: Micro-Raman Spectroscopy: Theory and Application. Walter de Gruyter & Co KG, 2020, ISBN 978-3-11-051531-2, S. 89.

[1] Susmita Datta, Bart J. A. Mertens: Statistical Analysis of Proteomics, Metabolomics, and Lipidomics Data Using Mass Spectrometry. Springer, 2016, ISBN 978-3-319-45809-0, S. 104.

[2] C. G. Ryan, E. Clayton, W. L. Griffin, S. H. Sie, D. R. Cousens: SNIP, a statistics-sensitive background treatment for the quantitative analysis of PIXE spectra in geoscience applications. In: Nuclear Instruments and Methods in Physics Research B. Band 34, 1988, ISSN 0168-583X, S. 396–402, doi:10.1016/0168-583X(88)90063-8.

[3] Oleg Ryabchykov, Shuxia Guo, Thomas Bocklitz: Analyzing Raman spectroscopic data. In: Physical Sciences Reviews. Band 4, Nr. 2, 2019, ISSN 2365-659X, doi:10.1515/psr-2017-0043.

[4] Susmita Datta, Bart J. A. Mertens: Statistical Analysis of Proteomics, Metabolomics, and Lipidomics Data Using Mass Spectrometry. Springer, 2016, ISBN 978-3-319-45809-0, Mass Spectrometry Analysis Using MALDIquant, S. 104, doi:10.1007/978-3-319-45809-0_6 (arxiv.org [PDF]).

[5] Claudia Angelini, Paola MV Rancoita, Stefano Rovetta: Computational Intelligence Methods for Bioinformatics and Biostatistics: 12th International Meeting, CIBB 2015, Naples, Italy, September 10-12, 2015, Revised Selected Papers. Springer, 2016, ISBN 978-3-319-44332-4, S. 157.

[6] Jürgen Popp, Thomas Mayerhöfer: Micro-Raman Spectroscopy: Theory and Application. Walter de Gruyter & Co KG, 2020, ISBN 978-3-11-051531-2, S. 89.

[1]

[2]

[3]

[4]

[5]

[6]