[发明专利]一种基于深度学习的代谢质谱筛查方法及系统

权利要求书

1.一种基于深度学习的代谢质谱筛查方法，其特征在于，包括步骤：

A、获得训练样本数据集S＝{S1，S2，...Sn，...，SN}，其中任意质谱Sn＝[(m1，i1)，(m2，i2)，...(md，id)，...]，md和id分别为第d条谱线的质核比与强度值；所述训练样本数据集S对应的类标矢量为c＝{c1，c2，...，cN}；

B、对S中的每个质谱进行预处理得到代谢质谱特征数据集T＝{T1，T2，...，TN}；

C、构造类标集合为C＝[C1，C2，...，CN]，设若原类标矢量c中的任意样本类标cn＝k，则对应的Cn构造为除第k维数值为1外，其余数值均为0的K维矢量；

D、将预处理后的代谢质谱特征数据集T＝{T1，T2，...，TN}与类标集合C用于深度学习网络的训练；

E、构造包含1个输入层，1个输出层，以及L个隐含层的深度学习网络结构，其中输入层具有2D个节点，输出层具有K个节点，对于任意第个隐含层，设其节点数为且具有递减关系D为从Sn中选择强度值最高的谱线数量；

F、使用栈式自编码器分别训练各隐含层；

G、使用逻辑回归作为输出层节点的激活函数，逐一训练输出层的节点；

H、在对各层分别进行训练后，依次栈式叠加，构成代谢质谱筛查深度学习网络；

I、使用BP算法对代谢质谱筛查深度学习网络的网络参数进行整体微调；

J、在训练完成后，将代谢质谱筛查深度学习网络用于代谢质谱样本的并行检测与筛查。

2.根据权利要求1所述的基于深度学习的代谢质谱筛查方法，其特征在于，在步骤J中，对于新输入的代谢质谱样本s，先进行预处理，获得特征矢量T，而后送入代谢质谱筛查深度学习网络进行并行预测，获得对应的输出状态矢量为O。