【技术实现步骤摘要】
本申请涉及核磁共振波谱学检测领域，尤其是涉及一种基于深度神经网络获取核磁共振纯化学位移谱的方法。
技术介绍
1、核磁共振技术是一种非侵入性的方法，可用于分析分子结构和动力学解析，在生物、医学、化学分析等领域得到广泛应用。核磁共振氢谱具有最高的灵敏度，是核磁共振波谱技术中最主要的研究方法之一。但是，氢谱的化学位移范围较窄，而且标量耦合会引起的广泛的信号分裂，谱峰重叠的现象严重，阻碍了信息的提取，影响谱图解析和物质结构分析。
2、纯化学位移氢谱通过重聚标量耦合，将所有信号转换成单峰(单峰位置为该氢核的化学位移)，消除谱峰分裂，改善了谱峰分散度，显著提高了谱图分辨率。然而，目前主流的纯化学位移方法的灵敏度普遍较低。
3、psyche方法是目前最有前景的纯化学位移方法，与其他的纯化学位移方法相比，灵敏度显著提高，可以达到常规谱图的3-20％，更能容忍强耦合，可以实现复杂小分子和蛋白质大分子的超高分辨率1d谱。但是psyche方法需要选择合适的chirp脉冲翻转角度来平衡谱图的灵敏度和去耦效果：采用较小的chirp脉冲翻转角度，谱图的去耦效果较好，但灵敏度较低；使用较大的chirp脉冲翻转角度，谱图灵敏度较高，但残留的未去耦伪峰强度较强，容易对谱图归属和解析带来误差，这个缺点限制psyche纯化学位移方法的广泛应用。
技术实现思路
1、为了解决上述技术问题，本申请提供一种基于深度神经网络获取核磁共振纯化学位移谱的方法，包括：
2、s1、基于预设脉冲翻转角的
3、s2、基于理想的纯化学位移谱图作为标签数据，通过所述训练数据对预设的深度神经网络模型进行训练；
4、s3、对实际psyche纯化学位移谱图进行数据后处理，将处理后的所述实际psyche纯化学位移谱图输入训练后的深度神经网络模型，以获得去除未去耦伪峰的纯化学位移谱图。
5、在一些具体的实施例中，步骤s1所述预设脉冲翻转角包括60度的chirp脉冲翻转角。通过chirp脉冲翻转角度为60度的psyche序列采集纯化学位移谱，信号的灵敏度提升四倍，但是有强未去耦伪峰，故需要通过该预设脉冲翻转角获取的模拟psyche纯化学位移谱图作为训练数据，以训练深度神经网络模型能够消除该强去耦伪峰并保留所有纯化学位移信号。
6、在一些具体的实施例中，步骤s1所述基于预设脉冲翻转角的psyche序列获取若干个核磁共振单峰的自由感应衰减信号通过以下公式获取：
7、
8、
9、fid(t1,t2)＝fid1+fid2
10、其中，fid(t1,t2)为核磁共振单峰的自由感应衰减信号，fid1为纯化学位移信号分量，fid2为未去耦伪峰分量，i为虚数符号，a、f、t2、j、pow、β分别表示振幅、频率、横向弛豫时间、j偶合强度、偶合自旋数和chirp脉冲翻转角角度，t1的时间范围为na*(m-1)/sw至(na*m-1)/sw，t2的时间范围为(-na/2)/sw至(na/2-1)sw，m的取值为1-nd，nd为fid信号的采集块数，sw为谱宽，na为每块的采样点数。
11、在一些具体的实施例中，步骤s1所述对所述核磁共振多峰自由感应衰减信号进行数据后处理具体包括以下步骤：
12、s11、对所述核磁共振多峰自由感应衰减信号进行傅里叶变换、相对最大值归一化，并再次进行傅里叶反变换以获得若干个纯化学位移信号分量；
13、s12、分别对所述若干个纯化学位移信号分量的实部和虚部加入相同强度的高斯白噪声，基于加入白噪声后的信号分量进行傅里叶变换、相对最大值归一化，以获得训练数据。
14、在一些具体的实施例中，步骤s2所述理想的纯化学位学位移谱通过以下公式获取：
15、fid(t)＝aexp(i2πft)exp(-t/t2)
16、其中，t为采样时间，i为虚数符号，a、f、t2分别表示振幅、频率、横向弛豫时间。
17、在一些具体的实施例中，步骤s2所述预设的深度神经网络模型包括依次连接的一个卷积层、十二个残差模块和三个卷积层，所述残差模块包括依次连接的第一卷积层、第一bn层、第一leakyrelu函数层、第一dropout函数层、第二卷积层、第二bn层、第二leakyrelu函数层和第二dropout函数层。
18、在一些具体的实施例中，所述残差模块的输入与所述第二dropout函数层的输出相加得到所述残差模块的输出，并且所述残差模块每四个之间有一个残差连接，其中，第一残差模块的输入和第四残差模块的输出相加得到第五残差模块的输入，第五残差模块的输入和第八残差模块的输出相加得到第九残差模块的输入，第九残差模块的输入和第十二残差模块的输出相加得到卷积层的输入。
19、在一些具体的实施例中，步骤s3所述对实际psyche纯化学位移谱图进行数据后处理具体包括以下步骤：
20、s31、对所述实际psyche纯化学位移谱图傅里叶变换为固定点数个复数点的频谱；
21、s32、基于所述固定点数个复数点的频谱获取对应频谱实部，基于所述频谱实部相对所有频谱的最大值进行归一化。
22、根据本专利技术的第二方面，提出了一种基于深度神经网络获取核磁共振纯化学位移谱的系统，该系统包括：
23、训练数据获取模块，被配置用于基于预设脉冲翻转角的psyche序列获取若干个核磁共振单峰的自由感应衰减信号，将若干个核磁共振单峰自由感应衰减信号相加，以获得模拟psyche纯化学位移谱图，对所述模拟psyche纯化学位移谱图进行数据后处理，以获得训练数据；
24、模型训练模块，被配置用于基于理想的纯化学位移谱图作为标签数据，通过所述训练数据对预设的深度神经网络模型进行训练；
25、执行模块，被配置用于对实际psyche纯化学位移谱图进行数据后处理，将处理后的所述实际psyche纯化学位移谱图输入训练后的深度神经网络模型，以获得去除未去耦伪峰的纯化学位移谱图。
26、根据本专利技术的第三方面，提出了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
27、本专利技术提出了一种基于深度神经网络获取核磁共振纯化学位移谱的方法，其技术效果在于：
28、通过深度神经网络模型对基于较大chirp翻转角度的psyche序列获取的纯化学位移谱进行未去耦伪峰的去除，同时也保留所有纯化学位移信号，获得干净的高灵敏度的纯化学位移谱。
本文档来自技高网...【技术保护点】
1.一种基于深度神经网络获取核磁共振纯化学位移谱的方法，其特征在于，包括：
2.根据权利要求1所述的一种基于深度神经网络获取核磁共振纯化学位移谱的方法，其特征在于，步骤S1所述预设脉冲翻转角包括60度的Chirp脉冲翻转角。
3.根据权利要求1所述的一种基于深度神经网络获取核磁共振纯化学位移谱的方法，其特征在于，步骤S1所述基于预设脉冲翻转角的PSYCHE序列获取若干个核磁共振单峰的自由感应衰减信号通过以下公式获取：
4.根据权利要求1所述的一种基于深度神经网络获取核磁共振纯化学位移谱的方法，其特征在于，步骤S1所述对所述核磁共振多峰自由感应衰减信号进行数据后处理具体包括以下步骤：
5.根据权利要求1所述的一种基于深度神经网络获取核磁共振纯化学位移谱的方法，其特征在于，步骤S2所述理想的纯化学位学位移谱通过以下公式获取：
6.根据权利要求1所述的一种基于深度神经网络获取核磁共振纯化学位移谱的方法，其特征在于，步骤S2所述预设的深度神经网络模型包括依次连接的一个卷积层、十二个残差模块和三个卷积层，所述残差模块包括依次连接的
7.根据权利要求6所述的一种基于深度神经网络获取核磁共振纯化学位移谱的方法，其特征在于，所述残差模块的输入与所述第二Dropout函数层的输出相加得到所述残差模块的输出，并且所述残差模块每四个之间有一个残差连接，其中，第一残差模块的输入和第四残差模块的输出相加得到第五残差模块的输入，第五残差模块的输入和第八残差模块的输出相加得到第九残差模块的输入，第九残差模块的输入和第十二残差模块的输出相加得到卷积层的输入。
8.根据权利要求1所述的一种基于深度神经网络获取核磁共振纯化学位移谱的方法，其特征在于，步骤S3所述对实际PSYCHE纯化学位移谱图进行数据后处理具体包括以下步骤：
9.一种基于深度神经网络获取核磁共振纯化学位移谱的系统，其特征在于，该系统包括：
10.一种电子设备，包括：
...【技术特征摘要】
1.一种基于深度神经网络获取核磁共振纯化学位移谱的方法，其特征在于，包括：
2.根据权利要求1所述的一种基于深度神经网络获取核磁共振纯化学位移谱的方法，其特征在于，步骤s1所述预设脉冲翻转角包括60度的chirp脉冲翻转角。
3.根据权利要求1所述的一种基于深度神经网络获取核磁共振纯化学位移谱的方法，其特征在于，步骤s1所述基于预设脉冲翻转角的psyche序列获取若干个核磁共振单峰的自由感应衰减信号通过以下公式获取：
4.根据权利要求1所述的一种基于深度神经网络获取核磁共振纯化学位移谱的方法，其特征在于，步骤s1所述对所述核磁共振多峰自由感应衰减信号进行数据后处理具体包括以下步骤：
5.根据权利要求1所述的一种基于深度神经网络获取核磁共振纯化学位移谱的方法，其特征在于，步骤s2所述理想的纯化学位学位移谱通过以下公式获取：
6.根据权利要求1所述的一种基于深度神经网络获取核磁共振纯化学位移谱的方法，其特征在于，步骤s2所述预设的深度神经网络模型包括依次连接的一个卷积层、十二个...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。