CN111602048A - 用于优化峰形的系统和方法 - Google Patents
用于优化峰形的系统和方法 Download PDFInfo
- Publication number
- CN111602048A CN111602048A CN201980007858.1A CN201980007858A CN111602048A CN 111602048 A CN111602048 A CN 111602048A CN 201980007858 A CN201980007858 A CN 201980007858A CN 111602048 A CN111602048 A CN 111602048A
- Authority
- CN
- China
- Prior art keywords
- peak shape
- sensor
- type
- mixture
- bias
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J49/00—Particle spectrometers or separator tubes
- H01J49/0009—Calibration of the apparatus
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J49/00—Particle spectrometers or separator tubes
- H01J49/0027—Methods for using particle spectrometers
- H01J49/0036—Step by step routines describing the handling of the data generated during a measurement
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J49/00—Particle spectrometers or separator tubes
- H01J49/0027—Methods for using particle spectrometers
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Electron Tubes For Measurement (AREA)
Abstract
系统(110)包括第一类型的传感器(104)以及连接至第一类型的传感器(104)的估计系统(106)。估计系统(106)被配置为:(a)使用机器学习、在添加了噪声的情况下通过分析已知气体混合物中的表征数据来识别用于估计已知气体混合物的最佳峰形;(b)使用标准气体混合物针对数个不同实例在第一类型的传感器(104)中生成多个实际峰形,以将多个实际峰形中的实际峰形提供作为用以校准第一类型的传感器(104)的校准输入;以及(c)通过自动调整第一类型的传感器(104)的参数从而将实际峰形优化为与期望峰形相匹配,来校准第一类型的传感器(104)。
Description
技术领域
本文的实施例一般涉及用于优化谱仪的峰形的系统,更特别地涉及用于自动优化诸如用于估计气体混合物的质谱仪等的谱仪的峰形的系统和方法。
背景技术
标准质谱仪产生表现为与离子及其碎片相关联的多个质荷比(m/z比)的特征。质谱仪可以使不同的气体以不同的相对速率离子化。不同气体的离子可被碎片化,并且可以表现为各种质荷比(即,m/z)。具有各种质荷比的碎片化离子被发送至检测器。对于一种气体,离子的碎片化可以是恒定的。
质谱仪数据通常示出与具有不同质荷(m/z)比的单个离子相对应的“峰”。离子的碎片化可以从标准参考数据库或者由实验获得。碎片化离子的各峰通常包括非零宽度、以及取决于质荷比的可能不对称的形状。碎片化离子的峰在不同类别的质谱仪仪器之间有所改变,这是因为碎片化离子的峰是基于质谱仪而规定的。完全理想的质谱仪具有零宽度的峰(脉冲),而每个实际上的质谱仪示出非零宽度的峰、以及形状的变化从整齐的高斯或洛伦兹曲线到彼此重叠的多个峰曲线的组合。
在传统质谱仪中,各质谱仪采用用于适应质谱仪所产生的峰形的估计算法。这些质谱仪需要算法调整步骤,其中在各质谱仪中实现的算法被调谐为针对质谱仪所产生的的特定峰形。用于使重叠波峰成形的方法之一涉及使用去卷积过程来对重叠峰的形状进行去卷积。
然而,去卷积过程未能从隐藏在较大的相邻峰下的小峰中提取信息。此外,该方法是利用有限的一组比例因子的仪器特定校准。此外,上述方法具有有限的估计精度、单元到单元的变化、以及在较高的质荷比处具有有限的灵敏度。该方法也适应于诸如拉曼谱仪、吸收谱仪或振动谱仪等的其它谱仪型传感器。
因此,仍然需要通过自动优化传感器的参数来自动优化用于估计气体和其它混合物的质谱仪和其它谱仪型传感器的任何峰形的系统和方法。
发明内容
本发明的一个方面是用于使用第一类型的传感器来估计目标混合物的成分的系统。第一类型的传感器生成目标混合物的扫描输出。扫描输出包括所检测到的成分的作为第一变量(诸如质荷比、波数等)的函数的谱。系统包括数据库和模块集。数据库存储已知混合物的表征数据、包括系统适用的应用所需的准确度、灵敏度和分辨率的约束集、以及标准混合物的分析模型。模块集包括峰形识别模块、合成数据预生成模块、成本函数定义模块、实际峰形生成模块、校准模块和估计模块。峰形识别模块被配置为在添加了噪声作为应用的背景的情况下通过分析诸如已知气体混合物等的已知混合物中的表征数据,来识别用于估计已知混合物的成分的最佳峰形,其中,最佳峰形被称为最满足应用的约束集的峰形。合成数据预生成模块被配置为根据以标准混合物作为输入的分析模型来预生成具有与最佳峰形相对应的期望峰形的合成数据。期望峰形可以是具有与最佳峰形范围相同的一部分谱的峰形。成本函数定义模块被配置为定义成本函数以根据最佳峰形来确定适合估计目标混合物的成分的峰形。实际峰形生成模块被配置为使用标准混合物针对数个不同实例在第一类型的传感器中生成多个实际峰形,以将多个实际峰形中的实际峰形提供作为用以校准第一类型的传感器的校准输入。校准模块被配置为通过自动调整第一类型的传感器的参数从而找到用于将实际峰形优化为与期望峰形相匹配的选定参数,来校准第一类型的传感器。估计模块被配置为使用成本函数、根据第一类型的传感器利用选定参数生成的扫描输出的峰形,来估计目标混合物的组成。
在该系统中,估计模块可以使用成本函数、根据在未对扫描输出中所包括的峰形进行去卷积的情况下通过标准混合物校准的扫描输出的峰形来估计目标混合物的成分。
模块集还可以包括参数验证模块,该参数验证模块被配置为通过生成已知混合物的扫描输出以对准确度和峰形质量进行估计,来验证选定的参数。最佳峰形识别模块使用机器学习、在添加了噪声的情况下识别最佳峰形。
第一类型的传感器可以生成目标气体混合物的扫描输出,该扫描输出包括与目标气体混合物相对应的、所检测到的离子的作为质荷比的函数的谱。校准模块通过调整包括射频电压与直流电压比、发射电流、电压梯度和偏置电压中至少之一的参数来校准第一类型的传感器。
校准模块可以包括:(a)优化模块,其被配置为一旦选择了要调整的参数就针对感兴趣的质荷比对参数进行优化;以及(b)判断模块,其被配置为通过将(i)实际峰形的优化和(ii)各选定参数的优化约束到各自的预定义范围来判断为各选定参数在预定义范围中。第一类型的传感器可以包括包含四极滤质器的质谱仪。选定参数可以包括电压梯度和个体偏置电压,所述电压梯度和个体偏置电压包含(i)盒偏置(box bias)、(ii)丝偏置(filament bias)、(iii)透镜偏置、(iv)出口透镜偏置和(v)四极偏置。
系统还可以包括用于存储数据库和模块集的存储器、以及用于执行模块集的处理器。系统还可以包括第一类型的传感器。
本发明的另一方面是一种在计算机上实现的方法,该方法包括使用第一类型的传感器来估计目标混合物的成分。第一类型的传感器生成目标混合物的扫描输出,并且该扫描输出包括所检测到的成分的作为第一变量的函数的谱。估计成分包括:(a)在添加了噪声作为应用的背景的情况下通过分析已知混合物中的表征数据来识别用于估计已知混合物的成分的最佳峰形,其中,最佳峰形被称为针对给定约束集的最满足该约束集的峰形,该约束集包括应用中的准确度、灵敏度和分辨率;(b)利用期望峰形预生成合成数据,所述期望峰形与根据分析模型以标准混合物作为输入的最佳峰形相对应;(c)定义成本函数以根据最佳峰形来确定适合估计目标混合物的成分的峰形;(e)使用标准混合物针对数个不同实例在第一类型的传感器中生成多个实际峰形,以将多个实际峰形中的实际峰形提供作为用以校准第一类型的传感器的校准输入;(f)通过自动调整第一类型的传感器的参数从而找到用于将实际峰形优化为与期望峰形相匹配的选定参数,来校准第一类型的传感器;以及(g)利用选定参数生成第一类型的传感器的目标混合物的扫描输出,以使用成本函数根据扫描输出中的峰形来估计目标混合物的成分。
估计成分还可以包括通过生成已知混合物的扫描输出以对准确度和峰形质量进行估计,来验证选定参数。识别最佳峰形的步骤可以包括使用机器学习、在添加了噪声的情况下识别最佳峰形。
第一类型的传感器可以生成目标气体混合物的扫描输出。扫描输出可以包括与目标气体混合物相对应的、所检测到的离子的作为质荷比的函数的谱。校准的步骤可以包括通过调整包括射频电压与直流电压比、发射电流、电压梯度和偏置电压中至少之一的参数来校准第一类型的传感器。校准的步骤可以包括:(a)一旦选择了要调整的参数就针对感兴趣的质荷比对参数进行优化;以及(b)通过将(i)实际峰形的优化和(ii)各选定参数的优化约束到各自的预定义范围来判断为各选定参数在预定义范围中。
第一类型的传感器可以包括包含四极滤质器的质谱仪,以及选定参数可以包括电压梯度和个体偏置电压,所述电压梯度和个体偏置电压包含(i)盒偏置、(ii)丝偏置、(iii)透镜偏置、(iv)出口透镜偏置和(v)四极偏置。
附图说明
根据以下参考附图的详细描述,将更好地理解本文的实施例,其中:
图1示出根据本文的实施例的用于对使用估计系统估计目标气体混合物的成分所用的峰形进行优化的系统;
图2示出根据本文的实施例的图1的估计系统的分解图;
图3是示出根据本文的实施例的图1的估计系统所用的校准控制循环的流程图;
图4A是示出根据本文的实施例的、用于对使用图1的估计系统估计目标气体混合物的成分所用的峰形进行优化的方法的流程图;
图4B是图4A之后的流程图;
图5示出根据本文的实施例的图1的第一类型的传感器(质谱仪)的透视图;以及
图6示出根据本文的实施例的估计系统的计算机架构的示意图。
具体实施方式
参考在附图中示出并在以下描述中详细说明的非限制性实施例来更全面地解释本文的实施例及其各种特征和有利细节。省略了众所周知的组件和处理技术的描述,以便不会不必要地混淆本文的实施例。本文所使用的示例仅仅是为了便于理解可以实施本文的实施例的方式,并且进一步使本领域技术人员能够实施本文的实施例。因此,这些实例不应被解释为限制本文的实施例的范围。
正如所提到的,仍然需要自动地对用于估计目标混合物的成分的峰形(即,高斯曲线或洛伦兹曲线或重叠的多个峰曲线的组合)进行优化的系统和方法。本文的实施例通过提供如下的估计系统来实现这一点,该估计系统使用标准混合物生成实际峰形,以将该实际峰形提供作为用以校准第一类型的传感器的校准输入。现在参考附图、更特别地参考图1至6示出优选实施例,其中在所有附图中,相同的附图标记始终标示相应的特征。
图1示出根据本文的实施例的用于对使用估计系统106估计目标气体混合物的成分所用的峰形进行优化的系统110。系统110包括源102、第一类型的传感器104、以及估计系统106。源102包括目标气体混合物102a、以及一种或多种标准气体混合物102b。源102可以包括用于验证第一类型的传感器104的选定参数的一种或多种已知气体混合物102c。标准气体混合物102b是成分已知、并且通常可用于估计系统106适用的应用的标准气体混合物。例如,碳氢工业使用一组标准气体混合物来评价传感器的准确度。
估计系统106可以电连接至第一类型的传感器104。在实施例中,第一类型的传感器104包括质谱仪传感器和/或谱仪型传感器(例如,质谱仪、拉曼谱仪、吸收谱仪或振动谱仪)。在实施例中,第一类型的传感器104的一个示例在美国专利9,666,422中公开。第一类型的传感器104生成目标气体混合物中的一组气体的扫描输出。扫描输出包括与目标气体混合物相对应的、所检测到的离子的作为质荷比(第一变量)的函数的谱。
目标混合物102a和标准混合物102b可以是液体混合物、混合溶液、混合固体等。第一类型的传感器104可以是诸如拉曼谱仪等的其它类型的传感器,其生成包括所检测到的成分的作为波数的函数的谱的扫描输出,其中波数是第一变量。
估计系统106使用机器学习技术,在添加了噪声的情况下通过分析已知气体混合物中的表征数据来识别针对已知气体混合物的估计准确度的最佳峰形。对于系统106适用的应用中的准确度、灵敏度(即,可检测到的最小增量浓度)和分辨率(即,在相似的离子(相似的成分)之间进行区分)约束的给定集,最佳峰形被称为能够最满足约束的峰形。在实施例中,根据表征数据确定最佳峰形。最佳峰形的识别包括从第一类型的传感器104针对已知气体混合物的扫描输出中获得针对估计准确度的最佳峰形。表征数据是指在第一类型的传感器104的各种参数设置下来自相同的已知气体混合物的第一类型的传感器104的扫描输出。在实施例中,参数与输出形状的关系因传感器而异。
估计系统106利用期望峰形来预生成合成数据,所述期望峰形来自以标准气体混合物102b作为输入的分析模型。估计系统106还定义了成本函数以根据最佳峰形来确定适合估计目标气体混合物102a的峰形。然后,估计系统106使用标准气体混合物102b针对数个不同实例在第一类型的传感器104中生成多个实际峰形,以将多个实际峰形中的实际峰形提供作为用以校准第一类型的传感器104的校准输入。在实施例中,针对各实例,基于第一类型的传感器104的不同参数而生成实际峰形。估计系统106还通过自动调整第一类型的传感器的参数从而将实际峰形优化为与期望峰形相匹配,来校准第一类型的传感器104。在实施例中,第一类型的传感器104的参数包括射频电压与直流电压比、发射电流、电压梯度和偏置电压中至少之一。电压梯度和个体偏置电压参数可以包括(i)盒偏置、(ii)丝偏置、(iii)透镜偏置、(iv)出口透镜偏置和(v)四极偏置。在实施例中,调整第一类型的传感器104的参数以有效地估计目标气体混合物中的特定气体的期望峰形。估计系统106还通过生成已知气体混合物102c的扫描输出以对准确度和峰形质量进行估计,来验证包括特定于感兴趣的质荷比的参数的选定参数。估计系统106可以是计算机、移动电话、PDA(个人数字助理)、平板计算机、电子笔记本或智能电话。在实施例中,第一类型的传感器104嵌入在估计系统106中。
图2示出根据本文的实施例的图1的估计系统106的分解图。估计系统106包括数据库202、峰形识别模块204、合成数据预生成模块206、成本函数定义模块208、实际峰形生成模块210、校准模块212、参数验证模块218和估计模块220。校准模块212包括参数优化模块214和范围判断模块216。数据库202存储已知气体混合物的表征数据202a、系统106适用的应用所需的约束集202b、以及标准混合物的分析模型202c,以生成与标准气体混合物102b相关的峰形的合成数据。约束集202b包括应用所需的准确度、灵敏度和分辨率。
峰形识别模块204通过分析第一类型的传感器104已经分析过的已知气体混合物中的表征数据202a来识别用于估计已知气体混合物的最佳峰形204a。峰形识别模块204使用机器学习技术、在添加了噪声的情况下识别最佳峰形204a。要添加的噪声通常是应用的谱分量(诸如空气和载体气体等的谱)的背景,例如电路和放大器的噪声。在峰形识别模块204中,最佳峰形204a被称为最满足约束集202b的峰形。
合成数据预生成模块206根据以标准气体混合物102b作为输入的分析模型202c,利用期望峰形206a来预生成合成数据。期望峰形206a与标准气体混合物102b的预生成合成数据的谱分量中的最佳峰形204a的部分或范围相对应。成本函数定义模块208定义成本函数208a以根据最佳峰形204a来确定适合估计目标气体混合物102a的峰形。实际峰形生成模块210使用标准气体混合物102b针对数个不同实例在第一类型的传感器104中生成多个实际峰形,以将多个实际峰形中的实际峰形210a提供作为用以校准第一类型的传感器104的校准输入。
校准模块212通过自动调整第一类型的传感器104的参数从而找到用于将实际峰形210a优化为与期望峰形206a相匹配的选定参数212a,来校准第一类型的传感器104。在实施例中,第一类型的传感器104的要调整的参数212a包括射频电压与直流电压比、发射电流、电压梯度和偏置电压中至少之一。在另一实施例中,电压梯度和个体偏置电压参数包括(i)盒偏置、(ii)丝偏置、(iii)透镜偏置、(iv)出口透镜偏置和(v)四极偏置。校准模块212包括参数优化模块214,该参数优化模块214用于一旦选择了要调整的参数212a,就针对感兴趣的质荷比来对参数进行优化。校准模块212还包括范围判断模块216,其被通过将(i)实际峰形210a的优化和(ii)各选定参数212a的优化约束到各自的预定义范围来判断为各选定参数212a在预定义范围中。参数优化模块214通过下式来识别最优参数。
Xn+1=Xn-K·Jcf(Xn),
Xn=第n个参数集
K=常数
cf(X)=成本函数
Jcf(X)=成本函数的梯度向量
参数优化模块214对选定参数212a运行梯度下降优化,以识别最优参数。参数验证模块218通过生成已知气体混合物102c的扫描输出以对准确度和峰形质量进行估计,来验证包括特定于感兴趣的质荷比的参数的选定参数212a。估计模块220利用选定参数212a生成第一类型的传感器104的目标气体混合物102a的扫描输出220a,以使用成本函数208a、根据扫描输出220a中的峰形来估计目标气体混合物102a的成分。
图3是示出根据本文的实施例的图1的、由校准模块212针对作为第一类型的传感器104的质谱仪所进行的校准控制循环的流程图。在步骤302处,校准模块212允许选择第一类型的传感器104的参数(即,全局参数和局部参数)。在步骤304处,校准模块212从各种已知气体混合物中的表征数据202a中收集给定标准气体混合物102b的期望峰形数据206a和实际峰形数据210a。在步骤306处,校准模块212对选定参数212a运行梯度下降优化。在步骤308处,校准模块212判断实际峰形210a与期望峰形206a是否匹配。如果实际峰形210a与期望峰形206a不匹配,则校准模块212添加新参数并计算梯度以判断实际峰形210a与期望峰形206a是否匹配。在步骤310处,参数验证模块218验证选定参数212a。
图4A~4B是示出根据本文的实施例的、用于对使用图1的估计系统106估计目标气体混合物102a的成分所用的峰形进行优化的方法的流程图。在步骤402处,通过估计模块220,使用第一类型的传感器104生成目标气体混合物102a的扫描输出220a。扫描输出220a包括与目标气体混合物102a相对应、所检测到的离子的作为质荷比的函数的谱。该步骤402是通过使用步骤412处的选定参数来进行的,即,为了生成目标混合物的扫描输出220a以估计目标气体混合物102a的成分,进行以下步骤。
在步骤404处,通过峰形识别模块204,使用机器学习技术、在添加了噪声的情况下通过分析已知气体混合物中的表征数据202a来识别用于估计已知气体混合物的最佳峰形204a。在步骤406处,通过合成数据预生成模块206,根据以标准气体混合物102b作为输入的分析模型202c,利用期望峰形206a来预生成合成数据。在步骤408处,通过成本函数定义模块208定义成本函数208a,以根据最佳峰形204a来确定适合估计目标气体混合物102a的峰形。在步骤410处,通过实际峰形生成模块210,使用标准气体混合物102b针对数个不同实例在第一类型的传感器104中生成多个实际峰形,以将多个实际峰形中的实际峰形210a提供作为用以校准第一类型的传感器104的校准输入。
在步骤412处,由校准模块212,通过自动调整第一类型的传感器104的参数从而找到用于将实际峰形210a优化为与期望峰形206a相匹配的选定参数212a,来校准第一类型的传感器104。第一类型的传感器104的要调整的参数包括射频电压与直流电压比、发射电流、电压梯度和偏置电压中至少之一。在实施例中,电压梯度和个体偏置电压参数包括(i)盒偏置、(ii)丝偏置、(iii)透镜偏置、(iv)出口透镜偏置和(v)四极偏置。在实施例中,通过判断选定参数212a是否在可允许限度内来检测系统106的稳定性。第一类型的传感器104的校准412可以包括以下步骤:(a)一旦选择了要调整的参数就针对感兴趣的质荷比对参数进行优化;以及(b)通过将(i)实际峰形的优化和(ii)各选定参数的优化约束到各自的预定义范围,来判断为各选定参数在预定义范围中。在步骤414处,由参数验证模块218,通过生成已知气体混合物102c的扫描输出以对准确度和峰形质量进行估计,来验证包括特定于感兴趣的质荷比的参数的选定参数212a。
图5示出根据本文的实施例的第一类型的传感器104(质谱仪)的透视图。第一类型的传感器104包括目标气体混合物102a、电子枪504、电磁体506、离子束508和离子检测器510。从源102获得要离子化的目标气体混合物102a。另外,从源102获得样本气体混合物102b,并且在生成实际峰形210a以供校准时样本气体混合物102b被离子化。电子枪504通过对离子化粒子添加或移除电子来对目标样本102a中的粒子进行离子化。电子枪504使用电子离子化过程来对汽化或气态粒子进行离子化。第一类型的传感器104中的电磁体506产生电场或磁场以测量带电粒子的质量(即,重量)。磁场根据离子的动量来分离离子(即,磁场所施加的力可以如何用于根据离子的质量来分离离子)。用以过滤离子的磁场的示例之一是四极磁场。分离的离子通过质量分析仪被靶向到离子检测器510上。在实施例中,碎片质量的差异允许质量分析仪使用离子的质荷比来对离子进行分类。离子检测器510测量指示量的值,从而提供用于计算目标样本102a中存在的各离子的丰度的数据。离子检测器510记录在离子通过或撞击表面时感应出的电荷或产生的电流。在实施例中,质谱显示在估计系统106中。
图6中描绘了用于实践本文的实施例的代表性硬件环境。该示意图示出根据本文的实施例的估计系统106的硬件配置。估计系统106包括至少一个处理器或中央处理单元(CPU)10。CPU 10经由系统总线12与诸如随机存取存储器(RAM)14、只读存储器(ROM)16和输入/输出(I/O)适配器18等的各种装置互连。I/O适配器18可以连接到外围装置,诸如磁盘单元11和磁带驱动器13、或者可由估计系统106读取的其它程序存储装置。第一类型的传感器104可以经由I/O适配器18与系统106相连接。估计系统106可以读取程序存储装置上的创造性指令,并遵循这些指令来执行本文的实施例的方法。
估计系统106还包括用户接口适配器19,该用户接口适配器19将键盘15、鼠标17、扬声器24、麦克风22和/或诸如触摸屏装置(未示出)或遥控器等的其它用户接口装置连接到总线12以收集用户输入。另外,通信适配器20将总线12连接到数据处理网络25,并且显示适配器21将总线12连接到显示装置23,该显示装置23例如可以体现为诸如监视器、打印机或发送器等的输出装置。
估计系统106用于从尽可能接近于高斯(正态)的高且瘦的峰中获得较好的估计准确度。估计系统106用于使单位到单位(例如,各种质谱仪)变化最小化。估计系统106用于调谐质谱仪104以适应各种不同应用(即,各应用的理想形状有可能是不同的,并且允许调整质谱仪)。
以上的一个方面是用于优化估计目标气体混合物的成分所用的峰形的计算机实现系统,其包括:第一类型的传感器104,用于生成目标气体混合物的扫描输出,其中,该扫描输出包括与目标气体混合物相对应的、所检测到的离子的作为质荷比的函数的谱;以及连接至第一类型的传感器104的估计系统106,用于估计目标气体混合物的成分。估计系统包括:存储器,用于存储数据库和指令集;以及专用处理器,用于执行指令集以:(a)使用机器学习、在添加了噪声的情况下通过分析已知气体混合物中的表征数据来识别用于估计已知气体混合物的最佳峰形,其中,对于应用中的准确度、灵敏度和分辨率约束的给定集,最佳峰形被称为最满足约束的峰形;(b)根据以标准气体混合物作为输入的分析模型,利用期望峰形来预生成合成数据;(c)定义成本函数以根据最佳峰形来确定适合估计目标气体混合物的峰形;(d)使用标准气体混合物针对数个不同实例在第一类型的传感器104中生成多个实际峰形,以将多个实际峰形中的实际峰形提供作为用以校准第一类型的传感器104的校准输入;(e)通过自动调整第一类型的传感器104的参数从而将实际峰形优化为与期望峰形相匹配,来校准第一类型的传感器104,其中,第一类型的传感器104的参数包括射频电压与直流电压比、发射电流、电压梯度和偏置电压中至少之一;以及(f)通过生成已知气体混合物的扫描输出以对准确度和峰形质量进行估计,来验证包括特定于感兴趣的质荷比的参数的选定参数。所述校准包括:一旦选择了要调整的参数就针对感兴趣的质荷比对参数进行优化;以及通过将(i)实际峰形的优化和(ii)各选定参数的优化约束到各自的预定义范围来判断为各选定参数在预定义范围中。
第一类型的传感器104可以包括质谱仪。电压梯度和个体偏置电压参数可以包括(i)盒偏置、(ii)丝偏置、(iii)透镜偏置、(iv)出口透镜偏置和(v)四极偏置。
在以上的另一方面中,提供了用于优化估计目标气体混合物的成分所用的峰形的计算机实现方法。该方法包括:(a)使用第一类型的传感器104生成402目标气体混合物的扫描输出,其中,该扫描输出包括与目标气体混合物相对应的、所检测到的离子的作为质荷比的函数的谱;(b)使用机器学习、在添加了噪声的情况下通过分析已知气体混合物中的表征数据来识别404用于估计已知气体混合物的最佳峰形,其中,对于应用中的准确度、灵敏度和分辨率约束的给定集,最佳峰形被称为最满足约束的峰形;(c)根据以标准气体混合物作为输入的分析模型,利用期望峰形来预生成406合成数据;(d)定义408成本函数以根据最佳峰形来确定适合估计目标气体混合物的峰形;(e)使用标准气体混合物针对数个不同实例在第一类型的传感器104中生成410多个实际峰形,以将多个实际峰形中的实际峰形提供作为用以校准第一类型的传感器104的校准输入;(f)通过自动调整第一类型的传感器104的参数从而将实际峰形优化为与期望峰形相匹配,来校准412第一类型的传感器104;以及(g)通过生成已知气体混合物的扫描输出以对准确度和峰形质量进行估计,来验证414包括特定于感兴趣的质荷比的参数的选定参数。第一类型的传感器104的参数包括射频电压与直流电压比、发射电流、电压梯度和偏置电压中至少之一。所述校准包括:一旦选择了要调整的参数就针对感兴趣的质荷比对参数进行优化;以及通过将(i)实际峰形的优化和(ii)各选定参数的优化约束到各自的预定义范围来判断为各选定参数在预定义范围中。
在以上计算机实现方法中,第一类型的传感器104可以包括质谱仪。在以上计算机实现方法中,电压梯度和个体偏置电压参数可以包括(i)盒偏置、(ii)丝偏置、(iii)透镜偏置、(iv)出口透镜偏置和(v)四极偏置。以上计算机实现方法还可以包括通过判断选定参数是否在可允许限度内来检测系统的稳定性的步骤。
以上对具体实施例的描述将充分揭示本文的实施例的一般性质,使得本领域人员通过应用现有知识可以容易地修改和/或改变诸如具体实施例等的各种应用而不背离通用概念,因此,这种改变和修改应当且旨在在所公开的实施例的等同项的含义和范围内理解。应当理解,本文采用的用语或术语是为了描述而非限制的目的。因此,虽然本文的实施例是在优选实施例的方面进行描述,但是本领域技术人员将认识到,可以在本文的精神和范围内通过修改来实施本文的实施例。
Claims (15)
1.一种用于使用第一类型的传感器来估计目标混合物的成分的系统,所述第一类型的传感器用于生成所述目标混合物的扫描输出并且所述扫描输出包括所检测到的成分的作为第一变量的函数的谱,所述系统包括:
数据库,用于存储已知混合物的表征数据、包括所述系统适用的应用所需的准确度、灵敏度和分辨率的约束集、以及标准混合物的分析模型;以及
模块集,其中,所述模块集包括:
峰形识别模块,其被配置为在添加了噪声作为所述应用的背景的情况下通过分析所述已知混合物中的表征数据来识别用于估计所述已知混合物的成分的最佳峰形,其中,所述最佳峰形被称为最满足所述应用的约束集的峰形;
合成数据预生成模块,其被配置为利用期望峰形来预生成合成数据,其中,所述期望峰形与根据以所述标准混合物作为输入的所述分析模型的最佳峰形相对应;
成本函数定义模块,其被配置为定义成本函数以根据所述最佳峰形来确定适合估计所述目标混合物的成分的峰形;
实际峰形生成模块,其被配置为使用所述标准混合物针对数个不同实例在所述第一类型的传感器中生成多个实际峰形,以将所述多个实际峰形中的实际峰形提供作为用以校准所述第一类型的传感器的校准输入;
校准模块,其被配置为通过自动调整所述第一类型的传感器的参数从而找到用于将所述实际峰形优化为与所述期望峰形相匹配的选定参数,来校准所述第一类型的传感器;以及
估计模块,其被配置为使用所述成本函数、根据第一类型的传感器利用所述选定参数生成的扫描输出的峰形,来估计所述目标混合物的成分。
2.根据权利要求1所述的系统,其中,所述模块集还包括参数验证模块,所述参数验证模块被配置为通过生成已知混合物的扫描输出以对准确度和峰形质量进行估计,来验证所述选定参数。
3.根据权利要求1或2所述的系统,其中,所述最佳峰形识别模块用于使用机器学习、在添加了噪声的情况下识别所述最佳峰形。
4.根据权利要求1至3中任一项所述的系统,其中,所述第一类型的传感器用于生成目标气体混合物的扫描输出,所述扫描输出包括与所述目标气体混合物相对应的、所检测到的离子的作为质荷比的函数的谱,以及
所述校准模块用于通过调整包括射频电压与直流电压比、发射电流、电压梯度和偏置电压中至少之一的参数,来校准所述第一类型的传感器。
5.根据权利要求4所述的系统,其中,所述校准模块包括:
优化模块,其被配置为一旦选择了要调整的参数就针对感兴趣的质荷比对所述参数进行优化;以及
判断模块,其被配置为通过将(i)所述实际峰形的优化和(ii)各选定参数的优化约束到各自的预定义范围来判断为各选定参数在预定义范围中。
6.根据权利要求4或5所述的系统,其中,所述第一类型的传感器包括包含四极滤质器的质谱仪。
7.根据权利要求6所述的系统,其中,所述选定参数包括所述电压梯度和个体偏置电压,所述电压梯度和个体偏置电压包括(i)盒偏置、(ii)丝偏置、(iii)透镜偏置、(iv)出口透镜偏置和(v)四极偏置。
8.根据权利要求1至7中任一项所述的系统,还包括:
存储器,用于存储所述数据库和所述模块集;以及
处理器,用于执行所述模块集。
9.根据权利要求1至8中任一项所述的系统,还包括第一类型的传感器。
10.一种在计算机上实现的方法,所述方法包括使用第一类型的传感器来估计目标混合物的成分,其中,所述第一类型的传感器用于生成所述目标混合物的扫描输出,并且所述扫描输出包括所检测到的成分的作为第一变量的函数的谱,其中,对成分进行估计包括:
在添加了噪声作为应用的背景的情况下通过分析已知混合物中的表征数据来识别用于估计所述已知混合物的成分的最佳峰形,其中,对于包括所述应用中的准确度、灵敏度和分辨率的给定约束集,所述最佳峰形被称为最满足所述约束集的峰形;
利用期望峰形来预生成合成数据,其中,所述期望峰形与根据以标准混合物作为输入的分析模型的最佳峰形相对应;
定义成本函数以根据所述最佳峰形来确定适合估计所述目标混合物的成分的峰形;
使用所述标准混合物针对数个不同实例在所述第一类型的传感器中生成多个实际峰形,以将所述多个实际峰形中的实际峰形提供作为用以校准所述第一类型的传感器的校准输入;
通过自动调整所述第一类型的传感器的参数从而找到用于将所述实际峰形优化为与所述期望峰形相匹配的选定参数,来校准所述第一类型的传感器;以及
利用所述选定参数生成所述第一类型的传感器的所述目标混合物的扫描输出,以使用所述成本函数、根据所述扫描输出中的峰形来估计所述目标混合物的成分。
11.根据权利要求10所述的方法,其中,所述对成分进行估计还包括通过生成已知混合物的扫描输出以对准确度和峰形质量进行估计,来验证所述选定参数。
12.根据权利要求10或11所述的方法,其中,识别所述最佳峰形包括使用机器学习、在添加了噪声的情况下识别所述最佳峰形。
13.根据权利要求10至12中任一项所述的方法,其中,所述第一类型的传感器用于生成目标气体混合物的扫描输出,所述扫描输出包括与所述目标气体混合物相对应的、所检测到的离子的作为质荷比的函数的谱,以及
所述校准包括通过调整包括射频电压与直流电压比、发射电流、电压梯度和偏置电压中至少之一的参数来校准所述第一类型的传感器。
14.根据权利要求13所述的方法,其中,所述校准包括:
一旦选择了要调整的参数就针对感兴趣的质荷比对所述参数进行优化;以及
通过将(i)所述实际峰形的优化和(ii)各选定参数的优化约束到各自的预定义范围来判断为各选定参数在预定义范围中。
15.根据权利要求13或14所述的方法,其中,所述第一类型的传感器包括包含四极滤质器的质谱仪,以及所述选定参数包括所述电压梯度和个体偏置电压,所述电压梯度和个体偏置电压包含(i)盒偏置、(ii)丝偏置、(iii)透镜偏置、(iv)出口透镜偏置和(v)四极偏置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IN201841000946 | 2018-01-09 | ||
IN201841000946 | 2018-01-09 | ||
PCT/JP2019/000125 WO2019138977A1 (en) | 2018-01-09 | 2019-01-08 | System and method for optimizing peak shapes |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111602048A true CN111602048A (zh) | 2020-08-28 |
CN111602048B CN111602048B (zh) | 2023-08-22 |
Family
ID=67218694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980007858.1A Active CN111602048B (zh) | 2018-01-09 | 2019-01-08 | 用于优化峰形的系统和方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11646186B2 (zh) |
EP (1) | EP3737940B1 (zh) |
JP (1) | JP6839885B1 (zh) |
KR (1) | KR20200106521A (zh) |
CN (1) | CN111602048B (zh) |
WO (1) | WO2019138977A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2023506285A (ja) * | 2019-12-17 | 2023-02-15 | エフ. ホフマン-ラ ロシュ エージー. | 複数の反復ハードウェア構成要素を有する少なくとも1つの分析装置を較正するための方法 |
JP7463944B2 (ja) * | 2020-11-09 | 2024-04-09 | 株式会社島津製作所 | 波形処理支援装置および波形処理支援方法 |
EP4181169A1 (en) * | 2021-11-15 | 2023-05-17 | Thermo Fisher Scientific (Bremen) GmbH | Mass spectrometer isolation profile analyser |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1898674A (zh) * | 2003-10-20 | 2007-01-17 | 瑟诺生物科学有限责任公司 | 用于校准质谱仪(ms)与其它仪器系统和用于处理ms与其它数据的方法 |
CN102053125A (zh) * | 2009-10-30 | 2011-05-11 | 中国石油化工股份有限公司 | 一种分析石油地质样品中多环萜烷的系统及其分析方法 |
CN102132151A (zh) * | 2008-06-23 | 2011-07-20 | Atonarp株式会社 | 用于处理与化学物质有关的信息的系统 |
US20130289893A1 (en) * | 2012-04-26 | 2013-10-31 | Shimadzu Corporation | Data-Processing System for Chromatograph Mass Spectrometry |
US20140297201A1 (en) * | 2011-04-28 | 2014-10-02 | Philip Morris Products S.A. | Computer-assisted structure identification |
JP2015081908A (ja) * | 2013-10-24 | 2015-04-27 | アトナープ株式会社 | 分析方法 |
CN105493228A (zh) * | 2013-08-30 | 2016-04-13 | Atonarp株式会社 | 分析装置 |
CN106404882A (zh) * | 2016-08-31 | 2017-02-15 | 兰州空间技术物理研究所 | 一种基于柱形电场分析器的磁偏转质谱计 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7075064B2 (en) * | 2004-05-24 | 2006-07-11 | Brigham Young University | System and method for extracting spectra from data produced by a spectrometer |
US20080201095A1 (en) * | 2007-02-12 | 2008-08-21 | Yip Ping F | Method for Calibrating an Analytical Instrument |
CA2689417C (en) * | 2007-06-02 | 2017-07-11 | Cerno Bioscience Llc | A self calibration approach for mass spectrometry |
WO2011155984A1 (en) * | 2010-06-11 | 2011-12-15 | Waters Technologies Corporation | Techniques for mass spectrometry peak list computation using parallel processing |
US20120305756A1 (en) * | 2011-05-31 | 2012-12-06 | Russ William R | Spectrometer Calibration System and Method |
JP2016028229A (ja) * | 2014-07-08 | 2016-02-25 | キヤノン株式会社 | データ処理装置、及びそれを有するデータ表示システム、試料情報取得システム、データ処理方法、プログラム、記憶媒体 |
US9847218B2 (en) * | 2015-11-05 | 2017-12-19 | Thermo Finnigan Llc | High-resolution ion trap mass spectrometer |
-
2019
- 2019-01-08 CN CN201980007858.1A patent/CN111602048B/zh active Active
- 2019-01-08 WO PCT/JP2019/000125 patent/WO2019138977A1/en unknown
- 2019-01-08 US US16/957,405 patent/US11646186B2/en active Active
- 2019-01-08 JP JP2020547252A patent/JP6839885B1/ja active Active
- 2019-01-08 KR KR1020207022564A patent/KR20200106521A/ko not_active Application Discontinuation
- 2019-01-08 EP EP19738822.6A patent/EP3737940B1/en active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1898674A (zh) * | 2003-10-20 | 2007-01-17 | 瑟诺生物科学有限责任公司 | 用于校准质谱仪(ms)与其它仪器系统和用于处理ms与其它数据的方法 |
CN102132151A (zh) * | 2008-06-23 | 2011-07-20 | Atonarp株式会社 | 用于处理与化学物质有关的信息的系统 |
CN102053125A (zh) * | 2009-10-30 | 2011-05-11 | 中国石油化工股份有限公司 | 一种分析石油地质样品中多环萜烷的系统及其分析方法 |
US20140297201A1 (en) * | 2011-04-28 | 2014-10-02 | Philip Morris Products S.A. | Computer-assisted structure identification |
US20130289893A1 (en) * | 2012-04-26 | 2013-10-31 | Shimadzu Corporation | Data-Processing System for Chromatograph Mass Spectrometry |
CN105493228A (zh) * | 2013-08-30 | 2016-04-13 | Atonarp株式会社 | 分析装置 |
JP2015081908A (ja) * | 2013-10-24 | 2015-04-27 | アトナープ株式会社 | 分析方法 |
CN106404882A (zh) * | 2016-08-31 | 2017-02-15 | 兰州空间技术物理研究所 | 一种基于柱形电场分析器的磁偏转质谱计 |
Also Published As
Publication number | Publication date |
---|---|
US11646186B2 (en) | 2023-05-09 |
EP3737940A1 (en) | 2020-11-18 |
CN111602048B (zh) | 2023-08-22 |
KR20200106521A (ko) | 2020-09-14 |
EP3737940B1 (en) | 2024-04-03 |
JP6839885B1 (ja) | 2021-03-10 |
WO2019138977A1 (en) | 2019-07-18 |
EP3737940A4 (en) | 2021-10-06 |
JP2021509725A (ja) | 2021-04-01 |
US20200335316A1 (en) | 2020-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230160905A1 (en) | Method for evaluating data from mass spectrometry, mass spectrometry method, and maldi-tof mass spectrometer | |
CN111602048B (zh) | 用于优化峰形的系统和方法 | |
JP3062251B2 (ja) | 元素質量分析計において干渉を減少させる方法 | |
EP2826058B1 (en) | Corrected mass analyte values in a mass spectrum | |
JP6813033B2 (ja) | 分析データ解析方法および分析データ解析装置 | |
US20220293403A1 (en) | Mass spectrometer calibration | |
US7519514B2 (en) | Systems and methods for removing noise from spectral data | |
CN111201586B (zh) | 质谱分析装置以及质谱分析方法 | |
JP6695086B2 (ja) | 測定対象のサンプルの組成を正確に定量化するためのシステムおよび方法 | |
CN108206125A (zh) | 质谱仪中同量异位干扰的确定 | |
US20200203139A1 (en) | Mass Spectrometer Compensating Ion Beams Fluctuations | |
US20200011769A1 (en) | Indentification of chemicals in a sample using gc/saw and raman spectroscopy | |
CN114430855B (zh) | 自动标准化谱仪 | |
Jennings et al. | A new approach for obtaining cosmological constraints from type IA supernovae using approximate Bayesian computation | |
US9147561B2 (en) | Method for determining the maximum mass peak in mass spectrometry | |
JP6695087B2 (ja) | 一組のガスに対応する一組の質量電荷比を求めるためのシステムおよび方法 | |
CN114509490A (zh) | 基于谱图迭代解析的超高/极高真空系统质谱测量方法 | |
JP2022047013A (ja) | 質量分析システム及び変換式補正方法 | |
KR20210063927A (ko) | 미량 탈착 성분 정량 불확도 산출 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |