峰侦测与事前处理方法.pdf

4 峰偵測與事前處理方法 本文利用模擬的質譜資料，希望比較 CWT 與 caMassClass 兩種峰偵測方法， 此章節會將 CWT 與 caMassClass 兩種峰偵測方法的偵測流程與理論，以及分析 質譜資料一般會採用的事前處理步驟，做一個詳細的敘述。 4.1 連續小波轉換的峰偵測方法 這個方法為 Du 等人在2006 年提出的，首先要將質譜資料裡面的強度 (intensity) ，轉換成二維的連續小波係數矩陣，轉換的方式是利用以下的CWT的 數學式子 : 1 t −b + ψ ψ ψ ∈ − ∈ C(a, b) ∫s(t) a ,b (t)dt, a ,b (t) ( ), a R {0}, b R a a R 其中s(t )是我們的質譜訊號 (signal) ，a是尺度 (scale) ，b是轉換 (translation) ，ψ(t) 是母小波 (mother wavelet), ψ (t)是尺度與轉換小波 (translated wavelet) ，而C是 a ,b 二維的 CWT係數矩陣。 以上數學式子將質譜強度轉換成小波係數的概念與目的，是為了找尋訊號 s(t ) 與母小波ψ(t) 之間圖像的契合程度，若是有較高的契合程度，那麼就會有較 大的小波係數，因此我們的母小波ψ(t) 必須要選擇與峰有類似的基本特徵，像是 具有對稱性，還有恆正的峰，因此在分析上， Du 等人使用了墨西哥帽小波(Mexican Hat wavelet,圖 4.1.1)當作母小波，此墨西哥帽小波成比例於高斯機率密度函數的 二階導數；而ψ (t)這個函數，象徵了母小波的寬度與高度，其中 a(尺度 )代表的 a ,b 是寬度與高度， a越大則越矮寬，越小則越高窄，因此a其實可以用來估計峰的寬 度， b(轉換 )代表的是位置，藉由不同的 a, b值可以觀察不同的母小波形狀 (如圖 4.1.2) 以及訊號的契合度，所以我們將找尋峰的問題，轉換成找尋小波係數的區 域極大值，若某個 m/z位置在各個尺度下其小波係數都是極大值，那麼我們認為 該 m/z之下有峰存在的可能。 11 圖 4.1.1 墨西哥帽小波圖形 圖片來源： ( Felix Herrmann, ERL-MIT) 圖 4.1.2 不同 a, b下的ψ 形狀 圖片來源： ( Felix Herrmann, ERL-MIT) a ,b 經由以上的數學式子，我們可以將質譜資料的強度，轉換成二維的連續小波 係數矩陣，此矩陣的列為各個 a(尺度 )值，行為質譜資料的 m/z 次序，也就是第 幾個 m/z ，接著下一步是找出此矩陣每一個尺度下滑動窗(sliding window)內大於 零的所有區域極大值(local maxima) ，而每個窗口寬度在各個尺度下並不一致，原 12 則上是與尺度的大小成比例的，越大的尺度所用的滑動窗越寬，我們用下列式子 來表示滑動窗的寬度，假設滑動窗的寬度為w ，則當a=1時， w=5 ；當a ≥2時， w=2a+1 ，所以最小尺度a=1 滑動窗寬度為 5 ，即此滑動窗包含了5個小波係數。 藉由將連續小波係數矩陣上的區域極大值連線，可以做出脊線 (ridge line) ，接著 介紹脊線的做法，假設二維小波係數是一個N ×M的矩陣，在此 N 為小波轉換 的尺度個數， M 為質譜資料 m/z的個數，脊線的連成有以下幾個步驟 : (1)脊線的起點是先從最大尺度開始，所以小波係數矩陣內第 n(n=N)列的區域極 大值的點，