[发明专利]质量色谱图的自动化解释模型构建方法、装置和电子设备

权利要求书

1.一种质量色谱图的自动化解释模型构建方法，其特征在于，所述方法包括：

获取多个样品分别对应的质量色谱图；

对各所述质量色谱图进行处理，获得对应的特征数据；

计算得到各所述特征数据的样本标签；

利用携带样本标签的特征数据对构建的神经网络模型进行训练，直至满足预设要求时得到解释模型，该解释模型可用于对待处理的质量色谱图进行自动化信息解析分析。

2.根据权利要求1所述的质量色谱图的自动化解释模型构建方法，其特征在于，各所述质量色谱图中包含色谱曲线；

所述对各所述质量色谱图进行处理，获得对应的特征数据的步骤，包括：

针对各所述质量色谱图中的色谱曲线，提取所述色谱曲线中包含的各曲线点的坐标数据；

基于所述色谱曲线的多个坐标数据构成相应的特征数据。

3.根据权利要求2所述的质量色谱图的自动化解释模型构建方法，其特征在于，所述提取所述色谱曲线中包含的各曲线点的坐标数据的步骤，包括：

遍历所述色谱曲线包含的各个曲线点，并获得各所述曲线点的灰度值；

提取出灰度值满足预设要求的曲线点，并获得提取出的曲线点的纵轴方向的坐标数据。

4.根据权利要求2所述的质量色谱图的自动化解释模型构建方法，其特征在于，每个样品对应的质量色谱图包含多张质量子色谱图，各所述质量子色谱图具有不同的质荷比；

所述针对各所述质量色谱图中的色谱曲线，提取所述色谱曲线中包含的各曲线点的坐标数据的步骤，包括：

针对各所述质量色谱图包含的各所述质量子色谱图，按预设规则截取所述质量子色谱图中包含的目标色谱曲线段；

提取各所述质量子色谱图中目标色谱曲线段包含的各曲线点的坐标数据。

5.根据权利要求4所述的质量色谱图的自动化解释模型构建方法，其特征在于，所述基于所述色谱曲线的多个坐标数据构成相应的特征数据的步骤，包括：

针对各所述质量色谱图，将所述质量色谱图包含的所有质量子色谱图像的、目标色谱曲线段的曲线点的坐标数据进行组合，得到所述质量色谱图的特征数据。

6.根据权利要求1所述的质量色谱图的自动化解释模型构建方法，其特征在于，所述计算得到各所述特征数据的样本标签的步骤，包括：

针对各所述特征数据，获得所述特征数据对应的生物标志物参数；

根据所述生物标志物参数的数值以及对应的因子得分系数，计算得到所述特征数据对应的样本标签，所述样本标签包括成熟度指标和母源类型指标。

7.根据权利要求1所述的质量色谱图的自动化解释模型构建方法，其特征在于，所述利用携带样本标签的特征数据对构建的神经网络模型进行训练，直至满足预设要求时得到解释模型的步骤，包括：

将携带样本标签的特征数据导入构建的神经网络模型，得到模型输出标签；

根据特征数据的样本标签、模型输出标签以及构建的损失函数，对所述神经网络模型的模型参数进行调整后继续训练，直至满足预设要求时，得到由所述神经网络模型训练得到的解释模型。

8.根据权利要求1-7任意一项所述的质量色谱图的自动化解释模型构建方法，其特征在于，所述多个样品包括训练样品和测试样品，所述方法还包括：

将各所述测试样品的特征数据导入训练得到的解释模型，得到各所述测试样品的测试输出标签；

根据测试样品的数量、测试输出标签和测试真实标签，计算得到模型性能评估值。

9.一种质量色谱图的自动化解释模型构建装置，其特征在于，所述装置包括：

获取模块，用于获取多个样品分别对应的质量色谱图；

处理模块，用于对各所述质量色谱图进行处理，获得对应的特征数据；

计算模块，用于计算得到各所述特征数据的样本标签；

训练模块，用于利用携带样本标签的特征数据对构建的神经网络模型进行训练，直至满足预设要求时得到解释模型，该解释模型可用于对待处理的质量色谱图进行自动化信息解析分析。

10.一种电子设备，其特征在于，包括一个或多个存储介质和一个或多个与存储介质通信的处理器，一个或多个存储介质存储有处理器可执行的机器可执行指令，当电子设备运行时，处理器执行所述机器可执行指令，以执行权利要求1-8中任意一项所述的方法步骤。