Для решения проблемы разнообразия структур новых психоактивных веществ, сильной зависимости традиционных методов обнаружения от спектральных библиотек и слабого распознавания неизвестных веществ в данной работе на базе модели машинного обучения и технологии газовой хроматографии-масс-спектрометрии в качестве примера взяты катиноновые новые психоактивные вещества. На основе спектральных признаков, полученных методом газовой хроматографии-масс-спектрометрии, с учетом молекулярной структуры и правил фрагментации масс-спектров, путем обобщения и выделения закономерностей ионов фрагментов построены вторичные классификационные признаки. С помощью Python и PySide6 разработана интеллектуальная платформа точного определения новых психоактивных веществ, реализующая характеристики катинонов. Результаты показали, что созданная интеллектуальная система анализа для характеристики катиноновых новых психоактивных веществ имеет точность модели 98,41%, точность 94,03%, полноту 100%, специфичность 97,88%, F1-меру 96,92% и сбалансированную точность 98,94%. Данный метод сочетает в себе высокую точность распознавания и хорошую объяснимость, не только компенсируя недостатки традиционных методов и моделей, но и предоставляя новую стратегию идентификации новых психоактивных веществ.

катиноны;газовая хроматография-масс-спектрометрия;машинное обучение;характеристика признаков;Python