Reverse Curve Fitting Approach for Quantitative Deconvolution of Closely Overlapping Triplets in Fourier Transform Nuclear Magnetic Resonance Spectroscopy Using Odd-Order Derivatives
Notice bibliographique
Résumé
A new deconvolution strategy, reverse curve fitting, was developed to determine peak positions and independent intensities of overlapping Fourier transform (FT) nuclear magnetic resonance (NMR) bands. From the third-order derivative of the overlapping band, the peak position was estimated from its zero-crossing point and the peak intensity was quantitated by partial curve matching with its primary maxima. Every matched peak in the overlapping band was dismembered in turn to weaken the overlap until an independent peak was filtered out. The deconvolution can be refined progressively by manually tuning the peak positions and peak widths. In a simulation study, a closely overlapped 13C NMR triplet (overlapping degrees between 0.5 and 1.0) at a signal-to-noise ratio (SNR) of 20:1 was quantitatively deconvoluted by our reverse curve fitting procedure with a routine denoising technique. The noise interference and denoising technique were also studied in the simulation. A real FT-NMR overlapping band of Ethylbenzene (300 MHz) was satisfactorily deconvoluted and compatible with higher resolution literature spectral data. A more complicated overlapping NMR band of Tetraphenyl porphyrin was studied as well. This new approach to the deconvolutions is applicable to other FT spectroscopies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».