[发明专利]基于神经网络算法的核磁共振波谱去噪方法

说明书

基于神经网络算法的核磁共振波谱去噪方法，涉及核磁共振波谱去噪方法。利用matlab程序代码模拟无噪声与有噪声的FID信号，经过傅里叶变换后生成核磁共振模拟纯净波谱与噪声波谱；建立多个样品的谱图数据集；划分整体数据集为训练集、验证集、测试集；设计神经网络结构并使用验证集选取神经网络超参数；利用测试数据对神经网络模型进行测试检验；利用实验数据对神经网络模型进行进一步的测试检验；可快速实现核磁共振噪声波谱的去噪功能，节约采集核磁共振波谱的实验时间。能去除一维以及二维核磁共振波谱的噪声，并保留波谱谱峰；也适用于去除多个信噪比的噪声波谱的噪声，并能保留波谱谱峰。对各种不同的噪声波谱表现出更佳的鲁棒性。

技术领域

本发明涉及核磁共振波谱去噪方法，尤其是涉及一种基于神经网络算法的核磁共振波谱去噪方法。

背景技术

核磁共振(NMR)波谱分析广泛应用于生物大分子结构，相互作用以及动力学的研究。然而，与其它谱学分析方法(如质谱)相比，NMR波谱的灵敏度较低，这使NMR分析需要更多的样品量或更长的采样时间，才能获得信噪比(SNR)足够的谱图。因此，当样品量很少或样品不够稳定时，NMR检测就会遇到困难。NMR谱图的SNR由信号强度与噪声水平两个因素决定，因此，提高SNR的途径包括信号增强与噪声抑制两种方式：1)通过NMR信号增强提高波谱SNR，此类方法包括：采用更高场强的NMR谱仪；采用超极化方法提高极化度；设计NMR脉冲序列提高信号强度。2)通过抑制NMR波谱噪声提高波谱SNR，此类方法包括：通过硬件手段降低热噪声水平、提高SNR；通过数据后处理方法抑制噪声。

以上各类方法各有其优缺点，相较而言，数据后处理技术可应用于任何NMR脉冲实验和样品体系中，是一种普适的抑制噪声、提高SNR的方法，对谱仪硬件无额外要求，性价比极高。因此，发展噪声抑制的数据处理新方法，是对其它提高SNR方法的有力补充。BinJiang等(Bin Jiang,et al.NASR:An Effective Approach for Simultaneous Noise andArtifact Suppression in NMR Spectroscopy.Analytical Chemistry 2013 85(4),2523-2528DOI:10.1021/ac303726p)提出一种基于统计重采样的NASR方法，这种方法利用噪声的随机特性，通过统计分析可对噪声进行有效地识别与抑制。然而随着计算机技术的快速发展，特别是图形处理器(GPU)和并行算法的快速发展，硬件计算能力的成熟让我们能够借助于近期已被成功应用到多个领域的神经网络技术，将其引入到提高核磁共振波谱SNR领域，利用其强大的拟合抽象函数能力，将一张低SNR的谱图输入训练好的神经网络模型，输出对应的高SNR的谱图，从而实现核磁共振波谱的去噪功能。

发明内容

本发明的目的在于提供能够快速地去除核磁共振波谱的噪声，大大缩短核磁共振实验时间的基于神经网络算法的核磁共振波谱去噪方法。

本发明包括以下步骤：

1)利用matlab程序模拟自由感应衰减信号(FID信号)生成多个样品的核磁共振波谱数据集，通过对模拟生成的FID信号加入高斯白噪声，来模拟核磁共振实验时带入噪声的机制，而后对有噪声和无噪声的FID信号进行傅里叶变换得到有噪声的核磁共振波谱数据集以及其对应的标签数据集；

2)通过产生不同化学位移值、不同信噪比、不同谱峰强度模拟一个样品的无噪声波谱作为标签数据，通过对其FID信号加入10种不同的噪声，生成此样品的10张模拟噪声波谱作为其标签对应的训练数据，以此建立训练数据集，将训练数据集分为训练集，验证集和测试集三个部分；

3)对上述所有训练数据集包含训练集，验证集和测试集进行数据归一化预处理；

4)设计能够实现去噪效果的神经网络模型结构；