Para resolver o problema da diversificação estrutural das novas substâncias psicoativas, a forte dependência das técnicas tradicionais de detecção nas bibliotecas espectrais e a fraca identificação de substâncias desconhecidas, este artigo baseia-se em um modelo de aprendizado de máquina e na técnica de cromatografia gasosa acoplada à espectrometria de massas, tomando como exemplo as novas substâncias psicoativas do tipo catinona. Com base nas características espectrais obtidas pela cromatografia gasosa-espectrometria de massas, combinadas com a estrutura molecular e as regras de fragmentação da análise espectrométrica, através da síntese e extração das regras dos íons fragmentados, foram construídas características de classificação secundária. Com a ajuda do Python e PySide6, foi desenvolvida e estabelecida uma plataforma inteligente para identificação precisa de novas substâncias psicoativas, alcançando a caracterização das catinonas. Os resultados mostram que o sistema inteligente estabelecido para caracterizar as catinonas das novas substâncias psicoativas possui uma precisão do modelo de 98,41%, precisão de 94,03%, recall de 100%, especificidade de 97,88%, pontuação F1 de 96,92% e precisão balanceada de 98,94%. Este método combina alta precisão de reconhecimento e forte interpretabilidade, não apenas compensando as limitações das técnicas e modelos tradicionais, mas também oferecendo uma nova estratégia para a identificação de novas substâncias psicoativas.

catinonas;cromatografia gasosa-espectrometria de massas;aprendizado de máquina;caracterização de características;Python