核磁共振波谱信号分析中的尺度缩放新算法

尺度缩放(scaling)是代谢组学数据处理中的一个重要环节,其主要目的是增强后续多元统计模型的分析能力.但目前常用的尺度缩放方法大多将尺度缩放当成一个独立的数据处理步骤,而未考虑多元统计模型的需要,使得后续的多元统计模型难以达到最优的分析能力.因此,提出一种模型自适应的数据尺度缩放算法,该算法将模型性能的代价函数写成变量缩放系数的一个函数,通过最大化代价函数来寻找最优的变量缩放系数.并且利用真实的核磁共振波谱数据对新方法进行评估,与单位方差法(unit variance,UV)、帕莱托法(Pareto)和变量稳定性法(variable stability,VAST)3种常用的尺度缩放方法进行比较.结果表明,新方法能够保留谱数据的结构信息,有效增强重要变量,抑制噪声和无关变量,提高模型的解释能力和预测能力.