Identification of Specific Substances in the FAIMS Spectra of Complex Mixtures Using Deep Learning.
Identification of Specific Substances in the FAIMS Spectra of Complex Mixtures Using Deep Learning.
复制标题
使用深度学习识别复杂混合物 FAIMS 光谱中的特定物质
DOI：
10.3390/s21186160
复制
发表时间：
2021-09-14
期刊：
影响因子：
--
通讯作者：
Xiao W
中科院分区：
文献类型：
--
作者：
Li H;Pan J;Zeng H;Chen Z;Du X;Xiao W
单种化学物质的高场不对称离子迁移谱（FAIMS）光谱很容易解释，但在复杂的混合物中识别特定的化学物质是困难的。本文证明了FAIMS系统可以检测复杂混合物中的特定化学品。利用自制的FAIMS系统对乙醇、乙酸乙酯、丙酮、4-甲基-2-戊酮、丁酮及其混合物进行分析，建立数据集。构建了一个EfficientNetV 2判别模型，并使用盲测试集来验证深度学习模型是否能够完成所需的任务。结果表明，预训练的EfficientNetV 2模型以0.1的学习率以及200次迭代完成收敛。利用训练好的模型和自制的FAIMS系统可以有效地识别复杂混合物中的特定物质。乙醇、乙酸乙酯和丙酮在盲测组中的准确度分别为100%、96.7%和86.7%，远高于传统方法。深度学习网络提供比传统FAIMS光谱分析方法更高的准确性。这简化了FAIMS光谱分析过程，有助于FAIMS系统的进一步发展。
High-field asymmetric ion mobility spectrometry (FAIMS) spectra of single chemicals are easy to interpret but identifying specific chemicals within complex mixtures is difficult. This paper demonstrates that the FAIMS system can detect specific chemicals in complex mixtures. A homemade FAIMS system is used to analyze pure ethanol, ethyl acetate, acetone, 4-methyl-2-pentanone, butanone, and their mixtures in order to create datasets. An EfficientNetV2 discriminant model was constructed, and a blind test set was used to verify whether the deep-learning model is capable of the required task. The results show that the pre-trained EfficientNetV2 model completed convergence at a learning rate of 0.1 as well as 200 iterations. Specific substances in complex mixtures can be effectively identified using the trained model and the homemade FAIMS system. Accuracies of 100%, 96.7%, and 86.7% are obtained for ethanol, ethyl acetate, and acetone in the blind test set, which are much higher than conventional methods. The deep learning network provides higher accuracy than traditional FAIMS spectral analysis methods. This simplifies the FAIMS spectral analysis process and contributes to further development of FAIMS systems.
登录
查看更多内容
影响因子：
4.9
作者：
Arasaradnam, Ramesh P.;Ouaret, Nathalie;Covington, James A.
通讯作者：
Covington, James A.
DOI：
10.1016/j.trstmh.2009.02.004
发表时间：
2009-11-01
影响因子：
2.2
作者：
Garner, C. E.;Smith, S.;Probert, C. S. J.
通讯作者：
Probert, C. S. J.
影响因子：
16.6
作者：
Kopp, Wolfgang;Monti, Remo;Akalin, Altuna
通讯作者：
Akalin, Altuna
影响因子：
7.5
作者：
CORTES, C;VAPNIK, V
通讯作者：
VAPNIK, V
影响因子：
4.3
作者：
Krebs, MD;Zapata, AM;Davis, CE
通讯作者：
Davis, CE