CN110676150A - 质谱仪自适应校正方法及装置 - Google Patents

Abstract

本发明公开了一种质谱仪自适应校正方法及装置，方法包括：获取质谱仪工作环境的环境参数数据、质谱仪输出的质谱图、质谱仪的开机工作阶段和稳定工作阶段的数据；分析环境参数数据确定出关键影响因素参数数据，根据关键影响因素参数数据和质谱仪输出的质谱图建立初步质量轴偏移校正模型；通过优化算法对开机工作阶段和稳定工作阶段数据进行分析生成初步质量轴偏移校正模型对应的目标优化算法；通过目标优化算法对初步质量轴偏移校正模型进行优化生成目标质量轴偏移校正模型，通过目标质量轴偏移校正模型校正质谱仪输出的质谱图。该方法提高了质谱仪的环境适应性与仪器鲁棒性，实现质谱图的高质量精确度，为现场快速分析等应用提供稳定工作平台。

Description

质谱仪自适应校正方法及装置

技术领域

本发明涉及现场快速分析技术领域，特别涉及一种质谱仪自适应校正方法及装置。

背景技术

在小型质谱仪的实际应用过程中，测试环境多为非严格控制温、湿度等环境参量的野外，这些参量的变化会对质谱仪中射频系统、电控系统、供电系统等的输出信号产生一定的影响，这些关键信号的非受控的变化会使得在质谱仪中的离子的运动受到干扰，导致离子被扫出质量分析器时的时间发生变化，而最终所得的质谱图中的质量轴信息是与扫出时刻相关的。对于给定质量轴校准函数，在已经确定初始校准函数后，当条件改变时，会对计算出的所述离子的质荷比的准确性产生不利影响，使得仪器最终输出的谱图中谱峰的位置发生偏移。

同时为了节约便携式小型质谱仪等含有电池供电系统的小型质谱仪的电量，在工作与非工作状态间需要对其进行开关机操作，但在仪器开机半小时内其内部温度会急剧变化，有十度以上的升高，在该阶段测得的谱图会受到明显的影响。

在过去的使用过程中已经采用一些方法来使得这些影响最小化。比较常用的方法是在仪器工作状态稳定后，推翻初始校准函数，再次进行质量轴校正工作，并认为后续测试过程中质量轴不再发生偏移。但这种方式可靠性有限，一方面在后续仪器的使用过程中环境因素也会发生变化，影响仪器的工作状态，另一方面再次校正质量轴的过程会消耗一定的时间，对于电池供电的系统而言会使得其有效工作时间减少。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种质谱仪自适应校正方法，该方法提高了质谱仪的环境适应性与仪器鲁棒性，实现质谱图的高质量精确度，为现场快速分析等应用提供稳定的工作平台。

本发明的另一个目的在于提出一种质谱仪自适应校正装置。

为达到上述目的，本发明一方面实施例提出了一种质谱仪自适应校正方法，包括：

S1，获取质谱仪所在工作环境的环境参数数据、所述质谱仪输出的质谱图、所述质谱仪的开机工作阶段数据、所述质谱仪的稳定工作阶段数据；

S2，对所述环境参数数据进行分析确定关键影响因素参数数据，根据所述关键影响因素参数数据和所述质谱仪输出的质谱图建立初步质量轴偏移校正模型；

S3，通过多种优化算法对所述开机工作阶段数据和所述稳定工作阶段数据进行分析生成所述初步质量轴偏移校正模型对应的目标优化算法；

S4，通过所述目标优化算法对所述初步质量轴偏移校正模型进行优化生成目标质量轴偏移校正模型，并通过所述目标质量轴偏移校正模型对所述质谱仪输出的质谱图进行校正。

本发明实施例的质谱仪自适应校正方法，基于机器学习的原理，通过相应传感器读取小型质谱仪所处环境中的各项环境参量，并通过利用机器学习的方式训练出的校正模型预测在不同环境中谱峰的偏移情况，从而能够实时校正谱峰的位置，保证仪器在各种环境中工作的稳定性。

另外，根据本发明上述实施例的质谱仪自适应校正方法还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，在S4之后，还包括：

对校正后的质谱图进行分析生成校正误差；

判断所述校正误差是否大于预设阈值，若大于所述预设阈值，则调整所述目标质量轴偏移校正模型的参数以优化所述目标质量轴偏移校正模型。

进一步地，在本发明的一个实施例中，所述对所述环境参数数据进行分析确定关键影响因素参数数据，进一步包括：

对所述环境参数数据进行机理分析和实验验证确定影响所述质谱仪工作状态的潜在影响因素参数数据；

通过GBDT特征重要性分析、皮尔森相关系数在所述潜在影响因素参数数据中确定出所述关键影响因素参数数据。

进一步地，在本发明的一个实施例中，所述S3进一步包括：

通过ANN、SVN、KNN、GBDT算法分别对所述开机工作阶段数据和所述稳定工作阶段数据进行分析生成所述多个优化算法对应的分析结果；

通过比较均方误差和最大误差对所述多个优化算法对应的分析结果进行分析，生成所述质谱仪开机阶段对应的优化算法和所述质谱仪稳定工作阶段对应的优化算法，其中，所述质谱仪开机阶段对应的优化算法为KNN算法，所述质谱仪稳定工作阶段对应的优化算法为GBDT算法。

进一步地，在本发明的一个实施例中，所述S4进一步包括：

通过所述质谱仪开机阶段对应的优化算法和所述质谱仪稳定工作阶段对应的优化算法分别对所述初步质量轴偏移校正模型进行优化，生成所述质谱仪开机阶段对应的目标质量轴偏移校正模型和所述质谱仪稳定工作阶段对应的目标质量轴偏移校正模型；

通过所述质谱仪开机阶段对应的目标质量轴偏移校正模型对所述质谱仪开机阶段输出的质谱图进行校正；

通过所述质谱仪稳定工作阶段对应的目标质量轴偏移校正模型对所述质谱仪稳定工作阶段输出的质谱图进行校正。

为达到上述目的，本发明另一方面实施例提出了一种质谱仪自适应校正装置，包括：

获取模块，用于获取质谱仪工作环境的环境参数数据、所述质谱仪输出的质谱图、所述质谱仪的开机工作阶段数据、所述质谱仪的稳定工作阶段数据；

建模模块，用于对所述环境参数数据进行分析确定关键影响因素参数数据，根据所述关键影响因素参数数据和所述质谱仪输出的质谱图建立初步质量轴偏移校正模型；

生成模块，用于通过多种优化算法对所述开机工作阶段数据和所述稳定工作阶段数据进行分析生成所述初步质量轴偏移校正模型对应的目标优化算法；

优化校正模块，用于通过所述目标优化算法对所述初步质量轴偏移校正模型进行优化生成目标质量轴偏移校正模型，并通过所述目标质量轴偏移校正模型对所述质谱仪输出的质谱图进行校正。

本发明实施例的质谱仪自适应校正装置，基于机器学习的原理，通过相应传感器读取小型质谱仪所处环境中的各项环境参量，并通过利用机器学习的方式训练出的校正模型预测在不同环境中谱峰的偏移情况，从而能够实时校正谱峰的位置，保证仪器在各种环境中工作的稳定性。

另外，根据本发明上述实施例的质谱仪自适应校正装置还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，还包括：分析模块、判断模块和调整模块；

所述分析模块，用于对校正后的质谱图进行分析生成校正误差；

所述判断模块，用于判断所述校正误差是否大于预设阈值，

所述调整模块，用于所述校正误差大于所述预设阈值时，调整所述目标质量轴偏移校正模型的参数以优化所述目标质量轴偏移校正模型。

进一步地，在本发明的一个实施例中，所述对所述环境参数数据进行分析确定关键影响因素参数数据，进一步包括：

对所述环境参数数据进行机理分析和实验验证确定影响所述质谱仪工作状态的潜在影响因素参数数据；

通过GBDT特征重要性分析、皮尔森相关系数在所述潜在影响因素参数数据中确定出所述关键影响因素参数数据。

进一步地，在本发明的一个实施例中，所述生成模块，具体用于，

通过ANN、SVN、KNN、GBDT算法分别对所述开机工作阶段数据和所述稳定工作阶段数据进行分析生成所述多个优化算法对应的分析结果；

通过比较均方误差和最大误差对所述多个优化算法对应的分析结果进行分析生成所述质谱仪开机阶段对应的优化算法和所述质谱仪稳定工作阶段对应的优化算法，其中，所述质谱仪开机阶段对应的优化算法为KNN算法，所述质谱仪稳定工作阶段对应的优化算法为GBDT算法。

进一步地，在本发明的一个实施例中，所述优化校正模块，具体用于，

通过所述质谱仪开机阶段对应的优化算法和所述质谱仪稳定工作阶段对应的优化算法分别对所述初步质量轴偏移校正模型进行优化，生成所述质谱仪开机阶段对应的目标质量轴偏移校正模型和所述质谱仪稳定工作阶段对应的目标质量轴偏移校正模型；

通过所述质谱仪开机阶段对应的目标质量轴偏移校正模型对所述质谱仪开机阶段输出的质谱图进行校正；

通过所述质谱仪稳定工作阶段对应的目标质量轴偏移校正模型对所述质谱仪稳定工作阶段输出的质谱图进行校正。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明一个实施例的质谱仪自适应校正方法流程图；

图2为根据本发明一个实施例的使用的质谱仪的结构示意图；

图3为根据本发明一个实施例的质谱仪自适应校正方法分析过程图；

图4为根据本发明一个实施例的算法流程图；

图5为根据本发明一个实施例的质谱仪开机后温度随时间的变化图像；

图6为根据本发明一个实施例的在质谱图不进行校正的情况下，开机后5分钟与25分钟输出的质谱图；

图7为根据本发明一个实施例的对300根分布在不同工作环境、不同质荷比的谱峰进行质量轴偏移校正前后质量轴偏移情况对比图；

图8为根据本发明一个实施例的质谱仪自适应校正装置结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参照附图描述根据本发明实施例提出的质谱仪自适应校正方法及装置。

首先将参照附图描述根据本发明实施例提出的质谱仪自适应校正方法。

图1为根据本发明一个实施例的质谱仪自适应校正方法流程图。

如图1所示，该质谱仪自适应校正方法包括以下步骤：

步骤S1，获取质谱仪所在工作环境的环境参数数据、质谱仪输出的质谱图、质谱仪的开机工作阶段数据、质谱仪的稳定工作阶段数据。

如图2所示，为本方法使用的质谱仪的结构图，包括用于监测环境参数的传感器模块，发送环境参数的微控制器，上位机及质谱仪常规部件。

其中，传感器模块，用于实时读取仪器工作的外部环境的各项参数。微控制器模块，用于接收上位机传输的各项指令并控制相应传感器进行工作，同时将传感器采集到的数据传输到上位机中进行处理。质谱仪，包括但不限于线性离子阱系统，其用于分析待测物质的质荷比等信息，并将其所得谱图、开机时间等信息传输到上位机中用于分析与校正。上位机模块，用于处理微型控制器、质谱仪传输的数据，并根据需求对各个子模块进行相应控制。

小型质谱仪使用方便，适用于多种环境，但环境变化也会影响质谱仪的工作性能，即质谱仪输出的谱图质量轴的准确性(谱峰位置的偏移情况)，由于离子的扫出时间点的变化依赖于各项环境参数的稳定，所以其易受到环境参量漂移影响。环境参数改变会导致机械和电子部件的工作受到影响，使得施加到质谱仪中运动的离子上的电场力等发生改变，并影响不同质荷比的离子被扫出质量分析器的时刻，从而使得最终的谱图中谱峰位置发生变化。

因此，需要考虑环境参数对质谱仪输出谱图的影响，通过实时监控质谱仪工作环境的各项参数的变化情况，并分析其对最终质谱图中谱峰位置偏移情况的影响，即可通过机器学习的方式对谱峰偏移情况进行预测，从而能够实现对质量轴的偏移进行自适应校正。

首先通过质谱仪中设置的多个传感器采集环境参数数据，再获取质谱仪输出的质谱图，质谱图数据实质上是不同质荷比的离子扫出时间的数据，不同扫出位置的离子受到环境参数变化的影响不同，所以需要针对小型质谱仪不同质荷比的质量轴偏移情况进行校正，最后在质谱仪开机工作后，获取质谱仪的开机工作阶段数据、质谱仪的稳定工作阶段数据。

进一步地，根据环境参数数据确定使用的传感器精度，进行合适的选型，将多个传感器测的参数通过微型控制器进行采集并传输到上位机中，同时将小型质谱仪测得的谱图与开机时间信息传输到上位机中，还可以调节得到的谱图中谱峰的峰强与峰形，便于后续寻找与识别谱峰。

需要说明的是，在质谱仪刚开机的一段时间内，温度变化幅度较大，在稳定工作阶段温度变化幅度小，因此，在获取质谱仪的工作数据时，分别采集质谱仪开机工作阶段的数据和质谱仪的稳定工作阶段数据，其中，质谱仪开机工作阶段的数据和质谱仪的稳定工作阶段数据包括质谱图，在质谱图数据中包含一根峰或多根峰。

进一步地，在采集质谱仪的工作数据时，质谱仪所测的样品为包含分布在不同质量范围内的前体离子，便于对不同质荷比的离子进行数据拟合，但后续所测样品种类任意。

步骤S2，对环境参数数据进行分析确定关键影响因素参数数据，根据关键影响因素参数数据和质谱仪输出的质谱图建立初步质量轴偏移校正模型。

进一步地，在本发明的一个实施例中，对环境参数数据进行分析生成关键影响因素参数数据，进一步包括：

对环境参数数据进行机理分析和实验验证确定影响质谱仪工作状态的潜在影响因素参数数据；

通过GBDT特征重要性分析、皮尔森相关系数在潜在影响因素参数数据中确定出关键影响因素参数数据。

具体地，如图3所示，评估环境参量变化对仪器最终工作状态的影响，通过GBDT特征重要性分析、皮尔森相关系数等判别依据分析确定关键影响因素，根据关键影响因素及质谱仪输出的未校正的谱图建立初步质量轴偏移校正模型，并通过后续对模型的优化确定最终使用的模型。

如图4所示，通过机理分析及实验验证确定出潜在影响因素数据，通过GBDT特征重要性分析、皮尔森相关系数等方法确定出关键影响因素数据。

可以理解的是，在建立初步质量轴偏移校正模型时，根据环境参数数据所占的权重进行建模。通过上述过程确定的关键影响因素数据在建模中所占权重大于其它的环境参数数据。

进一步地，在随后实验中还可以根据实际情况增加关键影响因素，以及调整质谱仪中使用的传感器的类型与具体型号。

步骤S3，通过多种优化算法对开机工作阶段数据和稳定工作阶段数据进行分析生成初步质量轴偏移校正模型对应的目标优化算法。

进一步地，在本发明的一个实施例中，S3进一步包括：

通过ANN、SVN、KNN、GBDT算法分别对开机工作阶段数据和稳定工作阶段数据进行分析生成多个优化算法对应的分析结果；

通过比较均方误差和最大误差对多个优化算法对应的分析结果进行分析生成质谱仪开机阶段对应的优化算法和质谱仪稳定工作阶段对应的优化算法，其中，质谱仪开机阶段对应的优化算法为KNN算法，质谱仪稳定工作阶段对应的优化算法为GBDT算法。

进一步地，在建立初步质量轴偏移校正模型后，需要对初步质量轴偏移校正模型进行优化，以使模型更符合实际需求。

通过校正模型对质谱仪输出的质谱图进行校正，由于质谱仪在开机工作阶段和稳定工作阶段输出的数据具有较大的差异性，因此，校正模型也存在差异，通过不同的算法去优化初步质量轴偏移校正模型，生成针对质谱仪不同工作阶段的校正模型。

进一步地，对采集到的开机工作阶段数据和稳定工作阶段数据进行筛选，去除其中重复、无效、错误的数据，基于机器学习的原理，利用ANN、SVN、KNN、GBDT等算法分别对筛选后的数据进行分析，在多种算法中确定出优化初步质量轴偏移校正模型对应的目标优化算法。

可以理解的是，每一种算法优化初步质量轴偏移校正模型的效果是不同的，通过比较均方误差、最大误差、R²系数等来确定出哪种算法优化效果最好，通过实验分析，得到了质谱仪开机阶段对应的优化算法和质谱仪稳定工作阶段对应的优化算法，其中，质谱仪开机阶段对应的优化算法为KNN算法，KNN算法用于温度变化剧烈的开机阶段，质谱仪稳定工作阶段对应的优化算法为GBDT算法，GBDT算法用于仪器稳定工作阶段。而在后续实验数据进一步丰富的基础上，可考虑采用集成算法进行进一步优化。

步骤S4，通过目标优化算法对初步质量轴偏移校正模型进行优化生成目标质量轴偏移校正模型，并通过目标质量轴偏移校正模型对质谱仪输出的质谱图进行校正。

具体地，可以将质谱仪输出的一个或多个连续的数据组输入目标质量轴偏移校正模型进行校正。

进一步地，对同一质荷比的谱峰进行数据拟合与不同质荷比的谱峰进行数据拟合。

进一步地，在本发明的一个实施例中，S4进一步包括：

通过质谱仪开机阶段对应的优化算法和质谱仪稳定工作阶段对应的优化算法分别对初步质量轴偏移校正模型进行优化，生成质谱仪开机阶段对应的目标质量轴偏移校正模型和质谱仪稳定工作阶段对应的目标质量轴偏移校正模型；

通过质谱仪开机阶段对应的目标质量轴偏移校正模型对质谱仪开机阶段输出的质谱图进行校正；

通过质谱仪稳定工作阶段对应的目标质量轴偏移校正模型对质谱仪稳定工作阶段输出的质谱图进行校正。

具体地，通过步骤S3得到了质谱仪工作的不同阶段对应的优化算法，通过对应的优化算法对初步质量轴偏移校正模型进行优化，得到质谱仪开机阶段对应的目标质量轴偏移校正模型和质谱仪稳定工作阶段对应的目标质量轴偏移校正模型。针对质谱仪不同工作阶段输出的质谱图选择不同的模型对质谱图进行优化，以便针对小型质谱仪的工作环境改变情况校正质谱仪数据。

进一步地，在本发明的一个实施例中，在S4之后，还包括：

对校正后的质谱图进行分析生成校正误差；

判断校正误差是否大于预设阈值，若大于预设阈值，则调整目标质量轴偏移校正模型的参数以优化目标质量轴偏移校正模型。

具体地，通过目标质量轴偏移校正模型校正后的质谱图可能仍存在谱峰偏移的情况，对校正后的质谱图进行分析生成校正误差，在校正误差大于预先设定的预设阈值时，再调整目标质量轴偏移校正模型的参数，可以通过多次迭代优化目标质量轴偏移校正模型，使目标质量轴偏移校正模型具有更好的校正效果。

可以理解的是，本发明实施例的方法针对小型质谱仪工作环境的变化情况以及开机后的不同时间点等确定影响仪器工作状态的因素，并进行相应的模型建立与应用，从而能够校正最终输出谱图中的质量轴偏移量，还可提供软件来实行该方法，能够对小型质谱仪工作环境进行监控并实时校正仪器输出谱图中谱峰位置的自适应校正方法。

该方法在得到小型质谱仪工作环境中的各项参数的基础上，分析潜在的影响因素以及关键影响因素，并利用机器学习的方式建立、优化模型，从而能够校正小型质谱仪输出谱图中质量轴偏移的情况，扩大了小型质谱仪的适用范围，提高了鲁棒性，为现场快速分析等应用提供稳定的工作平台。

如图5所示，小型质谱仪中几个关键电信号的产生部位的温度会随着开机时间的变化发生急剧改变，通过机理分析认为温度的影响对系统整体的影响较大，温度的变化一方面会使得小型质谱仪中机械部分发生一定的微形变，另一方面会使得各种电子元件受温漂影响输出电信号发生微量变化，最终会使得施加到进入小型质谱仪中运动的离子的电信号发生变化，从而使得不同质荷比的离子被扫出质量分析器的时刻发生变化，最终导致质谱仪输出的谱图中谱峰位置发生变化。

如图6所示，展示了不进行质量轴偏移校正，开机后5分钟谱图(图6(a))、25分钟谱图(图6(b))，在不进行质谱仪自适应校正的情况下，以小型质谱仪开机后5分钟的谱峰位置为准，再经过20分钟，即开机25分钟后质谱仪输出的谱图中各个谱峰的位置均发生了一定的变化，且变化情况不一致。同时随天气状况、海拔高度等的变化，气压、湿度等环境参数也会发生相应的变化，从而会对仪器的工作状态产生影响，使得最终得到的谱峰位置有偏移。所以需要在大量数据的基础上，利用机器学习的方式分别对不同工作环境下不同质荷比的离子的谱峰偏移情况进行分析与校正。

如图7所示，在通过构建的目标质量轴偏移校正模型对300根在不同环境条件下测得的不同质荷比的谱峰进行质量轴偏移校正，可由校正前后的直方图的分布情况看出，校正后的谱峰的分布在消除了系统整体误差的基础上分布也更为集中，说明本发明能够实现小型质谱仪的自适应校正功能，对各种类型的小型质谱仪的工作状态进行校正，保证其输出谱图中质量轴偏移状况较小。在后续数据丰富度与数据量增加的基础上，可对目标质量轴偏移校正模型进行进一步优化，使得小型质谱仪输出谱图中谱峰位置准确度更高。

根据本发明实施例提出的质谱仪自适应校正方法，基于机器学习的原理，通过相应传感器读取小型质谱仪所处环境中的各项环境参量，并通过利用机器学习的方式训练出的校正模型预测在不同环境中谱峰的偏移情况，从而能够实时校正谱峰的位置，保证仪器在各种环境中工作的稳定性。

其次参照附图描述根据本发明实施例提出的质谱仪自适应校正装置。

图8为根据本发明一个实施例的质谱仪自适应校正装置结构示意图。

如图8所示，该质谱仪自适应校正装置包括：获取模块100、建模模块200、生成模块300和优化校正模块400。

获取模块100，用于获取质谱仪工作环境的环境参数数据、质谱仪输出的质谱图、质谱仪的开机工作阶段数据、质谱仪的稳定工作阶段数据。

建模模块200，用于对环境参数数据进行分析确定关键影响因素参数数据，根据关键影响因素参数数据和质谱仪输出的质谱图建立初步质量轴偏移校正模型。

生成模块300，用于通过多种优化算法对开机工作阶段数据和稳定工作阶段数据进行分析生成初步质量轴偏移校正模型对应的目标优化算法。

优化校正模块400，用于通过目标优化算法对初步质量轴偏移校正模型进行优化生成目标质量轴偏移校正模型，并通过目标质量轴偏移校正模型对质谱仪输出的质谱图进行校正。

进一步地，在本发明的一个实施例中，还包括：分析模块、判断模块和调整模块；

分析模块，用于对校正后的质谱图进行分析生成校正误差；

判断模块，用于判断校正误差是否大于预设阈值，

调整模块，用于校正误差大于预设阈值时，调整目标质量轴偏移校正模型的参数以优化目标质量轴偏移校正模型。

进一步地，在本发明的一个实施例中，对所述环境参数数据进行分析确定关键影响因素参数数据，进一步包括：

对环境参数数据进行机理分析和实验验证确定影响质谱仪工作状态的潜在影响因素参数数据；

通过GBDT特征重要性分析、皮尔森相关系数在潜在影响因素参数数据中确定出关键影响因素参数数据。

进一步地，在本发明的一个实施例中，生成模块，具体用于，

通过ANN、SVN、KNN、GBDT算法分别对开机工作阶段数据和稳定工作阶段数据进行分析生成多个优化算法对应的分析结果；

通过比较均方误差和最大误差对多个优化算法对应的分析结果进行分析生成质谱仪开机阶段对应的优化算法和质谱仪稳定工作阶段对应的优化算法，其中，质谱仪开机阶段对应的优化算法为KNN算法，质谱仪稳定工作阶段对应的优化算法为GBDT算法。

进一步地，在本发明的一个实施例中，优化校正模块，具体用于，

通过质谱仪开机阶段对应的优化算法和质谱仪稳定工作阶段对应的优化算法分别对初步质量轴偏移校正模型进行优化，生成质谱仪开机阶段对应的目标质量轴偏移校正模型和质谱仪稳定工作阶段对应的目标质量轴偏移校正模型；

通过质谱仪开机阶段对应的目标质量轴偏移校正模型对质谱仪开机阶段输出的质谱图进行校正；

通过质谱仪稳定工作阶段对应的目标质量轴偏移校正模型对质谱仪稳定工作阶段输出的质谱图进行校正。

需要说明的是，前述对质谱仪自适应校正方法实施例的解释说明也适用于该实施例的装置，此处不再赘述。

根据本发明实施例提出的质谱仪自适应校正装置，基于机器学习的原理，通过相应传感器读取小型质谱仪所处环境中的各项环境参量，并通过利用机器学习的方式训练出的校正模型预测在不同环境中谱峰的偏移情况，从而能够实时校正谱峰的位置，保证仪器在各种环境中工作的稳定性。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种质谱仪自适应校正方法，其特征在于，包括以下步骤：

S1，获取质谱仪所在工作环境的环境参数数据、所述质谱仪输出的质谱图、所述质谱仪的开机工作阶段数据、所述质谱仪的稳定工作阶段数据；

S2，对所述环境参数数据进行分析确定关键影响因素参数数据，根据所述关键影响因素参数数据和所述质谱仪输出的质谱图建立初步质量轴偏移校正模型；

S3，通过多种优化算法对所述开机工作阶段数据和所述稳定工作阶段数据进行分析生成所述初步质量轴偏移校正模型对应的目标优化算法；

S4，通过所述目标优化算法对所述初步质量轴偏移校正模型进行优化生成目标质量轴偏移校正模型，并通过所述目标质量轴偏移校正模型对所述质谱仪输出的质谱图进行校正。

2.根据权利要求1所述的方法，其特征在于，在S4之后，还包括：

对校正后的质谱图进行分析，生成校正误差；

判断所述校正误差是否大于预设阈值，若大于所述预设阈值，则调整所述目标质量轴偏移校正模型的参数以优化所述目标质量轴偏移校正模型。

3.根据权利要求1所述的方法，其特征在于，所述对所述环境参数数据进行分析确定关键影响因素参数数据，进一步包括：

对所述环境参数数据进行机理分析和实验验证确定影响所述质谱仪工作状态的潜在影响因素参数数据；

通过GBDT特征重要性分析、皮尔森相关系数在所述潜在影响因素参数数据中确定出所述关键影响因素参数数据。

4.根据权利要求1所述的方法，其特征在于，所述S3进一步包括：

通过ANN、SVN、KNN、GBDT算法分别对所述开机工作阶段数据和所述稳定工作阶段数据进行分析生成所述多个优化算法对应的分析结果；

通过比较均方误差和最大误差对所述多个优化算法对应的分析结果进行分析，生成所述质谱仪开机阶段对应的优化算法和所述质谱仪稳定工作阶段对应的优化算法，其中，所述质谱仪开机阶段对应的优化算法为KNN算法，所述质谱仪稳定工作阶段对应的优化算法为GBDT算法。

5.根据权利要求4所述的方法，其特征在于，所述S4进一步包括：

通过所述质谱仪开机阶段对应的优化算法和所述质谱仪稳定工作阶段对应的优化算法分别对所述初步质量轴偏移校正模型进行优化，生成所述质谱仪开机阶段对应的目标质量轴偏移校正模型和所述质谱仪稳定工作阶段对应的目标质量轴偏移校正模型；

通过所述质谱仪开机阶段对应的目标质量轴偏移校正模型对所述质谱仪开机阶段输出的质谱图进行校正；

通过所述质谱仪稳定工作阶段对应的目标质量轴偏移校正模型对所述质谱仪稳定工作阶段输出的质谱图进行校正。

6.一种质谱仪自适应校正装置，其特征在于，包括：

获取模块，用于获取质谱仪工作环境的环境参数数据、所述质谱仪输出的质谱图、所述质谱仪的开机工作阶段数据、所述质谱仪的稳定工作阶段数据；

建模模块，用于对所述环境参数数据进行分析确定关键影响因素参数数据，根据所述关键影响因素参数数据和所述质谱仪输出的质谱图建立初步质量轴偏移校正模型；

生成模块，用于通过多种优化算法对所述开机工作阶段数据和所述稳定工作阶段数据进行分析生成所述初步质量轴偏移校正模型对应的目标优化算法；

优化校正模块，用于通过所述目标优化算法对所述初步质量轴偏移校正模型进行优化生成目标质量轴偏移校正模型，并通过所述目标质量轴偏移校正模型对所述质谱仪输出的质谱图进行校正。

7.根据权利要求6所述的装置，其特征在于，还包括：分析模块、判断模块和调整模块；

所述分析模块，用于对校正后的质谱图进行分析生成校正误差；

所述判断模块，用于判断所述校正误差是否大于预设阈值，

所述调整模块，用于所述校正误差大于所述预设阈值时，调整所述目标质量轴偏移校正模型的参数以优化所述目标质量轴偏移校正模型。

8.根据权利要求6所述的装置，其特征在于，所述对所述环境参数数据进行分析确定关键影响因素参数数据，进一步包括：

对所述环境参数数据进行机理分析和实验验证确定影响所述质谱仪工作状态的潜在影响因素参数数据；

通过GBDT特征重要性分析、皮尔森相关系数在所述潜在影响因素参数数据中确定出所述关键影响因素参数数据。

9.根据权利要求6所述的装置，其特征在于，所述生成模块，具体用于，

通过ANN、SVN、KNN、GBDT算法分别对所述开机工作阶段数据和所述稳定工作阶段数据进行分析生成所述多个优化算法对应的分析结果；

通过比较均方误差和最大误差对所述多个优化算法对应的分析结果进行分析生成所述质谱仪开机阶段对应的优化算法和所述质谱仪稳定工作阶段对应的优化算法，其中，所述质谱仪开机阶段对应的优化算法为KNN算法，所述质谱仪稳定工作阶段对应的优化算法为GBDT算法。

10.根据权利要求6所述的装置，其特征在于，所述优化校正模块，具体用于，

通过所述质谱仪开机阶段对应的优化算法和所述质谱仪稳定工作阶段对应的优化算法分别对所述初步质量轴偏移校正模型进行优化，生成所述质谱仪开机阶段对应的目标质量轴偏移校正模型和所述质谱仪稳定工作阶段对应的目标质量轴偏移校正模型；

通过所述质谱仪开机阶段对应的目标质量轴偏移校正模型对所述质谱仪开机阶段输出的质谱图进行校正；

通过所述质谱仪稳定工作阶段对应的目标质量轴偏移校正模型对所述质谱仪稳定工作阶段输出的质谱图进行校正。

Images