用于GC-IMS的呼气分析数据处理方法

摘要

针对呼气分析中气相色谱-离子迁移谱（Gas Chromatography-Ion Mobility Spectrometry, GC-IMS）谱峰重叠和实际应用场景下样本有限、需持续更新等问题，提出一种呼气分析数据处理方法。以健康志愿者饮用咖啡前后模拟不同生理状态，利用GC-IMS直接分析呼出气体，通过高斯二阶导数谱峰锐化算法解析GC-IMS呼气指纹图中的重叠峰，构建蒙德里安森林（Mondrian forest, MF）增量学习模型实现分类。结果表明，该方法成功解析了GC-IMS原始指纹图中的重叠峰，将峰值信噪比提高至50 dB；提取GC-IMS指纹图中解析出的谱峰位置及强度作为特征，构建的MF增量分类模型随着样本增加，平均分类准确率达到93.75%，显著优于对比的随机森林和Hoeffding树模型。这种呼气分析数据处理方法提高了分类的准确性，具有良好的实际应用前景。

关键词

气相色谱-离子迁移谱 / 呼气分析 / 重叠峰解析 / 蒙德里安森林