Um das Problem der strukturellen Vielfalt neuer psychoaktiver Substanzen, die starke Abhängigkeit traditioneller Nachweistechniken von Spektralbibliotheken und die schwache Erkennung unbekannter Substanzen zu lösen, basiert dieser Artikel auf einem Maschinenlernmodell und der Gaschromatographie-Massenspektrometrie-Technik, wobei ketonhaltige neue psychoaktive Substanzen als Beispiel dienen. Basierend auf den durch die Gaschromatographie-Massenspektrometrie erhaltenen Spektralmerkmalen, kombiniert mit der Molekülstruktur und den Fragmentierungsregeln der Massenspektrometrie-Analyse, wurden durch Zusammenfassung und Extraktion der Fragmentionenregeln sekundäre Klassifizierungsmerkmale erstellt. Mithilfe von Python und PySide6 wurde eine intelligente Plattform zur genauen Erkennung neuer psychoaktiver Substanzen entwickelt, die eine Charakterisierung ketonhaltiger Substanzen ermöglicht. Die Ergebnisse zeigen, dass das erstellte intelligente Analysesystem zur Charakterisierung ketonhaltiger neuer psychoaktiver Substanzen eine Modellgenauigkeit von 98,41 %, eine Präzision von 94,03 %, eine Rückrufrate von 100 %, eine Spezifität von 97,88 %, einen F1-Score von 96,92 % und eine ausgewogene Genauigkeit von 98,94 % aufweist. Diese Methode kombiniert hohe Erkennungsgenauigkeit und starke Interpretierbarkeit, die nicht nur die Schwächen traditioneller Techniken und Modelle ausgleicht, sondern auch eine neue Strategie für die Identifizierung neuer psychoaktiver Substanzen bietet.

Keton;Gaschromatographie-Massenspektrometrie;Maschinelles Lernen;Merkmalcharakterisierung;Python