叶 倩,洪欢欢,,周 峰,郭 荣,,李刚强,,闻路红,,陈 腊,*
(1.宁波大学 高等技术研究院,浙江 宁波 315211;2.宁波华仪宁创智能科技有限公司,浙江 宁波 315100)
直接电离质谱技术[1-2]可在敞开式环境下实现原位、快速实时离子化,且无需或只需极少的样品前处理,广泛应用于化妆品[3]、毒品[4]、爆炸物[5]等领域。介质阻挡放电离子源-质谱(DBDI-MS)是最常见的直接电离质谱分析方法之一,具有结构简单、成本低廉、操作简便等优点,可实现对气、液、固态样品的直接分析[6-7]。然而,直接电离质谱常因工作环境和样品基质差异大,质谱信号易受干扰,同时质谱信号中噪声峰、同位素峰等的存在会降低目标物质鉴定的准确性[8],从而给质谱数据处理和分析带来巨大挑战。常见质谱检测数据分析方法主要包括提取离子流(Extracted Ion Current,EIC)计算信噪比[9]、高斯混合模型(Gaussian Mixture Model,GMM)[10]和机器学习(Machine Learning,ML)[11]等。如Garcia-Reyes等[5]通过计算爆炸物与背景信号强度的信噪比来判断是否检出,但该方法需预设定信噪比阈值;Gao等[10]引入GMM方法计算未知谱峰到噪声基线的距离,通过距离的远近实现对有用信号和噪声信号的分类。Gradisek等[12]研究发现,利用ML可提高电子鼻对爆炸物的化学选择性,从而提高分类准确性;Morton等[13]采用神经网络方法分析微生物-代谢物对的共存情况,可处理多个数量级较大范围强度的数据,具有广泛的适用性。由于传统的EIC和GMM仅利用峰强信息,忽略了峰位置、半峰宽等重要峰形特征,而ML可充分挖掘质谱信号中相关参数作为特征指标,因此可提高检测的准确性。……