结合组织芯片技术的人体胃管状腺癌组织太赫兹光谱检测

太赫兹波技术在生物医学领域具有广泛应用前景,结合人体胃管状腺癌组织检测,针对太赫兹时域光谱（THz-TDS）组织检测点位与实际病理难以配准的问题,在处理石蜡包埋的胃组织的过程中引入组织芯片技术,为实验样本的精准定位检测提供了可行方法。开展了人体胃正常组织和癌变组织太赫兹检测实验,结合主成分分析方法,对比分析了组织芯片技术配准的实验组与未配准的对照组的太赫兹吸收系数和折射率谱。此外对比研究了采用支持向量机和逻辑回归的太赫兹胃管状腺癌判别方法。研究结果表明,使用组织芯片方法有助于提升组织取材的精准性从而提高癌变样本和正常样本光谱数据的区分效果。     

基于红外光谱聚类分析的纳滤膜污染动态发展行为研究

污水再生利用是解决水资源短缺问题的有效对策。纳滤技术由于能够生产高质量的再生水,成为污水深度处理、再生利用的有效方法之一。然而,在纳滤过程中存在复杂的、动态的膜污染现象,会导致产水通量、产水质量下降等问题。研究膜污染动态发展的行为,对于膜污染的分阶段针对性控制具有重要意义。有机物是污染层动态发展过程的重要指示性成分,红外光谱是表征污染层发展过程中表面有机物官能团变化情况的重要手段。但由于红外光谱中峰的数量多,系列样品之间峰强度的差别较小（尤其是当膜污染过程中的采样间隔较小时）,利用直观观察不易甄别不同样品间的谱图差异及其变化趋势,在此水平上难以对膜污染阶段进行准确识别、对各阶段特征进行有说服力的分类概括。为探索膜污染的动态发展过程,本研究将傅里叶变换红外光谱与统计学聚类分析相结合,对膜污染过程中不同时间点的膜样本进行红外光谱分析,再对红外光谱数据进行一系列预处理和系统聚类分析,从而客观解读膜污染动态发展过程中系列样品红外光谱分阶段变化规律。考虑到类别间距离度量方法、红外吸收峰强度标准化、峰之间自相关性、峰与样本之间交互作用等因素的影响,研究采用对应分析对红外数据进行预处理,提取各样本在主要维度上的得分,随后基于标准化欧式距离对各样本进行聚类。在为期一个月的城市污水深度处理纳滤试验过程中,由于污染物在膜表面累积,纳滤膜发生了较为严重的污染。通过对13个不同时间点的膜样本进行红外光谱聚类发现,膜污染可清晰划分为如下阶段：空白膜、阶段Ⅰ（3 h～8 d）、阶段Ⅱ（10～15 d）和阶段Ⅲ（20～30 d）。采用红外聚类,得到膜表面X射线光电子能谱（XPS）和三磷酸腺苷（ATP）含量分析等方法的交互验证。结果表明,随着膜污染的发展,膜表面有机物成分与共存微生物量发生协同变化,各阶段大致特征为：阶段Ⅰ各类有机污染物初步覆盖,微生物开始富集;阶段Ⅱ多糖类污染物比例上升,微生物的富集趋于稳定;阶段Ⅲ整体污染趋于成熟,有机污染物氢键特征更加明显。该研究通过对红外数据进行聚类分析,能够灵敏地探测各红外图谱之间的差别,有助于对红外光谱规律的深度挖掘,为膜污染阶段的识别和划分提供了一种客观、自动、可量化的辅助性方法,并且有助于归纳出不同阶段的污染层特征,可作为膜污染时序特征的侦查手段。此外,除了膜污染的研究,在材料、吸附等领域,只要有一系列变化的红外光谱,均可尝试采用红外光谱聚类分析方法,获取基于红外特征的定类信息或分阶段规律。     

癫痫大鼠海马神经元生化分子的同步辐射显微红外光谱成像研究

癫痫是影响所有年龄段的慢性脑功能障碍,主要特征为整个或局部脑区神经元异常同步化高频群集动作电位发放。利用神经毒素海人藻酸（KA）立体定位注射入大鼠海马,诱导大鼠产生癫痫持续状态,建立颞叶癫痫大鼠模型。应用同步辐射显微光谱和同步辐射显微光谱成像分析癫痫持续状态发作后24小时的颞叶癫痫大鼠海马角（CA）1区神经元生物化学分子的胞内浓度和分布是否改变。结果显示反映蛋白质二级结构的酰胺Ⅰ在1 655 cm-1的振动频率和属于脂类功能集团的2 800～3 000 cm-1振动频率,在正常对照大鼠海马CA1神经元胞体内呈高浓度分布,但在癫痫大鼠海马CA1神经元胞体,反映蛋白质二级内呈低浓度分布,并且以细胞核分布浓度最低,但在神经元胞体外围分布浓度相对较高。属于核酸集团的1 055～1 054 cm-1 PO₂反对称拉伸振动在正常和癫痫大鼠海马CA1神经元胞体内分布趋势没有差异,都在胞体内呈高浓度分布,尤其在细胞核分布浓度最高。对属于酰胺Ⅰ的吸收频率进行二级导数分析显示癫痫海马神经元的酰胺Ⅰ相对于正常对照多出1个1 653 cm-1附近的负峰。以上结果提示在发生癫痫持续发作后海马神经元生物化学分子的细胞分布会出现变化。     

三亚鹿回头海域珊瑚、石莼和碎石反射率光谱分析

以南海三亚湾鹿回头海域八种常见造礁石珊瑚优势种的反射率光谱为代表,用光谱仪测量它们和此海域常见底质石莼以及碎石的反射率光谱。通过反射率、导数光谱法研究了三亚鹿回头海域造礁石珊瑚、石莼和碎石的光谱差异。石莼于561.4 nm处出现反射率高达48%左右的显著波峰,在500～700 nm波长范围和造礁石珊瑚反射率差异较大;碎石反射率明显高于造礁石珊瑚反射率,整体差异显著。导数分析结果表明造礁石珊瑚、石莼和碎石可区分波段为：造礁石珊瑚与石莼主要为一阶导数在485～487,505～510,515～529,559～578,587～593,598～603和667～670 nm等波段。二阶导数在494.4～505.7,524～534.5,543.6～561.4和567.2～579.7 nm波段。四阶导数在515.8～430,621～627.1,628.8～635.6,639.3～645,661.8～669.8和678.4～682.4 nm等波段。造礁石珊瑚与碎石一阶导数反射光谱,主要为400～413.7,414～418,484.8～486.9,506～509.6,514.5～528.9,576.9～587.6和602.7～653.4 nm波段。二阶导数主要为,451.6～461.6,564.5～570.7和677～685 nm。四阶导数主要为,412.6～425.3,459.8～467,467.7～470.6,535.6～540.8,583.8～591.4,654.4～659.8和670.8～680 nm等波段。     

积雪-荒漠植被及其组合反射光谱特征观测实验及分析

光谱混合机制研究对混合像元解算具有一定指导意义。利用全波段光谱仪累积期和消融期对规则和非规则分布模式下积雪-荒漠植被混合像元及纯净积雪和荒漠植被像元控制式采集反射光谱。K-均值法计算采集影像积雪和荒漠植被面积比并分析其对应混合像元光谱变化特征以获取更加精细的光谱特征信息,准同步Tetracam ADC3(Agricultural Digital Camera 3)采集图像并计算典型指数,从微观尺度上证实了混合像元主要出现在地类边界处。结果发现,1 456～1 697 nm粗粒径冻结雪反射光谱高于新雪反射光谱,新雪反射光谱明显高于陈雪;因冻结覆冰,荒漠植被光谱为积雪、冰晶和植被枝干混合光谱信息,新降积雪覆盖植被光谱特征为积雪和植被枝干的混合光谱信息,不存在常规绿色植被“红边”效应;采集角度为5°和10°时光谱低于垂直角度采集光谱,角度大于10°随角度增加荒漠植被光谱逐渐增大。像元内各个组成物质的面积比及所处像元的位置、采集角度和方向都会影响混合像元的光谱组合信息。     

高光谱的草本植物水分含量检测模型构建

基于高光谱开展植物水分盈缺检测是当前植物生理学研究的热点。羊茅草是我国北方草坪使用量最大的草本植物之一,其生长对水分需求量大,水分亏缺会使其叶片颜色、纹理、形态等物理特征和组织生理特性发生系列变化。开展基于高光谱的草本植物水分含量检测模型构建,可实现对羊茅草等草本植物水分盈缺状况的快速无损监测,利于全面、可靠的诊断草本植物水分状况并及时采取应对措施,为预测未来气候变化下北方常见草本植物生理响应及变化过程提供重要依据。以北方使用量最大的草本植物--羊茅草为例,采用盆栽控制实验法开展基于高光谱的植物水分含量观测模拟实验研究。实验在恒温恒湿培养箱中进行。经查阅有关文献,该实验共设置空气CO₂浓度(CX)(包括400和700 μmol·mol-1两个梯度)和土壤持水量(WX)(包括：100%田间持水量,40%田间持水量,20%田间持水量三个梯度)两个变量,共六种不同情景;在不同情景条件下,借助ASD Field Spec HandHeld光谱仪于每天10:00-14:00测定羊茅草叶片光谱反射参数,主要包括：光谱反射率(R_i)、一阶导数光谱(Dλ_i)、红边幅值(Dλr)、红边位置(λr)、红谷吸收深度(D)、红边面积(Sr)、光化学反射指数(PRI)、叶绿素指数(Rch)、归一化植被指数(NDVI)、比值植被指数(RVI)、归一化光谱指数(NDSI)、比值光谱指数(RSI)、分形维数(Fd)等。通过采集不同情景下植物光谱反射参数,采用多元线性逐步回归分析、方差分析、数学统计模型构建等多种方法,探讨不同生境条件下羊茅草叶片水分含量与光谱反射率(R_i)、红边幅值(Dλr)、红边面积(Sr)等光谱参数之间的量化关系,筛选出可以用于检测羊茅草水分含量状况的最优光谱特征参数,并构建了基于高光谱的羊茅草水分含量检测模型公式。研究结果表明：归一化植被指数(NDVI)、叶绿素指数(Rch)、分形维数(Fd)与羊茅草叶片含水量之间相关性在99%置信水平上达到极显著水平(p<0.01),且对于不同土壤水分胁迫条件下的羊茅草长势分辨效果较好,是监测羊茅草水分含量的有效参数和最优参数。同时发现,羊茅草叶片水分含量(Y)与诸多光谱特征参数(X)之间具有良好的多元线性关系,拟合得到羊茅草水分含量检测模型公式为：Y=-0.125X_Rch+1.714X_NDVI-0.023X_Fd+0.018,相关系数平方(R2)达到0.89,通过F检验,模型检验达到极显著水平(F=15.588>7.21,p<0.01),说明建立的回归模型具备统计学意义,可以用于羊茅草水分含量检测。为快速便捷且准确无损的监测羊茅草受旱程度,指导大面积草坪灌溉和管理等提供;重要的技术支撑,对于丰富植被水分光谱探测研究具有重要理论与实践意义。     

高光谱成像的马铃薯叶片含水率分布可视化

为了快速检测马铃薯叶片的水分含量,并探究受到干旱胁迫时叶片含水率变化情况,利用高光谱成像对马铃薯叶片含水率进行检测和可视化研究。采集71个叶片,用烘干法对叶片水分梯度进行控制,共得到355个样本。使用高光谱分选仪器采集叶片862.9~1 704.2 nm(256个波长)的光谱成像数据,采用称重法测量含水率。利用Sample set partitioning based on joint X-Y distance(SPXY)算法将总样本按照2∶1的比例划分为建模集(240个样本)和验证集(115个样本)。对采集的数据进行光谱特征分析,本文分别用CA和RF两种算法,各筛选得到15个特征波长。基于CA筛选出相关系数高于0.96的15个波长分别为1 406.82,1 410.12,1 403.62,1 413.32,1 416.62,1 419.82,1 400.32,1 423.12,1 426.32,1 429.62,1 432.82,1 436.12,1 439.32,1 442.52和1 445.8 nm。基于RF算法筛选被选概率高于0.3的15个特征波长,按照被选择概率值从大到小排列,分别为1 071.62,1 041.12,1 222.52,1 465.22,1 397.02,1 449.02,1 034.32,1 523.22,976.42,1 172.52,979.82,1 165.82,1 037.72,1 426.32和869.8 nm。用CA和RF算法筛选到的特征波长建立PLSR模型,分别记为CA-PLSR模型和RF-PLSR模型。利用高精度模型检测结果,对马铃薯叶片含水率进行可视化分析,首先计算马铃薯叶片图像每个像素点的含水率,得到灰度图像,然后对灰度图像进行伪彩色变换,绘制出叶片含水率可视化彩色图像。为了体现马铃薯叶片烘干处理中含水率变化进程,用HSV彩色模型对样本叶片的伪彩色图像进行分割,获得分割图像结果,显示出在某含水率区间的叶片面积比例。结果显示,CA算法选取的15个波长均在1 400.3~1 450.0 nm范围内,CA-PLSR模型的建模精度(R2_c)为0.975 5、建模集均方根误差(RMSEC)为2.81%,验证集精度(R2_v)为0.933 2、验证集均方根误差(RMSEV)为2.31%。RF算法选取的特征波长分布范围较CA法选取范围广,具有局部“峰谷”特性,且RF-PLSR模型的建模集精度(R2_c)为0.983 2、RMSEC为2.32%,验证集精度(R2_v)为0.947 1、RMSEV为2.15%。选取RF-PLS模型计算马铃薯每个像素点的含水率,得到伪彩色变换图像,观察可知随着烘干时间的增加含水率逐渐下降;并能够从叶片结构角度看到,随着水分胁迫的加强,叶片从边缘开始失水,逐渐向叶片中间蔓延,其中叶茎和叶脉的含水率较其他部位高。计算得到叶片伪彩色图像中含水率大于90%,80%和70%的像素点占整个叶片图像的比例。利用高光谱成像技术可以实现马铃薯叶片的含水率检测与分布可视化表达,为监测马铃薯生长状况以及叶片含水率分析提供新的理论根据。     

高光谱成像的垃圾分类识别研究

高光谱成像因光谱分辨率高、图谱合一、可实现快速无损检测等特点现已广泛应用于农业、医学、遥感等领域。现有的对可回收生活垃圾检测与分类的方法,都存在检测时间长,分类效率低,而大量多种垃圾无法同时快速分拣等问题。考虑到不同类别的生活垃圾由于其主要组成分子结构的差异,对不同波长的光有不同的吸收特性。高光谱图像在记录待分类垃圾的空间信息的同时,可以获得垃圾对不同波长的光的反射率光谱信息,通过建立识别分类模型对反射率光谱信息进行分析可以实现对高光谱图像中待分类垃圾的识别与分类。收集常见纸质、塑料、木质三种材料的可回收的垃圾样本,包括塑料瓶、食品包装袋、塑料玩具(饰品)碎片、一次性筷子、雪糕棒、木制家具碎片、木制包装盒、废旧课本、广告纸、办公用纸等多种物品共30个样本,进行清洗和裁剪处理,避免样本表面污渍对样本反射率产生影响。利用高光谱成像系统采集样本在近红外(780～1 000 nm)范围内的高光谱图像,其中18个样本做训练样本集,12个样本做测试样本集。对采集的样本图像数据做预处理,包括去噪声以及黑白校正反演反射率信息等处理;通过主成分分析(PCA)方法对训练样本集感兴趣区域(ROI)进行分析,提取到的特征波段为795.815,836.869,885.619,916.409,929.239,934.37,957.463,972.858和988.253 nm;在特征波段下分别提取这三种类别垃圾的参考光谱,通过光谱角度填图法(SAM)对测试样本ROI区域内提取的测试样本点集在特征波段下与参考光谱进行匹配,由匹配程度进行样本点归类,分析结果表明,测试样本集中纸制样本(A类别)、塑料样本(B类别)、木制样本(C类别)的分类准确度分别为100%,98%和100%,测试样本点集整体的分类准确度为99.33%;通过Fisher判别方法分析训练样本集得出判别函数式和判别准则,对测试样本点集分类,评价结果为A,B和C类样本分类准确度分别为100%,100%和97%,测试样本点集整体分类准确度为99%。通过SAM和Fisher两种判别方法对测试样本集的光谱图像进行目标物的检测与分类,结果表明,利用SAM判别方法在可回收垃圾的高光谱图像中实现检测与分类有更高的分类准确度,可达到99.33%。同时,也验证了使用高光谱成像进行可回收垃圾快速分类的科学性以及可行性,对未来系统化、机械化、智能化地解决生活中可回收垃圾的分类具有一定的实用意义。     

利用带无标签数据的双支持向量机对恒星光谱分类

恒星光谱分类是天文技术与方法领域一直关注的热点问题之一。随着观测设备持续运行和不断改进,人类获得的光谱数量与日俱增。这些海量光谱为人工处理带来了极大挑战。鉴于此,研究人员开始关注数据挖掘算法,并尝试对这些光谱进行数据挖掘。近年来,神经网络、自组织映射、关联规则等数据挖掘方法广泛应用于恒星光谱分类。在这些方法中,支持向量机(SVM)以其强大的学习能力和高效的分类性能而备受推崇。SVM的基本思想是试图在两类样本之间找到一个最优分类面将两类分开。SVM在求解时,通过将其最优化问题转化为具有(QP)形式的凸问题,进而得到全局最优解。尽管该方法在实际应用中表现优良,但为了进一步提高其分类能力,有的学者提出双支持向量机(TSVM)。该方法通过构造两个非平行的分类面将两类分开,每一类靠近某个分类面,而远离另一个分类面。TSVM的计算效率较之传统SVM提高近4倍,因此,自TSVM提出后便受到研究人员的持续关注,并出现若干改进算法。在恒星光谱分类中,一般分类算法都是根据历史观测光谱来建立分类模型,其中最关键的是对光谱进行人工标注,这项工作极为繁琐,且容易犯错。如何利用已标记的光谱以及部分无标签的光谱来建立分类模型显得尤为重要。因此,提出带无标签数据的双支持向量机(TSVMUD)用以实现对恒星光谱智能分类的目的。该方法首先将光谱分为训练数据集和测试数据集两部分;然后,在训练集上进行学习,得到分类依据;最后利用分类依据对测试集上的光谱进行验证。继承了双支持向量机的优势,更重要的是,在训练集上学习分类模型过程中,不仅考虑有标记的训练样本,也考虑部分未标记的样本。一方面提高了学习效率,另一方面得到更优的分类模型。在SDSS DR8恒星光谱数据集上的比较实验表明,与支持向量机SVM、双支持向量机TSVM以及K近邻(KNN)等传统分类方法相比,带无标签数据的双支持向量机TSVMUD具有更优的分类能力。然而,该方法亦存在一定的局限性,其中一大难题是其无法处理海量光谱数据。该工作将借鉴海量数据随机采样思想,利用大数据处理技术,来对所提方法在大数据环境下的适应性展开进一步研究。     

可获得高分辨率谱线信息的新型太阳极紫外成像仪

极紫外光谱观测和诊断是研究太阳大气基本物理过程的最重要手段之一。但因为波长短,很多可见光仪器的设计方案不再适用,且极紫外观测只能在太空中开展。国际上现有卫星上的太阳极紫外成像仪和光谱仪都有各自的不足,比如极紫外成像仪不能获得高光谱分辨率的谱线信息;狭缝式光谱仪通过扫描可得到活动区域的信息,但扫描时间过长,对于研究剧烈变化的太阳活动有很大的局限性。这些不足制约了对日冕物质抛射(CME)和耀斑等太阳活动的高精度观测及对其机理的研究：无法看到CME在内日冕的加速过程,而且无法将可见光看到的CME现象同极紫外看到的日面源区直接联系;缺少观测目标的视向速度信息,难以识别CME的触发过程。采用多级衍射成像方式的一种新型太阳极紫外成像仪,除实现传统极紫外成像仪功能外,还可以在太阳活动变化过程中同步获得全日面各区域的光谱信息。新型成像仪可以得到高光谱分辨率数据,用于反演低日冕的等离子体视向速度,获得全日面的速度分布,与同时得到的高空间分辨率图像相结合,可以识别太阳活动现象对应的物质运动, 为空间科学研究提供数据;因为没有狭缝和运动部件,可以实现对大视场的太阳活动区域的高时间分辨率成像,有利于捕捉日面活动的快速变化。新型成像仪采用无狭缝光谱分光成像的设计理念,即同一时间把一定光谱带宽的信息记录到一个二维的图像上,此过程可以看成是从某一个角度将空间和光谱数据立方体投影到一个面上,然后再利用反演得到空间分辨图像和光谱信息。多级光谱成像的光学设计与传统光谱仪最大的不同是其不存在逐行扫描的狭缝,这使得其能够同时获得大视场内太阳的空间信息和光谱信息。因为极紫外波段的特殊性,以及本仪器面向卫星遥感应用,不可能像可见光波段或者医用CT机一样实现很多衍射级的同时成像。因此,新型极紫外成像仪光学系统由反射镜、色散光栅和五个探测器组成,入射的太阳极紫外辐射经过光栅色散后分别由五个级次的探测器接收,其中四个探测器分部接收±1和±2衍射级图像,另外一个接收0级图像。空间信息可以直接从0级图像得到,而光谱信息则需要根据五个级次成像的反演结果得出。介绍了光学系统的设计以及反演算法,并分析了反演算法的误差。光路基于变间距光栅设计,可实现空间分辨率1.8 arcsec·pixel-1, 光谱分辨率7.8×10-3 nm·pixel-1,同时减小了体积和重量,适合空间应用。