梁义涛， 宋红霞， 高 宇， 王 锋， 史卫亚

(1．教育部粮食信息处理与控制重点实验室 河南郑州450001;2．河南工业大学信息科学与工程学院 河南郑州450001;3．郑州大学211工程办公室 河南郑州450001)

0 引言

生物光子辐射信息反映的是被测样品受内外因素影响而引起的生物效应的整体信息，它提供了一个关于生物系统基本特性的综合指标．该方面的研究已形成了一种新的分析技术——生物光子分析技术(biological photon analysis technique，BPAT)［1］．

目前，BPAT技术在粮食领域的应用研究包括:种子抗性品种的选择［2］、粮食霉变检测［3］、种子活性检测［4］、食品安全和质量监测［5］、粮食品质检测［6－7］等诸多方面．

在所检索文献范围内，生物光子辐射的数据分析环节通常是将样品的自发光子辐射信号假定为平稳的随机信号(或称平稳随机时间序列)，进行时域的统计分析［2，4，8］．

众所周知，信号处理与分析领域两个基本的参变量是时间和频率．随机过程的功率谱分析是数字信号处理中最基本和最有用的工具之一［9］．应用这一工具的主要目的是为了刻画时间序列在频率域上信号功率谱的特性表现．而这一表现往往可以用相应的功率谱参数的形式加以描述和表达，同时去除广谱的随机成分的影响，以求解功率谱成分中相对确定的共性成分．研究对象功率谱特性的明晰也将有助于后续的信号模型选择、模型阶次选择和误差性能分析等问题的深入探索［10－12］．

基于此，本文主要工作是将功率谱估计技术引入小麦籽粒生物光子辐射信息分析领域，选择3个频域参数，初步描述了4种不同品种小麦籽粒生物光子辐射信号的频率域功率谱特性．

1 材料和方法

1．1 材料

不同品种的小麦种子为2012年6月收割的郑麦7698(简称为郑麦)、郾展4110(简称为郾展)、温麦18(简称为温麦)、矮抗AK58(简称为矮抗)．

选取籽粒完整、饱满的不同品种的小麦种子若干，每次测量时所使用的小麦样品量为(5．00±0．02)g．

1．2 生物光子辐射的测量

测量仪器采用的是BPCL-ZL-TGC超微弱发光测量仪，其基本结构如图1所示．其探测器为光电倍增管，探测灵敏度为10－16W/(s·cm2)，探测谱段为380～630 nm．该仪器配置有半导体制冷装置可以使光探测器光阴极温度较室温低约10℃，可有效降低探测器暗噪声．经过反复测量，仪器本底噪声均值为34 counts/s．为保持本底稳定，测量前要求仪器预热1 h．且为降低本底对于生物光子辐射数据的干扰，在数据处理阶段，直接将该本底噪声从数据中减除．

仪器测量的基本原理为，待测样品放入测量室中，正对光电倍增管光敏面;样品辐射出的光子打到倍增管的光电阴极上，产生光生电子．光生电子被极间高压电场加速聚焦，以较高的速度轰击打拿极，产生数目倍增的2次电子流，即产生光生电子的放大效果，这样经多个打拿极逐级放大，至阳极被收集形成电脉冲输出．电脉冲经过一个计数与控制电路的再放大、甄别和计数，最终获得小麦自发生物光子辐射的测量结果，并传输到主机上，实现数据存储、显示和分析．主机还可以通过计数与控制电路控制样品室内的快门、设置工作高压及其他采样参数．

探测器极间电场的放大作用需要一定的高压支持，不断的调整高压，并用标准辐射源C-14校准探测器的工作高压，最终设定为1 036 V．此时，探测效率最佳．

测量时，先将小麦样品放入25℃的样品室中暗处理30 min，然后再测量小麦籽粒生物光子辐射数据，每种小麦测6组数据．测量间隔时间设置为1 s，测量总时长1 024 s．发光强度数据记为单位时间的光子数(counts/s)．

图1 系统结构图Fig．1 Block of the system

2 功率谱分析方法

功率谱估计是随机信号分析和处理的重要手段之一，其意义在于把幅度随时间变化的小麦自发生物光子辐射信号变换为功率随频率变化的信号，从而可直观地观察到小麦种子自发生物光子辐射的功率谱分布特征，从已有数据了解更多的信号特性．

本研究中基于自相关法进行功率谱估计．其理论基础是维纳—辛钦定理．基本步骤如图2所示．

其中，小波降噪的目的是降低叠加在信号上的干扰引入误差影响［13］．这里选用Haar小波，3层分解，软阈值法实现小波降噪．数据0均值化和自相关归一化是为了降低外界引入趋势项的幅度影响［14］．

设长度为N的随机序列

图2 功率谱分析流程Fig．2 Flow chart of power spectrum analysis

(b)谱重心频率［15］．该参数为按频率划分时，信号功率的分布重心，其表达式为，其中，fG为重心频率，fs至fe为频率范围，P(f)为信号的功率．

(c)功率谱熵［15］．功率谱熵描述了信号的随机性，熵越大，随机性越强．定义为Hf=－∑pfln pf，pf为频率点f处的功率占总功率的比例．

3 结果分析

利用matlab7．1软件对小麦自发生物光子辐射数据进行分析处理，得到相应的结果(以郑麦为例)如图3～6所示．

由4种小麦籽粒的自发生物光子信号的时域分布可以看出，4种小麦籽粒自发生物光子辐射信号的发光强度较低，波动较大．由图5自相关函数波形看出，自相关函数次高峰值不足最高峰值的20%，说明信号不同时刻的取值间关系松散，信号的随机性特征明显．

对每种小麦的6组数据分别计算3 dB带宽、谱重心和功率谱熵参数，并对同一品种相同参数的不同组别的参数值取平均，所得结果如表1所示．

表1 信号频域参数Tab．1 Frequency parameters

由表1可以看出，4种小麦的自发生物光子信号的3 dB带宽均约0．05 Hz，而谱重心频率均在0．02 Hz附近;表明主要能量分布在超低频带;在大于0．05 Hz的频段内，信号功率变化趋于平稳，类似于带限白噪声的频域特性．4种小麦的自发生物光子信号的功率谱熵均在5．64附近波动，各种小麦的生物光子辐射信号的随机特性也近似．

由于信号的随机成分在频率域中通常认为是广谱且近似平稳的，由图6可知，小麦生物光子辐射信号的高频段逐渐趋于平缓，符合随机成分的特性，故这里以3 dB带宽为限先对功率谱信号进行低通滤波，再求取高频段均值，用此均值来表示信号中的平稳的随机成分，最后从3 dB带宽的分布幅值中减除此随机成分均值提取信号的主要成分，如图7所示(仍以郑麦为例)．图7表明，小麦生物光子辐射信号有明显的峰值存在．

图7 信号主要成分Fig．7 The signal’s deterministic component

4 结论

本文运用功率谱分析方法对4种不同品种的小麦籽粒自发生物光子辐射信号的频域分布特征进行了研究，初步的结论是:

不同品种小麦自发光子辐射信号的3个功率谱参数较为一致，反映出小麦品种间功率谱特性上具有共性，而与这种共性相联系的小麦本身的生物属性或品质特性的明晰是一个值得深入研究的方向．

对不同品种小麦自发生物光子辐射信号的功率谱分析结果显示，小麦的自发生物光子信号的主要能量分布超低频段，且波峰明显．该方法较综合的反映了该信号在频域的分布特点．进一步的研究能够使得研究者对小麦等生命体的生物光子辐射特性的描述更为全面，以便为后续的信号建模机理研究奠定一定理论基础．

［1］ 顾樵．生物光子学［M］．北京:科学出版社，2007．

［2］ 杨起简．几种作物籽粒萌发时超弱发光与抗逆性关系［J］．生物化学与生物物理进展，1993，20(4):315－317．

［3］ 舒伟军，田晓静，王俊．基于生物超微弱发光的稻谷霉变特性研究［J］．科技通报，2008，24(6):815－819．

［4］ 陈文利，唐永红，邢达，等．新旧及不同抗性的水稻种子吸胀初期超微弱发光特性的观测［J］．华南师范大学学报:自然科学版，2001，2(2):50－53．

［5］ 张世民，傅俊杰，包劲松，等．超微弱发光分析法在辐照糖类检测中的应用［J］．核农学报，2003，17(3):231－232．

［6］ 鲍杰，吴才章．基于虚拟仪器的小麦新陈度检测［J］．中国粮油学报，2011，26(6):102－105．

［7］ 吴才章．基于生物体超微弱发光的小麦新陈度检测仪的设计［J］．河南工业大学学报:自然科学版，2010，31(2):6－8．

［8］ 程海鹏，王君晖．豌豆种子萌发过程中超微弱发光的研究［J］．浙江大学学报:农业与生命科学版，2001，28(6):682－685．

［9］ 张贤达．时间序列分析—高阶统计量方法［M］．北京:清华大学出版社，1996．

［10］ Charles S L．Signal Processing of Random Physiological Signals［M］．Florida:Morgan ＆ Claypool Publishers，2006．

［11］ 杨绿溪．现代数字信号处理［M］．北京:科学出版社，2008．

［12］ 刘益成，孙祥娥．数字信号处理［M］．北京:电子工业出版社，2004．

［13］ 冶铁，吕运鹏，王玉仓．自适应滤波器在胎动信号除噪中的应用［J］．郑州大学学报:自然科学版，2001，33(4):53－55．

［14］ 乔新勇，刘春华，曾兴祥，等．基于局部均值分解的信号非线性趋势项剔除方法及应用［J］．软件，2012，33(3):15－18．

［15］ 张晓辉，余宁梅，习岗，等．基于小波消噪的植物电波信号频谱特征分析［J］．西安理工大学学报，2011，27(4):411－416．