Pour résoudre le problème de la diversification structurelle des nouvelles substances psychoactives, la forte dépendance des techniques de détection traditionnelles aux bases de données spectraux, et la faible reconnaissance des substances inconnues, cet article s'appuie sur un modèle d'apprentissage automatique et la technique de chromatographie en phase gazeuse couplée à la spectrométrie de masse, prenant comme exemple les nouvelles substances psychoactives de type cathinone. Sur la base des caractéristiques spectraux obtenus par la chromatographie en phase gazeuse-spectrométrie de masse, combinées à la structure moléculaire et aux règles de fragmentation en spectrométrie de masse, en résumant et extrayant les règles des ions fragments, une caractéristique de classification secondaire a été construite. Avec l'aide de Python et PySide6, une plateforme intelligente de reconnaissance précise des nouvelles substances psychoactives a été développée, permettant de caractériser les cathinones. Les résultats montrent que le système d'analyse intelligent établi pour caractériser les cathinones nouvelles substances psychoactives a une précision du modèle de 98,41%, une précision de 94,03%, un rappel de 100%, une spécificité de 97,88%, un score F1 de 96,92%, et une précision équilibrée de 98,94%. Cette méthode allie haute précision d'identification et forte interprétabilité, compensant non seulement les lacunes des techniques et modèles traditionnels, mais proposant également une nouvelle stratégie pour l'identification des nouvelles substances psychoactives.

cathinones;chromatographie en phase gazeuse-spectrométrie de masse;apprentissage automatique;caractérisation des caractéristiques;Python