4. 光纤光谱测量：从探头设计到数据预处理
做生物组织光学测量，光纤光谱这块儿是绕不开的硬骨头。我最早接触这个方向时，总觉得不就是拿根光纤照一下嘛，结果第一次实验数据出来，差点把我整不会了——噪声大、基线飘、重复性差。后来才明白，从探头设计到光谱预处理，每一步都有讲究。
4.1 光纤探头的设计与校准
光纤探头说白了就是光的“搬运工”。但怎么搬、搬多少、搬的过程中会不会“偷工减料”，全看设计。
核心设计参数：
- 光纤芯径与数值孔径（NA）：决定了光的收集效率和角度。我习惯用200μm芯径、NA=0.22的多模光纤，性价比高，耦合效率也够用。
- 光源-收集光纤间距：这个间距直接影响探测深度。间距越大，光在组织中穿行越深。我做过一个实验，间距从0.5mm拉到2mm，探测深度从0.3mm直接翻到1.2mm。
- 光纤排布方式：常见的有同轴式、多根环绕式、线性阵列式。我个人偏爱6+1结构（6根收集光纤围1根照明光纤），信号均匀性好。
重要参数速查表：
| 参数 | 典型值 | 影响 |
|---|---|---|
| 芯径 | 200-600 μm | 通光量、空间分辨率 |
| NA | 0.22-0.37 | 收光角度、耦合效率 |
| 间距 | 0.5-3 mm | 探测深度、信噪比 |
| 光纤数量 | 1-7根 | 信号强度、均匀性 |
校准流程：
校准这事儿，我曾经吃过亏。第一次做实验，直接拿探头怼组织，结果数据跟文献差了一个数量级。后来才补上校准步骤：
- 暗电流校准：挡住光路，记录探测器自身的暗信号。每次开机都得做，别偷懒。
- 参考白板校准：用标准反射白板（比如Spectralon）测参考光谱。我一般测3次取平均，减少随机误差。
- 波长校准：用汞灯或氩灯的特征谱线标定波长。嗯，这一步很多人会忽略，但波长不准，后面分析全白搭。
我的小技巧： 校准用的光纤跳线尽量短，弯曲半径别小于10cm。光纤一弯，模式分布就变了，校准结果会漂。
4.2 漫反射光谱与透射光谱的采集
漫反射和透射，是组织光学里最常用的两种测量模式。说白了，一个看“弹回来”的光，一个看“穿过去”的光。
漫反射光谱采集：
- 探头紧贴组织表面，光源光纤入射，收集光纤在旁侧接收散射回来的光。
- 我建议采集时保持探头压力恒定。压力一变，组织被压紧，散射系数会变，数据就没法比了。
- 积分时间一般设100-500ms，具体看信号强度。信号太弱就加积分时间，但别超过1s，否则探测器容易饱和。
透射光谱采集：
- 光源和探测器分居组织两侧。这个对薄组织（<5mm）比较友好，太厚了光就透不过来了。
- 我做过一个皮肤透射实验，厚度才1.5mm，信号就已经很弱了。后来改用超亮LED才勉强够用。
- 注意：透射测量时，组织必须夹紧，但别夹太死。我曾经用力过猛，组织液都被挤出来了，数据直接报废。
避坑指南： 我曾经在采集漫反射光谱时，没注意环境光。结果光谱里多了几个尖峰，查了半天才发现是日光灯管的特征谱线。后来我都在暗室或加遮光罩做测量。
4.3 光谱预处理：去噪、基线校正、归一化
原始光谱是不能直接用的。你想想看，探测器有噪声、光源有波动、光纤有损耗，这些都得处理掉。我一般按三步走：
4.3.1 去噪
噪声主要来自探测器热噪声和散粒噪声。常用的方法：
- 移动平均平滑：窗口大小选5-15个点。窗口太小去不干净，太大又会抹掉细节。我习惯用7点平滑，效果比较均衡。
- Savitzky-Golay滤波：这个比移动平均好，能保留峰的形状。阶数一般选2-3阶，窗口大小15-25点。
- 小波去噪：对付非平稳噪声效果好，但参数调起来麻烦。我一般只在信号特别弱的时候用。
# Python示例：Savitzky-Golay去噪
from scipy.signal import savgol_filter
import numpy as np
# 假设 raw_spectrum 是原始光谱数据
window_size = 15 # 窗口大小，必须为奇数
polyorder = 3 # 多项式阶数
denoised = savgol_filter(raw_spectrum, window_size, polyorder)
4.3.2 基线校正
基线漂移是光谱测量里最烦人的问题之一。原因很多：光源老化、温度变化、光纤微弯。我常用的方法：
- 多项式拟合校正：选几个无吸收的波长点，用多项式拟合出基线，然后减去。阶数一般2-3阶就够了。
- 非对称最小二乘法（AsLS）：这个算法能自动估计基线，不用手动选点。我最近几年都在用这个，省事不少。
注意： 基线校正一定要在去噪之后做。先去了噪声，基线估计才准。这个顺序我踩过坑，后来就记住了。
4.3.3 归一化
归一化的目的是消除光源强度波动和光纤耦合效率差异。常见方法：
- 最大值归一化：每个波长点的值除以光谱最大值。简单粗暴，但容易受噪声影响。
- 面积归一化：除以光谱曲线下的总面积。这个更稳定，我比较推荐。
- 标准正态变量（SNV）：每个波长点减去均值再除以标准差。适合消除散射效应，在组织光谱里用得很多。
# Python示例：面积归一化
normalized = spectrum / np.trapz(spectrum, wavelengths)
我的经验： 归一化方法的选择要看后续分析目标。如果是做分类，SNV效果通常最好。如果是定量分析，面积归一化更稳妥。
4.4 本章知识体系
下面这张图是我自己梳理的，把光纤光谱测量的核心流程串起来了。你一看就明白：
这张图把整个流程串起来了：从探头设计开始，到采集模式选择，再到预处理三步走，最后得到高质量光谱数据用于后续分析。每一步都环环相扣，哪一步出问题，后面都白干。
公众号:蓝海资料掘金营，微信deep3321