[发明专利]基于深度学习的磁共振信号的去J耦合方法

说明书

基于深度学习的磁共振信号的去J耦合方法，涉及磁共振信号。根据磁共振波谱信号的特征，构建网络输入数据的数学模型和网络标签，即无J耦合现象的频谱实部的数学模型，由数学模型生成仿真信号，构建训练集数据和测试集数据；搭建网络模型，设置好相关的训练参数；将训练集数据输入到网络模型中训练网络，调整网络参数，直至损失函数下降至收敛并趋于稳定，得到功能化的网络模型；将测试集数据信号输入到训练后的功能化的网络模型中，得到经网络去耦合得到的理想吸收谱图，并与标签进行比较以验证网络的性能。实现去耦合以及去噪的功能，实现端到端的功能，无需对谱信号进行预处理等其他辅助手段操作，使用神经网络真正实现去耦合去噪功能。

技术领域

本发明涉及磁共振信号的去J耦合方法，尤其是涉及一种基于深度学习的磁共振信号的去J耦合方法。

背景技术

磁共振(NMR)被广泛地应用在化学计量分析和生物技术领域，从磁共振波谱中可以得到丰富的分子结构信息。分辨率和灵敏度对于利用核磁共振谱提取详细的分子结构信息是至关重要的，自核磁共振波谱技术问世以来^[1-3]，人们不断寻求新的方法来提高同核相关实验的分辨率和灵敏度。而实验中，核之间的耦合作用使信号产生多重分裂，从而使谱图复杂度提高，分辨率和灵敏度降低。二维核磁共振实验如TOCSY和NOESY中引入的额外维度可以减少信号重叠的影响，但在很多应用中谱峰重叠仍然很严重，导致无法进行可靠的化学位移指认，并影响分子结构的分析。同核耦合和异核耦合都会产生多重裂分，后者在同核相关实验中相对少见，必要时可在核磁信号演化或获取过程中被轻易抑制。然而，要抑制或去除同核耦合则十分困难，直到最近才出现了实用的去耦合方法^[4-7]。这种方法得到的纯化学位移谱对每个化学性质不同的位点只含有一个信号，可去除普通耦合产生的裂分，但在灵敏度上有很大的损失^[8]。另外也伴随着伪峰、较高的实验难度和较长的实验时间等问题。

深度学习通过分析并组合初级(浅层)特征，学习更加抽象和复杂的高层特征，以实现对数据的分类，或通过进一步组合高层特征进行数据的处理^[9]。随着越来越多的优秀网络模型的提出，如卷积神经网络^[10]、残差网络(residual network，ResNet)^[11]和生成对抗网络(generative adversarialnetwork，GAN)^[12]，深度学习的应用也越来越广泛、成熟。

参考文献：

[1]Jeener,J.Ampère International Summer School,BaskoPolje,Yugoslavia,1971.

[2]Ernst,R.R.Chimia 1975,29,179.

[3]Aue,W.P.；Bartholdi,E.；Ernst,R.R.J.Chem.Phys.1976,64,2229.

[4]Zangger,K.；Sterk,H.J.Magn.Reson.1997,124,486.

[5]Pell,A.J.；Edden,R.A.E.；Keeler,J.Magn.Reson.Chem.2007,45,296.

[6]Aguilar,J.A.；Faulkner,S.；Nilsson,M.；Morris,G.A.Angew.Chem.,Int.Ed.2010,49,3901.

[7]Aguilar,J.A.；Nilsson,M.；Morris,G.A.Angew.Chem.,Int.Ed.2011,50,9716.