CN112505133A - 一种基于深度学习的质谱检测方法 - Google Patents
一种基于深度学习的质谱检测方法 Download PDFInfo
- Publication number
- CN112505133A CN112505133A CN202011575558.4A CN202011575558A CN112505133A CN 112505133 A CN112505133 A CN 112505133A CN 202011575558 A CN202011575558 A CN 202011575558A CN 112505133 A CN112505133 A CN 112505133A
- Authority
- CN
- China
- Prior art keywords
- unit
- deep learning
- mass spectrum
- network model
- layer unit
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/62—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating the ionisation of gases, e.g. aerosols; by investigating electric discharges, e.g. emission of cathode
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Crystallography & Structural Chemistry (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Electrochemistry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开了一种基于深度学习的质谱检测方法,包括以下步骤,S1.基于质谱仪,通过改变电离电压,对待检测物质进行检测,获得若干对应不同电离电压的质谱谱图;S2.基于质谱谱图,选取部分质谱谱图构建初始数据集,基于对应于不同电离电压获得的初始数据集,构建初始质谱深度学习网络模型;S3.选取剩余质谱谱图构建训练集,对质谱深度学习网络模型进行训练,获得目标质谱深度学习网络模型;S4.基于目标质谱深度学习网络模型,对质谱谱图进行分析,通过碎片峰分布情况,进行待检测物质的解析,本发明所述方法简单快捷,基于质谱中碎片峰的变化情况,通过深度学习网络,快速识别了质谱中的物质成分,为质谱检测提供了新的技术思路。
Description
技术领域
本发明属于质谱检测领域,特别是涉及一种基于深度学习的质谱检测方法。
背景技术
以往的质谱在待检测物质进入质谱后会输出一个横轴为质荷比m/z,纵轴为离子相对强度(可近似代表物质的多少)的谱图,由于质谱的原理就是利用高速电子流轰击进入质谱的物质使之带正电,然后通过可改变的磁场进行不同分子量逐步筛选的方法进行检测,轰击的过程会使原有分子被打碎,在谱图中形成很多碎片峰。由于谱图过于复杂,因此该方法得到的谱图往往很难准确的判断出原有各种物质的成分及所占比例。为更好的区分出各种成分及所占比例,仪器厂商开发出来gc-mass(气相色谱质谱法、液相色谱质谱法),即先让待测物质通过色谱,设置合理的色谱条件(包括不同色谱柱,不同色谱控制条件等等),使待测物质先在色谱中进行分离,然后按时间分别进入质谱,从而简化质谱谱图,使待测物质中的各种成分能够更好的被区分。然而该设备价格昂贵,检测时间长(每个样品检测时间为1-数小时),不同物质需采用不同分离条件,因此要么需要同时具备几台色谱-质谱设备,要么需要频繁的更换不同色谱柱,这使得目前对物质的检定(物质成分的分析)变得非常的昂贵且复杂,不能够满足现阶段的需求(比如目前环境领域国家需要对企业排放的挥发性有机物,半挥发性有机物及有毒有害物质进行在线跟踪,对水、土、气中的有害物质进行大范围网格式实时监测)。虽然目前有些电化学传感器式的在线监测设备,然而由于电化学传感器的自身特点,很容易被其他物质干扰,降低其检测准确性及精度。因此开发一种简便、高效、准确的检测装置及方法至关重要。
发明内容
本发明开发一种利用人工智能与质谱检测技术相结合的方法,通过对质谱的改良,利用人工智能对质谱的数据进行深度学习,从而能够对复杂体系的成分进行精准检测。
本发明提供一种基于深度学习的质谱检测方法,包括以下步骤:
S1.基于质谱仪,通过改变电离电压,对待检测物质进行检测,获得若干对应不同电离电压的质谱谱图,其中,所述质谱谱图由所述待检测物质的若干碎片峰组成;
S2.基于所述质谱谱图,选取部分质谱谱图构建初始数据集,基于所述初始数据集,构建初始质谱深度学习网络模型,用于识别所述待检测物质的碎片峰分布情况;
S3.选取剩余质谱构建训练集,对所述质谱深度学习网络模型进行训练,获得目标质谱深度学习网络模型;
S4.基于所述目标质谱深度学习网络模型,对所述质谱谱图进行分析,通过所述碎片峰分布情况,进行所述待检测物质的解析。
优选地,所述S1包括,所述电离电压的改变范围是3eV-100eV,通过连续或定点改变,基于所述质谱仪,获得不同电离电压下的所述质谱谱图。
优选地,所述S2包括以下步骤:
S2.1.基于初始数据集,通过所述碎片峰的运动信息,构建碎片峰运动模型,其中,所述运动信息包括碎片峰分布质荷比变化情况、碎片峰分布位置变化趋势、所述碎片峰和所述碎片峰的主峰之间离子相对强度变化规律;
S2.2.基于所述碎片峰运动模型,构建第一质谱深度学习网络模型、第二质谱深度学习网络模型,通过所述第一质谱深度学习网络模型、第二质谱深度学习网络模型,构建孪生网络模型;
S2.3.基于所述孪生网络模型,依据奖励函数,对所述碎片峰运动模型进行训练,模拟所述分布位置变化情况和分别位置变化趋势,构建碎片峰运动模拟模型;
S2.4.基于所述碎片峰运动模拟模型,通过所述孪生网络模型,构建初始质谱深度学习网络模型。
优选地,所述第一质谱深度学习网络模型、第二质谱深度学习网络模型具有相同尺度权重和网络模型结构;
所述第一质谱深度学习网络模型、第二质谱深度学习网络模型,包括,碎片峰信息提取单元、决策单元;
所述碎片峰信息提取单元用于提取所述运动信息;
所述决策单元用于融合所述运动信息,通过跳线连接加速收敛,获得所述碎片峰分布位置变化情况和碎片峰分别位置变化趋势。
优选地,所述碎片峰信息提取单元,基于所述尺度权重,通过所述运行信息,获得多尺度特征图块,基于所述运动信息的空间位置权重,通过所述多尺度特征图块,获得空间特征图块,基于所述决策模块,获得所述碎片峰分布位置变化情况和碎片峰分别位置变化趋势。
优选地,所述碎片峰信息提取单元,包括,尺度权重模块、空间权重模块;
所述尺度权重模块用于获得所述多尺度特征图块;
所述空间权重模块用于获得所述空间特征图块。
优选地,所述尺度权重模块,包括,第一卷积层单元、第一池化层单元、第二卷积层单元、上采样单元、第二池化层单元、第三卷积层单元,第四卷积层单元,第一级联单元,第二级联单元,第三级联单元,其中,所述第二池化层包括,若干最大池化层和平均池化层;
所述第一卷积层单元与所述第一池化层单元连接;
所述第一池化层单元与所述第二卷积层单元连接;
所述第二卷积层单元与所述上采样单元连接;
所述上采样单元通过所述第一级联单元与所述第三卷积层连接;
所述上采样单元与所述第二池化层单元连接;
所述第二池化层单元通过所述第二级联单元与所述第三卷积层连接;
所述第三卷积层通过所述第三级联单元与所述第四卷积层连接。
优选地,所述空间权重模块,包括,第三池化层单元,第五卷积层单元、第四级联单元、第六卷积层单元,其中,所述第三池化层单元包括,一个最大池化层和平均池化层;
所述第三池化层单元与所述第五卷积层单元连接;
所述第五卷积层单元通过第四级联单元与所述第六卷积层单元连接。
优选地,所述决策单元,包括,第五级联单元、第六级联单元、第七级联单元、第八级联单元、第七卷积层单元、第八卷积层单元、第九卷积层单元、第十卷积层单元、第四池化层单元、全连接层单元;
所述第五级联单元通过所述第七卷积层单元与所述第六级联单元连接;
所述第六级联单元通过所述第八卷积层与所述第七级联单元连接;
所述第七级联单元通过所述第九卷积层单元与所述第八级联单元连接;
所述第八级联单元通过所述第十卷积层与所述全连接层单元连接;
所述第八卷积层单元通过所述第四池化层单元与所述第九卷积层单元连接;
优选地,所述S4还包括以下步骤:
S4.1.所述目标质谱深度学习网络模型针对所述待检测物质的单一物质进行训练识别,获得所述单一物质识别数据集;
S4.2.基于若干所述单一物质识别数据集,构建多物质识别数据集合,对所述质谱深度学习网络模型进行训练,获得多物质识别深度学习网络模型;
S4.3.基于所述多物质识别深度学习网络模型,对所待检测物质进行检测,获得所述待测物质的物质构成。
本发明的积极进步效果在于:
本发明所述方法简单快捷,基于质谱中碎片峰的变化情况,通过深度学习网络,快速识别了待测物体中的物质成分,为质谱检测提供了新的技术思路。
附图说明
图1为本发明所述的流程图;
图2为本发明所述的尺度权重模块结构示意图;
图3为本发明所述的空间权重模块结构示意图;
图4为本发明所述的决策单元结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
本发明涉及一种一种基于深度学习的质谱检测方法,包括以下步骤:
S1.基于质谱仪,通过改变电离电压,对待检测物质进行检测,获得若干对应不同电离电压的质谱谱图,其中,所述质谱谱图由所述待检测物质的若干碎片峰组成;
S2.基于所述质谱谱图,选取部分质谱谱图构建初始数据集,基于所述初始数据集,构建初始质谱深度学习网络模型,用于识别所述待检测物质的碎片峰分布情况;
S3.选取剩余质谱构建训练集,对所述质谱深度学习网络模型进行训练,获得目标质谱深度学习网络模型;
S4.基于所述目标质谱深度学习网络模型,对所述质谱谱图进行分析,通过所述碎片峰分布情况,进行所述待检测物质的解析。
所述S1包括,所述电离电压的改变范围是3eV-100eV,通过连续或定点改变,基于所述质谱仪,获得不同电离电压下的所述质谱谱图。
所述S2包括以下步骤:
S2.1.基于初始数据集,通过所述碎片峰的运动信息,构建碎片峰运动模型,其中,所述运动信息包括碎片峰分布质荷比变化情况、碎片峰分布位置变化趋势、所述碎片峰和所述碎片峰的主峰之间离子相对强度变化规律;
S2.2.基于所述碎片峰运动模型,构建第一质谱深度学习网络模型、第二质谱深度学习网络模型,通过所述第一质谱深度学习网络模型、第二质谱深度学习网络模型,构建孪生网络模型;
S2.3.基于所述孪生网络模型,依据奖励函数,对所述碎片峰运动模型进行训练,模拟所述分布位置变化情况和分别位置变化趋势,构建碎片峰运动模拟模型;
S2.4.基于所述碎片峰运动模拟模型,通过所述孪生网络模型,构建初始质谱深度学习网络模型。
所述第一质谱深度学习网络模型、第二质谱深度学习网络模型具有相同尺度权重和网络模型结构;
所述第一质谱深度学习网络模型、第二质谱深度学习网络模型,包括,碎片峰信息提取单元、决策单元;
所述碎片峰信息提取单元用于提取所述运动信息;
所述决策单元用于融合所述运动信息,通过跳线连接加速收敛,获得所述碎片峰分布位置变化情况和碎片峰分别位置变化趋势。
所述碎片峰信息提取单元,基于所述尺度权重,通过所述运行信息,获得多尺度特征图块,基于所述运动信息的空间位置权重,通过所述多尺度特征图块,获得空间特征图块,基于所述决策模块,获得所述碎片峰分布位置变化情况和碎片峰分别位置变化趋势。
所述碎片峰信息提取单元,包括,尺度权重模块、空间权重模块;
所述尺度权重模块用于获得所述多尺度特征图块;
所述空间权重模块用于获得所述空间特征图块。
所述尺度权重模块,包括,第一卷积层单元、第一池化层单元、第二卷积层单元、上采样单元、第二池化层单元、第三卷积层单元,第四卷积层单元,第一级联单元,第二级联单元,第三级联单元,其中,所述第二池化层包括,若干最大池化层和平均池化层;
所述第一卷积层单元与所述第一池化层单元连接;
所述第一池化层单元与所述第二卷积层单元连接;
所述第二卷积层单元与所述上采样单元连接;
所述上采样单元通过所述第一级联单元与所述第三卷积层连接;
所述上采样单元与所述第二池化层单元连接;
所述第二池化层单元通过所述第二级联单元与所述第三卷积层连接;
所述第三卷积层通过所述第三级联单元与所述第四卷积层连接。
所述空间权重模块,包括,第三池化层单元,第五卷积层单元、第四级联单元、第六卷积层单元,其中,所述第三池化层单元包括,一个最大池化层和平均池化层;
所述第三池化层单元与所述第五卷积层单元连接;
所述第五卷积层单元通过第四级联单元与所述第六卷积层单元连接。
所述决策单元,包括,第五级联单元、第六级联单元、第七级联单元、第八级联单元、第七卷积层单元、第八卷积层单元、第九卷积层单元、第十卷积层单元、第四池化层单元、全连接层单元;
所述第五级联单元通过所述第七卷积层单元与所述第六级联单元连接;
所述第六级联单元通过所述第八卷积层与所述第七级联单元连接;
所述第七级联单元通过所述第九卷积层单元与所述第八级联单元连接;
所述第八级联单元通过所述第十卷积层与所述全连接层单元连接;
所述第八卷积层单元通过所述第四池化层单元与所述第九卷积层单元连接;
所述S4还包括以下步骤:
S4.1.所述目标质谱深度学习网络模型针对所述待检测物质的单一物质进行训练识别,获得所述单一物质识别数据集;
S4.2.基于若干所述单一物质识别数据集,构建多物质识别数据集合,对所述质谱深度学习网络模型进行训练,获得多物质识别深度学习网络模型;
S4.3.基于所述多物质识别深度学习网络模型,对所待检测物质进行检测,获得所述待测物质的物质构成。
改变电离电压从3eV-100eV直接,可连续改变,也可设定2-n个点,对于同一种待测样品可得到对应于不同电离电压的多张谱图,这些谱图中由于电离电压的改变,相同物质所产生的碎片峰的分布会改变,因此增加了信息量,通过人工智能的学习,能够更准确的判断物质组成。
不同深度学习算法与质谱的深度结合,可以是以谱图的图片形式被学习,也可以采用二维数据或三维数据的形式进行学习。
采用逐步学习的方法建立学习数据库。
选取(A、B、C等)单一物质组份进行不同电离电压的质谱测定(电离电压从3eV到100eV调整),得到N组对应不同电离电压的单一质谱谱图建立单一物质数据库,通过深度学习使计算机能够准确判断出每种物质的种类及组成;
随机选取两种单一物质进行不同比例混合,制备一系列已知成分及含量的混合物质;通过对这些混合物质进行不同电离电压的质谱测定(电离电压从3eV到100eV调整),得到N组对应不同电离电压的混合质谱谱图建立混合物质数据库,通过深度学习使计算机能够准确判断出混合物中每种物质的种类及组成;
随机选取多种单一物质进行不同比例混合,制备一系列已知成分及含量的混合物质;通过对这些混合物质进行不同电离电压的质谱测定(电离电压从3eV到100eV调整),得到N组对应不同电离电压的混合质谱谱图建立混合物质数据库,通过深度学习使计算机能够准确判断出混合物中每种物质的种类及组成;
采用该方法得到深度学习的模型,利用该模型可以对待测样品进行测样并分析,得出样品中的成分及含量。
本发明所述方法主要应用于环保领域的气相有机及无机污染物、水体中的有机物及无机污染物、制药领域的药品成分分析等需要对有机物成分做定性及定量分析的领域。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种基于深度学习的质谱检测方法,其特征在于,包括以下步骤:
S1.基于质谱仪,通过改变电离电压,对待检测物质进行检测,获得若干对应不同电离电压的质谱谱图,其中,所述质谱谱图由所述待检测物质的若干碎片峰组成;
S2.基于所述质谱谱图,选取部分质谱谱图构建初始数据集,基于所述初始数据集,构建初始质谱深度学习网络模型,用于识别所述待检测物质的碎片峰分布情况;
S3.选取剩余质谱构建训练集,对所述质谱深度学习网络模型进行训练,获得目标质谱深度学习网络模型;
S4.基于所述目标质谱深度学习网络模型,对所述质谱谱图进行分析,通过所述碎片峰分布情况,进行所述待检测物质的解析。
2.如权利要求1所述一种基于深度学习的质谱检测方法,其特征在于,
所述S1包括,所述电离电压的改变范围是3eV-100eV,通过连续或定点改变,基于所述质谱仪,获得不同电离电压下的所述质谱谱图。
3.如权利要求1所述一种基于深度学习的质谱检测方法,其特征在于,
所述S2包括以下步骤:
S2.1.基于初始数据集,通过所述碎片峰的运动信息,构建碎片峰运动模型,其中,所述运动信息包括碎片峰分布质荷比变化情况、碎片峰分布位置变化趋势、所述碎片峰和所述碎片峰的主峰之间离子相对强度变化规律;
S2.2.基于所述碎片峰运动模型,构建第一质谱深度学习网络模型、第二质谱深度学习网络模型,通过所述第一质谱深度学习网络模型、第二质谱深度学习网络模型,构建孪生网络模型;
S2.3.基于所述孪生网络模型,依据奖励函数,对所述碎片峰运动模型进行训练,模拟所述分布位置变化情况和分别位置变化趋势,构建碎片峰运动模拟模型;
S2.4.基于所述碎片峰运动模拟模型,通过所述孪生网络模型,构建初始质谱深度学习网络模型。
4.如权利要求3所述一种基于深度学习的质谱检测方法,其特征在于,
所述第一质谱深度学习网络模型、第二质谱深度学习网络模型具有相同尺度权重和网络模型结构;
所述第一质谱深度学习网络模型、第二质谱深度学习网络模型,包括,碎片峰信息提取单元、决策单元;
所述碎片峰信息提取单元用于提取所述运动信息;
所述决策单元用于融合所述运动信息,通过跳线连接加速收敛,获得所述碎片峰分布位置变化情况和碎片峰分别位置变化趋势。
5.如权利要求4所述的一种基于深度学习的质谱检测方法,其特征在于,
所述碎片峰信息提取单元,基于所述尺度权重,通过所述运行信息,获得多尺度特征图块,基于所述运动信息的空间位置权重,通过所述多尺度特征图块,获得空间特征图块,基于所述决策模块,获得所述碎片峰分布位置变化情况和碎片峰分别位置变化趋势。
6.如权利要求5所述一种基于深度学习的质谱检测方法,其特征在于,
所述碎片峰信息提取单元,包括,尺度权重模块、空间权重模块;
所述尺度权重模块用于获得所述多尺度特征图块;
所述空间权重模块用于获得所述空间特征图块。
7.如权利要求6所述一种基于深度学习的质谱检测方法,其特征在于,
所述尺度权重模块,包括,第一卷积层单元、第一池化层单元、第二卷积层单元、上采样单元、第二池化层单元、第三卷积层单元,第四卷积层单元,第一级联单元,第二级联单元,第三级联单元,其中,所述第二池化层包括,若干最大池化层和平均池化层;
所述第一卷积层单元与所述第一池化层单元连接;
所述第一池化层单元与所述第二卷积层单元连接;
所述第二卷积层单元与所述上采样单元连接;
所述上采样单元通过所述第一级联单元与所述第三卷积层连接;
所述上采样单元与所述第二池化层单元连接;
所述第二池化层单元通过所述第二级联单元与所述第三卷积层连接;
所述第三卷积层通过所述第三级联单元与所述第四卷积层连接。
8.如权利要求6所述的一种基于深度学习的质谱检测方法,其特征在于,
所述空间权重模块,包括,第三池化层单元,第五卷积层单元、第四级联单元、第六卷积层单元,其中,所述第三池化层单元包括,一个最大池化层和平均池化层;
所述第三池化层单元与所述第五卷积层单元连接;
所述第五卷积层单元通过第四级联单元与所述第六卷积层单元连接。
9.如权利要求5所述一种基于深度学习的质谱检测方法,其特征在于,
所述决策单元,包括,第五级联单元、第六级联单元、第七级联单元、第八级联单元、第七卷积层单元、第八卷积层单元、第九卷积层单元、第十卷积层单元、第四池化层单元、全连接层单元;
所述第五级联单元通过所述第七卷积层单元与所述第六级联单元连接;
所述第六级联单元通过所述第八卷积层与所述第七级联单元连接;
所述第七级联单元通过所述第九卷积层单元与所述第八级联单元连接;
所述第八级联单元通过所述第十卷积层与所述全连接层单元连接;
所述第八卷积层单元通过所述第四池化层单元与所述第九卷积层单元连接。
10.如权利要求1所述一种基于深度学习的质谱检测方法,其特征在于,
所述S4还包括以下步骤:
S4.1.所述目标质谱深度学习网络模型针对所述待检测物质的单一物质进行训练识别,获得所述单一物质识别数据集;
S4.2.基于若干所述单一物质识别数据集,构建多物质识别数据集合,对所述质谱深度学习网络模型进行训练,获得多物质识别深度学习网络模型;
S4.3.基于所述多物质识别深度学习网络模型,对所待检测物质进行检测,获得所述待测物质的物质构成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011575558.4A CN112505133B (zh) | 2020-12-28 | 2020-12-28 | 一种基于深度学习的质谱检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011575558.4A CN112505133B (zh) | 2020-12-28 | 2020-12-28 | 一种基于深度学习的质谱检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112505133A true CN112505133A (zh) | 2021-03-16 |
CN112505133B CN112505133B (zh) | 2023-09-12 |
Family
ID=74951744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011575558.4A Active CN112505133B (zh) | 2020-12-28 | 2020-12-28 | 一种基于深度学习的质谱检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112505133B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114550840A (zh) * | 2022-02-25 | 2022-05-27 | 杭州电子科技大学 | 一种基于孪生网络的芬太尼类物质检测方法及其装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102636482A (zh) * | 2012-03-19 | 2012-08-15 | 中国农业大学 | 试剂比色与光谱检测相结合的毒死蜱农药残留速测方法 |
CN104316592A (zh) * | 2014-11-05 | 2015-01-28 | 西安石油大学 | 基于溶质迁移电喷雾电离技术的生物样品质谱分析方法 |
CN105718744A (zh) * | 2016-01-25 | 2016-06-29 | 深圳大学 | 一种基于深度学习的代谢质谱筛查方法及系统 |
CN106353394A (zh) * | 2016-08-11 | 2017-01-25 | 厦门大学 | 一种电喷雾离子源金属团簇离子的价态分布调节方法 |
CN108875595A (zh) * | 2018-05-29 | 2018-11-23 | 重庆大学 | 一种基于深度学习和多层特征融合的驾驶场景目标检测方法 |
CN110110743A (zh) * | 2019-03-26 | 2019-08-09 | 中国检验检疫科学研究院 | 一种基于云平台的世界常用农药及化学污染物七类质谱谱图自动识别系统与方法 |
WO2019243836A1 (en) * | 2018-06-22 | 2019-12-26 | Imperial College Of Science, Technology And Medicine | Methods and devices for processing mass spectrometry data |
CN110895799A (zh) * | 2018-09-13 | 2020-03-20 | 岛津分析技术研发(上海)有限公司 | 提高质谱谱图质量的方法、计算机存储介质、以及电子终端 |
US20200118650A1 (en) * | 2018-10-10 | 2020-04-16 | Shimadzu Corporation | Mass spectrometer, mass spectrometry method, and non-transitory computer readable medium |
KR20200050434A (ko) * | 2018-11-01 | 2020-05-11 | 주식회사 노스퀘스트 | 질량 스펙트럼에 기초한 균주 동정 방법 및 장치 |
CN111781292A (zh) * | 2020-07-15 | 2020-10-16 | 四川大学华西医院 | 一种基于深度学习模型的尿液蛋白质组学谱图数据分析系统 |
-
2020
- 2020-12-28 CN CN202011575558.4A patent/CN112505133B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102636482A (zh) * | 2012-03-19 | 2012-08-15 | 中国农业大学 | 试剂比色与光谱检测相结合的毒死蜱农药残留速测方法 |
CN104316592A (zh) * | 2014-11-05 | 2015-01-28 | 西安石油大学 | 基于溶质迁移电喷雾电离技术的生物样品质谱分析方法 |
CN105718744A (zh) * | 2016-01-25 | 2016-06-29 | 深圳大学 | 一种基于深度学习的代谢质谱筛查方法及系统 |
CN106353394A (zh) * | 2016-08-11 | 2017-01-25 | 厦门大学 | 一种电喷雾离子源金属团簇离子的价态分布调节方法 |
CN108875595A (zh) * | 2018-05-29 | 2018-11-23 | 重庆大学 | 一种基于深度学习和多层特征融合的驾驶场景目标检测方法 |
WO2019243836A1 (en) * | 2018-06-22 | 2019-12-26 | Imperial College Of Science, Technology And Medicine | Methods and devices for processing mass spectrometry data |
CN110895799A (zh) * | 2018-09-13 | 2020-03-20 | 岛津分析技术研发(上海)有限公司 | 提高质谱谱图质量的方法、计算机存储介质、以及电子终端 |
US20200118650A1 (en) * | 2018-10-10 | 2020-04-16 | Shimadzu Corporation | Mass spectrometer, mass spectrometry method, and non-transitory computer readable medium |
KR20200050434A (ko) * | 2018-11-01 | 2020-05-11 | 주식회사 노스퀘스트 | 질량 스펙트럼에 기초한 균주 동정 방법 및 장치 |
CN110110743A (zh) * | 2019-03-26 | 2019-08-09 | 中国检验检疫科学研究院 | 一种基于云平台的世界常用农药及化学污染物七类质谱谱图自动识别系统与方法 |
CN111781292A (zh) * | 2020-07-15 | 2020-10-16 | 四川大学华西医院 | 一种基于深度学习模型的尿液蛋白质组学谱图数据分析系统 |
Non-Patent Citations (3)
Title |
---|
MIKE LI 等: "Peak alignment of gas chromatography–mass spectrometry data with deep learning", 《JOURNAL OF CHROMATOGRAPHY A》, vol. 1604 * |
XINTONG LI 等: "An available strategy for elemental composition determination of organic impurities in commercial preparations based on accurate mass and peak ratio of isotopic fine structures (IFSs) by dual mode combined-FT-ICR-MS and fraction collection technology", 《ANALYTICA CHIMICA ACTA》, vol. 1039 * |
曾心远 等: "基于机器学习的疲劳检测及预警系统设计", 《物联网技术》, vol. 9, no. 7 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114550840A (zh) * | 2022-02-25 | 2022-05-27 | 杭州电子科技大学 | 一种基于孪生网络的芬太尼类物质检测方法及其装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112505133B (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110110743B (zh) | 一种七类质谱谱图自动识别系统与方法 | |
CN110136170B (zh) | 一种基于卷积神经网络的遥感影像建筑物变化检测方法 | |
US11965871B2 (en) | Method and system for intelligent source tracing of organic pollution of water body | |
CN116186566B (zh) | 基于深度学习的扩散预测方法及系统 | |
CN102194640B (zh) | 质量分析数据处理方法和质量分析数据处理设备 | |
Chatterjee et al. | Simultaneous authentication of species identity and geographical origin of shrimps: Untargeted metabolomics to recurrent biomarker ions | |
JP6110380B2 (ja) | クロマトグラフィ保持指標を利用した化学的同定 | |
WO2022262132A1 (zh) | 一种样品未知成分的液质联用非靶向分析方法 | |
CN106932510A (zh) | 一种植物油的分类方法 | |
CN112505133B (zh) | 一种基于深度学习的质谱检测方法 | |
US8738564B2 (en) | Method for pollen-based geolocation | |
Crimmins et al. | Non-targeted screening in environmental monitoring programs | |
US12040169B2 (en) | Processing of spatially resolved, ion-spectrometric measurement signal data to determine molecular content scores in two-dimensional samples | |
CN110455907B (zh) | 基于飞行时间质量分析器的串联质谱数据分析方法 | |
Sarycheva et al. | Formulae differences commence a database for interlaboratory studies of natural organic matter | |
CN109964300A (zh) | 用于实时同位素识别的系统和方法 | |
Varmuza | Chemometrics in mass spectrometry | |
Goggin et al. | A proof-of-concept study: Determining the geographical origin of crude palm oil with the combined use of GC-IMS fingerprinting and chemometrics | |
CN101865880A (zh) | 质谱成像数据的差异分析方法及系统 | |
US11328916B2 (en) | User defined scaled mass defect plot with filtering and labeling | |
Lucio | Datamining metabolomics: the convergence point of non-target approach and statistical investigation | |
CN112834671B (zh) | 一种用于快速鉴别质谱样本聚乙二醇污染的方法 | |
CN116297794B (zh) | 基于超高分辨质谱仪的有机物确定方法及终端设备 | |
CN117630264B (zh) | 色谱和质谱联用的分析方法、装置、存储介质及电子设备 | |
KR102376566B1 (ko) | 토양내 화학 사고 진단 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 |