Para resolver el problema de la diversidad estructural de las nuevas sustancias psicoactivas, la fuerte dependencia de las técnicas de detección tradicionales de las bibliotecas espectrales y la débil identificación de sustancias desconocidas, este artículo se basa en un modelo de aprendizaje automático y la técnica de cromatografía de gases acoplada a espectrometría de masas, tomando como ejemplo las nuevas sustancias psicoactivas de tipo catinona. Basándose en las características espectrales obtenidas por el método de cromatografía de gases-espectrometría de masas, combinadas con la estructura molecular y las reglas de fragmentación del análisis espectrométrico, mediante la síntesis y extracción de las reglas de iones fragmentados, se construyeron características de clasificación secundaria. Con la ayuda de Python y PySide6, se desarrolló y estableció una plataforma inteligente para la identificación precisa de nuevas sustancias psicoactivas, logrando caracterizar las catinonas. Los resultados muestran que el sistema inteligente desarrollado para caracterizar las catinonas nuevas sustancias psicoactivas tiene una precisión del modelo del 98,41%, una precisión del 94,03%, una tasa de recuperación del 100%, una especificidad del 97,88%, una puntuación F1 del 96,92% y una precisión balanceada del 98,94%. Este método combina alta precisión de identificación y una fuerte interpretabilidad, que no solo compensa las limitaciones de las técnicas y modelos tradicionales, sino que también proporciona una nueva estrategia para la identificación de nuevas sustancias psicoactivas.

catinonas;cromatografía de gases-espectrometría de masas;aprendizaje automático;caracterización de características;Python