刘双全课题组针对多核素和低计数谱的情况提出了一种新的放射性核素鉴定方法。与现有的神经网络识别方法相比，课题组提出了一种基于先验能量信息的特征增强器来提高混合核素的识别精度。设计了一维卷积神经网络来对应用于特征增强器的核素进行分类。受能接触到的放射源的限制，本次研究的核素数据库包含8种核素，包括7种工业和医学上常用的核素(133Ba、137Cs、57Co、241Am、22Na、99mTc、60Co)和1种用作特殊核材料的核素(235U)。通过识别混合核素如60Co和其他核素混合的谱，即使在低能区存在散射干扰，该方法仍能准确识别核素。该方法已在实际应用中得到验证，并已部署在便携式放射性核素识别设备中。相关成果发表在Applied Radiation and Isotopes上。 

　　论文链接：Chunmiao Li, Shuangquan Liu*, Chao Wang, Xiaopan Jiang, Xiaoli Sun, Mohan Li and Long Wei*. A new radionuclide identification method for low-count energy spectra with multiple radionuclides. Applied Radiation and Isotopes. 2022, 185:110219 

　　图1. 多重核素识别的准确性 

图2. 误差情况下的组成分布。“Mo”是在所有错误案例中只丢失一种核素的病例的比例。“EO”是发现一种额外核素的比例。“E&M”是指在缺少适当的核素时发现的额外核素的比例。

“Others”指其他错误案例的比例，包括只缺少一个以上适当的适当核素或发现超过额外的核素的情况。