Figure 2. SE2CSNet 的工作流程。数据尺寸用 C×W×H 表示，其中W为直接维数的大小或特征矩阵的宽度，H 为间接维数的大小或特征矩阵的高度，C 为通道数。

该网络在多个具有代表性的实验样品上进行了测试，结果表明网络可以从谱峰重叠严重以及低信噪比的谱图中准确地获取化学位移位置，并且没有强偶合伪峰和噪声，所获取的化学位移谱是高分辨率和高灵敏度的。

相关研究成果以“Deep learning enabled ultra-high quality NMR chemical shift resolved spectra”（《基于深度学习获取超高质量 NMR 化学位移谱》）为题发表在英国皇家化学会期刊 Chemical Science 上。杨铮显和蔡伟刚为共同第一作者，林雁勤教授为通讯作者。

林雁勤 教授

厦门大学

本文通讯作者，厦门大学教授，博士生导师，主要从事核磁共振技术的发展及其生物医学和化学应用的研究工作。2004 年本科毕业于厦门大学电子信息科学与技术专业(保送研究生)，2007 年到 2009 年作为联合培养博士生到美国罗切斯特大学 (University of Rochester) 学习，2010 年博士毕业于厦门大学无线电物理专业。博士毕业后留校工作。2015 年到 2016 年作为访问学者（博士后）到美国约翰霍普金斯大学医学院进修。多次获得国际医学磁共振协会 (ISMRM) 的 E.K. Zavoisky Stipend 资助奖。主持了国家自然科学基金，福建省自然科学基金和中央高校基本科研业务费。已经在包括 Progress in Nuclear Magnetic Resonance Spectroscopy, Chemical Science, Analytical Chemistry 等国内外重要学术刊物上发表 SCI 论文。拥有美国发明专利 1 项，PCT 发明专利 1 项，中国发明专利 10 多项。国家自然科学基金评审专家。国际主流期刊 Journal of the American Chemical Society、Analytical Chemistry 等的审稿人。