质谱技术再升级LSTM-EEMD融合策略优化小型质谱仪现场检测
近日，北方工业大学电控学院李明研究员在国际知名学术期刊《Talanta》(中科院一区、TOP期刊)上发表了题为“Signal Processing for Miniature Mass Spectrometer Based on LSTM-EEMD Feature Digging”的重要研究论文。该研究在小型质谱仪数据处理领域取得了重大突破，提出了一种创新的基于长短期记忆-集合经验模态分解(LSTM-EEMD)的数据处理方法，为提升小型质谱仪在复杂基质样品和恶劣环境下的现场检测性能开辟了新。 微型质谱仪由于体积小、成本低，在现场检测方面具有巨大的应用潜力。然而，其信号的非平稳性和易受干扰的特性一直是制约其应用扩展的关键因素，尤其是在生命科学、生物医药等需要高精度检测的领域。传统数据处理方法在面对复杂基质样品时往往力不从心，难以有效滤除干扰，提升数据质量。李明研究员及其团队针对这一难题，深入探索并创新性地提出了LSTM-EEMD数据处理方法，为质谱数据的优化处理提供了新思路。 该研究的核心在于将集合经验模态分解(EEMD)与长短期记忆网络(LSTM)相结合。EEMD方法以其强大的信号分解能力，能够清晰地区分质谱信号中的不同物理特征分量；而LSTM网络则以其独特的记忆机制和自适应学习能力，能够深入挖掘信号内部的复杂关系。通过将两者有机结合，研究团队成功设计出一种能够自适应优化EEMD信号重构参数的数据优化算法，显著提升了质谱数据的质量。 实验结果显示，LSTM-EEMD方法不仅在数据决定系数(R2)和相对标准偏差(RSD)等关键指标上表现出色，还极大地拓宽了小型质谱仪的线性范围，实现了全自适应处理流程，显著提高了检测效率和准确性。这一成果不仅为小型质谱仪在生命科学、生物医药等领域的广泛应用奠定了坚实基础，也为质谱数据处理技术的发展注入了新的活力。 【素材来源：北方工业大学】
