关于阈值、相似性曲线和灵敏度

在 OpenLab CDS v2.x 中，会自动为每个数据点计算阈值。分析的清晰度使用灵敏度百分比进行调节。

因此灵敏度并非固定阈值。修改灵敏度不会让阈值发生线性变化，因为并非每个原始数据点处的阈值都完全相同。举例来说，在下图中，如果 2.950 min 处的阈值为 998，则不一定意味着 2.960 min 处的阈值保持不变。每个数据点都会计算自己的阈值，从而形成覆盖整个峰的阈值曲线。

图 相似性曲线

然后对阈值曲线应用峰纯度灵敏度。在 Data Analysis 中，会在峰下方绘制阈值和相似性曲线的对数转换。阈值曲线随即成为纯与不纯区域之间的一条平整线。相似性曲线（如“峰详细信息”所示）使用杂质评估 中所述的公式绘制。该相似性曲线随即显示正值（纯数据点）和负值（不纯数据点）在整个峰上的分布，其中 0 表示阈值限值。

图 转换前后

例如：

• 匹配因子为 990、阈值为 980 的数据点：

  比率 = log( (1000 - 980) / (1000 - 990) ) = log(2) = +0.3

  该原始数据点符合纯度标准。

• 匹配因子为 970、阈值为 990 的数据点：

  比率 = log( (1000 - 990) / (1000 - 970) ) = log(0.33) = -0.48

  该原始数据点不符合纯度标准。

降低或增加灵敏度意味着计算的阈值曲线的轮廓图正在改变。灵敏度的完整范围是从 0 到 100 %，其中默认计算的阈值在 50 %。

因为相似度曲线是以非线性方式（对数）显示，所以不会按一对一关系映射到匹配因子。如果灵敏度增加/减少 20 %，阈值曲线会上移或下移，其振幅也会发生变化。原始数据点阈值不会发生 +/- 20 % 的波动。

灵敏度	阈值
0 %	可能的最低值 = 0
0 <= s <= 100	计算的阈值曲线（参考曲线为 50%）
100 %	可能的最高值 = 1000

低灵敏度 - 该峰被认定为“纯”

默认灵敏度 - 该峰被认定为“不纯”

高灵敏度 - 该峰被认定为“不纯”

当一个数据点低于其阈值时，即使总体 UV 峰纯度因子接近 1000，也会将峰标记为不纯峰。