文献类型：期刊文章

作　　者：詹昊霖[1,2] 房启元[1] 刘佳伟[1] 史晓琦[2] 陈心语[1] 黄玉清[2] 陈忠[2]

Haolin Zhan;Qiyuan Fang;Jiawei Liu;Xiaoqi Shi;Xinyu Chen;Yuqing Huang;Zhong Chen(Department of Biomedical Engineering,Anhui Province Key Laboratory of Measuring Theory and Precision Instrument,School of Instrument Science and Opto-electronics Engineering,Hefei University of Technology,Hefei 230009,China;Department of Electronic Science,Fujian Provincial Key Laboratory of Plasma and Magnetic Resonance,State Key Laboratory of Physical Chemistry of Solid Surfaces,Xiamen University,Xiamen 361005,Fujian Province,China)

机构地区：[1]合肥工业大学仪器科学与光电工程学院生物医学工程系,测量理论与精密仪器安徽省重点实验室,合肥230009 [2]厦门大学电子科学系,福建省等离子体与磁共振重点实验室,固体表面物理化学国家重点实验室,福建厦门361005

出　　处：《物理化学学报》

基　　金：国家自然科学基金(22204038)资助项目。

年　　份：2025

卷　　号：41

期　　号：2

起止页码：90-97

语　　种：中文

收录情况：BDHX、BDHX2023、核心刊

摘　　要：核磁共振(NMR)波谱是一种用于探测分子结构和提供定量分析的稳健的非侵入性表征技术。然而,进一步的NMR应用通常受到低灵敏度性能的限制,尤其是对于异核实验。在此,我们提出了一种轻量级的深度学习协议,用于高质量、可靠和快速的NMR波谱降噪。该深度学习(DL)协议具有轻量级的网络优势和快速的计算效率,有效地抑制噪声和伪峰信号,并恢复几乎完全淹没在严重噪声中的目标弱峰,从而实现了可观的信噪比提升。此外,它仅使用物理驱动的仿真NMR数据学习,在频域中实现令人满意的波谱去噪,并允许区分真实信号和噪声伪影。此外,训练的轻量级网络模型通用于一维和多维NMR波谱,并适用于不同的化学样品。因此,本研究呈现的深度学习方法在化学、生物学、材料和生命科学等领域具有应用潜力。

关 键 词：核磁共振波谱 人工智能 深度学习  谱图去噪  轻量级网络  

分 类 号：O641]