4. 力曲线数据预处理：原始数据导入、基线校正、零力与零距离校准、热噪声去除

好，咱们进入正题。上一章我们聊了力曲线的基础原理，这一章我带你亲手处理原始数据。说实话，我见过太多人拿着漂亮的原始数据直接拟合，结果出来的模量值偏差了30%以上还浑然不知。嗯，预处理这一步，说白了就是给你的数据“洗个澡”，把脏东西去掉，才能看到真实的样子。

4.1 原始数据导入——别让第一关卡住你

AFM厂商给的数据格式五花八门。Bruker的.spm、JPK的.jpk、Asylum的.ibw……每个都有自己的脾气。我早期做项目时，最头疼的就是客户发来一个奇奇怪怪的二进制文件，打不开。

我的建议是：统一转成CSV或TXT再处理。大多数厂商软件都支持导出为文本格式。如果你用的是Python，我推荐用numpy或pandas直接读。

import numpy as np
import pandas as pd

# 读取CSV格式的力曲线数据
# 假设文件有两列：Z (压电位移, nm) 和 Deflection (悬臂偏转, V)
data = pd.read_csv('force_curve_raw.csv', header=None, names=['Z', 'Deflection'])

# 或者用numpy读
raw = np.loadtxt('force_curve_raw.txt', skiprows=1)
Z = raw[:, 0]
Defl = raw[:, 1]

print(f"数据点数量: {len(Z)}")
print(f"Z范围: {Z.min():.2f} ~ {Z.max():.2f} nm")

4.2 基线校正——把悬臂的“手抖”去掉

什么是基线？说白了就是探针还没碰到样品时，悬臂偏转信号的理论值应该是零。但实际测量中，由于激光检测器的漂移、电路噪声，基线往往不在零位。

校正方法很简单：取接触前的一段数据，计算平均值，然后整体减去这个平均值。

def baseline_correct(Z, Defl, contact_point_index):
    """
    基线校正
    contact_point_index: 接触点对应的索引位置
    """
    # 取接触前20%的数据点作为基线区域
    baseline_region = Defl[:int(contact_point_index * 0.2)]
    baseline_value = np.mean(baseline_region)
    
    Defl_corrected = Defl - baseline_value
    return Defl_corrected

# 假设我们已知接触点索引为500（后面会讲如何自动找接触点）
contact_idx = 500
Defl_bc = baseline_correct(Z, Defl, contact_idx)

print(f"基线偏移量: {np.mean(Defl[:100]):.4f} V → 校正后: {np.mean(Defl_bc[:100]):.4f} V")

4.3 零力与零距离校准——给坐标轴定原点

这一步很关键。零力校准，就是把偏转信号从电压转换成力。零距离校准，就是找到探针真正接触样品表面的那个点。

零力校准：基线校正后，接触前的偏转信号平均值就是零力点。这个我们已经在上一步做过了。

零距离校准：需要找到接触点。接触点就是探针刚刚碰到样品、偏转信号开始偏离基线的那个位置。

找接触点的方法有很多，我常用的是阈值法：

def find_contact_point(Z, Defl, threshold=0.01):
    """
    通过阈值法寻找接触点
    threshold: 偏转信号偏离基线的阈值 (V)
    """
    # 计算基线噪声水平
    baseline_std = np.std(Defl[:100])
    
    # 从后往前找，第一个超过阈值的位置
    for i in range(len(Defl)-1, 0, -1):
        if np.abs(Defl[i]) > threshold * baseline_std:
            return i
    return 0

contact_idx = find_contact_point(Z, Defl_bc)
Z_zeroed = Z - Z[contact_idx]  # 接触点设为0

print(f"接触点索引: {contact_idx}, 对应Z位置: {Z[contact_idx]:.2f} nm")

4.4 热噪声去除——把悬臂的“颤抖”滤掉

热噪声是什么？说白了就是悬臂在室温下被分子热运动撞得一直抖。这个抖动会叠加在力曲线上，尤其是接触前和刚接触的阶段，噪声特别明显。

去除热噪声，我推荐用低通滤波。AFM力曲线的有用信号频率通常在几百赫兹以下，而热噪声的频带很宽。我们可以用Butterworth低通滤波器把高频成分切掉。

from scipy.signal import butter, filtfilt

def lowpass_filter(data, cutoff=500, fs=10000, order=4):
    """
    低通滤波器
    cutoff: 截止频率 (Hz)
    fs: 采样率 (Hz)
    """
    nyquist = 0.5 * fs
    normal_cutoff = cutoff / nyquist
    b, a = butter(order, normal_cutoff, btype='low', analog=False)
    filtered = filtfilt(b, a, data)
    return filtered

# 假设采样率为10 kHz
fs = 10000
Defl_filtered = lowpass_filter(Defl_bc, cutoff=500, fs=fs)

# 对比滤波前后的噪声水平
noise_before = np.std(Defl_bc[:100])
noise_after = np.std(Defl_filtered[:100])
print(f"热噪声: 滤波前 {noise_before:.5f} V → 滤波后 {noise_after:.5f} V")

4.5 预处理流程总览

说了这么多，我把整个流程串起来。下面这张图是我自己画的预处理流程图，你照着这个顺序做，基本不会出错。

4.6 完整预处理代码示例

最后，我把上面所有步骤打包成一个函数。你拿到原始数据后，直接调用这个函数就行。

def preprocess_force_curve(Z_raw, Defl_raw, fs=10000, cutoff=500):
    """
    完整的力曲线预处理流程
    
    参数:
        Z_raw: 原始压电位移数据 (nm)
        Defl_raw: 原始悬臂偏转数据 (V)
        fs: 采样率 (Hz)
        cutoff: 低通滤波截止频率 (Hz)
    
    返回:
        Z, Defl: 预处理后的数据
        contact_idx: 接触点索引
    """
    # 1. 基线校正
    baseline = np.mean(Defl_raw[:100])
    Defl = Defl_raw - baseline
    
    # 2. 找接触点（阈值法）
    baseline_std = np.std(Defl[:100])
    threshold = 3 * baseline_std
    for i in range(len(Defl)-1, 0, -1):
        if np.abs(Defl[i]) > threshold:
            contact_idx = i
            break
    
    # 3. 零距离校准
    Z = Z_raw - Z_raw[contact_idx]
    
    # 4. 热噪声去除（低通滤波）
    from scipy.signal import butter, filtfilt
    nyquist = 0.5 * fs
    normal_cutoff = cutoff / nyquist
    b, a = butter(4, normal_cutoff, btype='low')
    Defl = filtfilt(b, a, Defl)
    
    return Z, Defl, contact_idx

# 使用示例
Z, Defl, contact = preprocess_force_curve(Z_raw, Defl_raw)
print(f"预处理完成，接触点位于索引 {contact}")