[发明专利]一种色谱质谱自动积分方法、系统、设备、介质

权利要求书

1.一种色谱质谱自动积分方法，其特征在于，所述自动积分方法包括：

对色谱质谱原始谱图进行转换，得到标准化谱图图片；

利用峰识别算法对所述标准化谱图图片进行初步峰识别，得到候选峰结果；

利用训练好的深度学习模型对所述标准化谱图图片进行预测，得到谱图分类结果；所述谱图分类结果包括所述标准化谱图图片中每一峰形的类型；所述类型包括噪音和正常；

基于所述谱图分类结果对所述候选峰结果进行筛选，去除所述候选峰结果中预测结果为噪音的峰结果，得到自动积分结果。

2.根据权利要求1所述的自动积分方法，其特征在于，所述色谱质谱原始谱图包括：气相色谱-单四极杆质谱、气相色谱-三重四极杆质谱、气相色谱-飞行时间质谱、液相色谱-三重四极杆质谱、液相色谱-飞行时间质谱和液相色谱-轨道阱质谱。

3.根据权利要求1所述的自动积分方法，其特征在于，所述对色谱质谱原始谱图进行转换，得到标准化谱图图片具体包括：

对于色谱质谱原始谱图的每一质谱通道，以时间为横坐标，以质谱信号强度为纵坐标，绘制得到谱图，所有所述质谱通道的谱图组成标准化谱图图片。

4.根据权利要求1所述的自动积分方法，其特征在于，所述峰识别算法为多参数、多方法的积分方法，所述多参数、多方法的积分方法包括centwave和matchfilter。

5.根据权利要求1所述的自动积分方法，其特征在于，在基于所述谱图分类结果对所述候选峰结果进行筛选之前，所述自动积分方法还包括：

根据峰高、信噪比和峰宽对所述候选峰结果进行去重和筛选，得到初步筛选后峰结果，并以所述初步筛选后峰结果作为新的候选峰结果。

6.根据权利要求1所述的自动积分方法，其特征在于，在利用训练好的深度学习模型对所述标准化谱图图片进行预测，得到谱图分类结果之前，所述自动积分方法还包括对深度学习模型进行训练，得到训练好的深度学习模型，具体包括：

获取数据集；所述数据集包括多张训练用标准化谱图图片和每一所述训练用标准化谱图图片对应的标签；所述标签为所述训练用标准化谱图图片中所有峰形的类型；

构建深度学习模型；

将所述数据集划分为训练集和验证集；

以所述训练集作为输入，对所述深度学习模型进行训练，得到训练后模型；

调整所述训练后模型的超参数，得到优化后模型；

判断是否达到预设迭代次数；

若是，则以所述测试集为输入，计算所有所述优化后模型的预测效果，并选取预测效果最好的优化后模型作为所述训练好的深度学习模型；

若否，则以所述优化后模型作为下一迭代中的深度学习模型，返回“以所述训练集作为输入，对所述深度学习模型进行训练，得到训练后模型”的步骤。

7.根据权利要求6所述的自动积分方法，其特征在于，所述深度学习模型包括依次连接的输入层、多个卷积神经层、长短记忆层、全连接层以及输出层；每一所述卷积神经层、所述长短记忆层和所述全连接层均包括ReLU激活函数、正则归一化层和dropout层，所述输出层包括SoftMax激活函数。

8.一种色谱质谱自动积分系统，其特征在于，所述自动积分系统包括：

转换模块，用于对色谱质谱原始谱图进行转换，得到标准化谱图图片；

初步识别模块，用于利用峰识别算法对所述标准化谱图图片进行初步峰识别，得到候选峰结果；

预测模块，用于利用训练好的深度学习模型对所述标准化谱图图片进行预测，得到谱图分类结果；所述谱图分类结果包括所述标准化谱图图片中每一峰形的类型；所述类型包括噪音和正常；

筛选模块，用于基于所述谱图分类结果对所述候选峰结果进行筛选，去除所述候选峰结果中预测结果为噪音的峰结果，得到自动积分结果。