本发明涉及光谱数据处理技术领域，具体涉及一种鼻腔喷雾剂成分检测方法，包括：确定鼻腔喷雾剂样本的红外光谱信号上的每个信号点的频率复杂度，确定每个分量信号上的每个信号点的波动程度，根据波动程度、频率复杂度和残差，确定每个分量信号的波动离散度，根据波动程度和频率复杂度对每个分量信号的所有信号点进行聚类，根据聚类结果确定每个分量信号的分布区分度，根据波动离散度和分布区分度确定每个分量信号的阈值，根据阈值对每个分量信号进行去噪处理，通过去噪后的红外光谱曲线对鼻腔喷雾剂样本进行成分检测。本发明自适应确定每个分量信号的阈值，根据阈值进行去噪处理，在提高去噪效果的同时，减小了对红外光谱曲线的损失。
1.一种鼻腔喷雾剂成分检测方法，其特征在于，所述方法包括：
获取鼻腔喷雾剂样本的红外光谱曲线，红外光谱曲线包括多个信号点，每个信号点由波长和吸收强度组成；
根据红外光谱信号上的每个信号点的局部范围内所有极值点与相邻极值点的波长的差异和吸收强度的差异，确定红外光谱信号上的每个信号点的频率复杂度；
所述根据红外光谱信号上的每个信号点的局部范围内所有极值点与相邻极值点的波长的差异和吸收强度的差异，确定红外光谱信号上的每个信号点的频率复杂度，包括：式中，表示红外光谱信号上的第i个信号点的频率复杂度， 表示红外光谱信号上的第i个信号点的局部范围内的所有极值点的波长差异的标准差， 表示红外光谱信号上的第i个信号点的局部范围内的所有极值点的吸收强度差异的标准差，表示红外光谱信号上的第i个信号点的局部范围内的所有极值点的数量， 表示线性归一化函数，表示以自然常数为底的指数函数；
计算红外光谱信号上的每个信号点的一阶导数，将一阶导数等于0的信号点作为红外光谱信号上的极值点；计算红外光谱信号上的每个极值点的波长差异和吸收强度差异，具体计算公式为：式中， 表示红外光谱信号上的第j个极值点的波长差异， 表示红外光谱信号上的第j‑1个极值点的波长，表示红外光谱信号上的第j个极值点的波长， 表示红外光谱信号上的第j+1个极值点的波长， 表示红外光谱信号上的第j个极值点的收强度差异，表示红外光谱信号上的第j‑1个极值点的吸收强度， 表示红外光谱信号上的第j个极值点的吸收强度， 表示红外光谱信号上的第j+1个极值点的吸收强度；
利用经验模态分解对红外光谱曲线进行分解，获得红外光谱曲线的所有分量信号以及一个残差曲线，每个分量信号包括多个信号点，每个信号点由波长和吸收强度组成，残差曲线上包括每个信号点对应的残差；
根据红外光谱信号和每个分量信号上的每个信号点的局部范围内所有信号点的吸收强度的标准差，确定每个分量信号上的每个信号点的波动程度；
根据每个分量信号上的所有信号点的波动程度和频率复杂度，以及每个分量信号上的每个信号点的残差，确定每个分量信号的波动离散度；
根据每个分量信号上的每个信号点的波动程度和频率复杂度，通过K均值聚类算法对每个分量信号上的所有信号点进行聚类，根据每个分量信号的聚类结果，确定每个分量信号的分布区分度；
根据每个分量信号的波动离散度和分布区分度，确定每个分量信号的阈值，根据每个分量信号的阈值，通过小波阈值去噪算法对每个分量信号进行去噪处理，通过所有去噪后的分量信号获得去噪后的红外光谱信号，通过去噪后的红外光谱曲线对鼻腔喷雾剂样本进行成分检测。
2.根据权利要求1所述的一种鼻腔喷雾剂成分检测方法，其特征在于，所述根据红外光谱信号和每个分量信号上的每个信号点的局部范围内所有信号点的吸收强度的标准差，确定每个分量信号上的每个信号点的波动程度，包括：将每个分量信号上的每个信号点的局部范围内所有信号点的吸收强度的标准差，记为每个分量信号上的每个信号点的第一标准差，将红外光谱信号上的每个信号点的局部范围内所有信号点的吸收强度的标准差，记为红外光谱信号的每个信号点的第二标准差，将每个分量信号上的每个信号点的第一标准差和红外光谱信号的每个信号点的第二标准差的比值，记为每个分量信号上的每个信号点的波动程度，对每个分量信号上的每个信号点的波动程度进行归一化处理。
3.根据权利要求1所述的一种鼻腔喷雾剂成分检测方法，其特征在于，所述根据每个分量信号上的所有信号点的波动程度和频率复杂度，以及每个分量信号上的每个信号点的残差，确定每个分量信号的波动离散度，包括：式中， 表示第n个分量信号的波动离散度，n取遍[1,N]范围内的所有整数，N表示所有分量信号的数量， 表示第n个分量信号上的第i个信号点的波动程度， 表示第n个分量信号上的所有信号点的波动程度的均值， 表示第n个分量信号上的第i个信号点的频率复杂度， 表示第n个分量信号上的第i个信号点的局部范围所有信号点的残差的累加和，M表示信号点的数量， 表示线性归一化函数。
4.根据权利要求1所述的一种鼻腔喷雾剂成分检测方法，其特征在于，所述根据每个分量信号上的每个信号点的波动程度和频率复杂度，通过K均值聚类算法对每个分量信号上的所有信号点进行聚类，包括：对于任意一个分量信号上，根据该分量信号上的每个信号点的波动程度和频率复杂度，通过K均值聚类算法对该分量信号上的所有信号点进行聚类，将预设取值范围 的每个整数作为均值聚类算法的类簇数量，根据不同类簇数量对该分量信号上的所有信号点进行聚类，计算不同类簇数量的聚类结果的轮廓系数，将轮廓系数最大值对应的类簇数量作为该分量信号的最优类簇数量，最优类簇数量对应的聚类结果作为该分量信号上的所有信号点的最终聚类结果，该分量信号上的所有信号点的最终聚类结果包括 个类簇， 表示第n个分量信号的最优类簇数量。
5.根据权利要求1所述的一种鼻腔喷雾剂成分检测方法，其特征在于，所述根据每个分量信号的聚类结果，确定每个分量信号的分布区分度，包括：式中，表示第n个分量信号的分布区分度， 表示第n个分量信号的最优类簇数量对应的轮廓系数， 表示第n个分量信号的最优类簇数量， 表示第n个分量信号的第k个类簇的聚类中心和第t个类簇的聚类中心的欧式距离， 表示以自然常数为底的指数函数。
6.根据权利要求1所述的一种鼻腔喷雾剂成分检测方法，其特征在于，所述根据每个分量信号的波动离散度和分布区分度，确定每个分量信号的阈值，包括：对每个分量信号的波动离散度和分布区分度进行线性归一化处理，根据每个分量信号处理后的波动离散度和分布区分度的乘积，确定每个分量信号的阈值，具体计算公式为：式中， 表示第n个分量信号的阈值，表示第n个分量信号的分布区分度， 表示第n个分量信号的波动离散度， 表示线性归一化函数。
7.根据权利要求1所述的一种鼻腔喷雾剂成分检测方法，其特征在于，所述通过去噪后的红外光谱曲线对鼻腔喷雾剂样本进行成分检测，包括：对鼻腔喷雾剂样本的去噪后的红外光谱信号与已知的每种标准鼻腔喷雾剂的红外光谱信号进行谱图对比，谱图对比是通过计算两个红外光谱信号的皮尔逊相关系数，将皮尔逊相关系数的最小值对应的标准鼻腔喷雾剂的组成成分和浓度，作为鼻腔喷雾剂样本的组成成分和浓度，实现对鼻腔喷雾剂样本的成分检测。
8.根据权利要求1所述的一种鼻腔喷雾剂成分检测方法，其特征在于，所述信号点的局部范围，包括：
红外光谱信号上的每个信号点的相邻的L个信号点组成红外光谱信号上的每个信号点的局部范围， ，其中，表示鼻腔喷雾剂样品的光谱波长分析范围大小， 表示向下取整，表示预设数值。
一种鼻腔喷雾剂成分检测方法
技术领域
[0001] 本发明涉及光谱数据处理技术领域，具体涉及一种鼻腔喷雾剂成分检测方法。
背景技术
[0002] 鼻腔喷雾剂成分检测方法是一种用于分析和检测鼻腔喷雾剂的组成成分的技术，该技术通过红外光谱法对口腔喷雾剂样品中的有机物、无机物等成分进行鉴定和定量分析，由于设备仪器的原因，采集的红外光谱曲线会存在一定的噪声干扰，导致检测结果不准确。
[0003] 为了保证检测结果的准确性，常规通过经验模态分解对鼻腔喷雾剂样品的红外光谱曲线进行分解，通过小波阈值去噪算法对分解后获得的所有分量信号中的高频分量信号进行去噪处理，通过获得的去噪后的红外光谱曲线进行鼻腔喷雾剂成分检测。
[0004] 由于红外光谱曲线自身的波动与噪声存在重叠混淆，导致噪声无法被完全分解到高频分量中，同时导致不同分量信号中噪声的含量不同，因此，基于同一个阈值通过小波阈值去噪算法对不同分量信号进行去噪处理时，如果小波阈值去噪算法中的阈值设置的较大，去噪后，对噪声较弱的分量信号中的红外光谱曲线产生损失，如果阈值设置的较小，去噪后，噪声较强的分量信号的噪声去除效果不佳。
[0005] 综上，如何设置不同的分量信号在进行小波阈值去噪算法时的阈值，在保证去噪效果的同时，减小了对红外光谱曲线的损失。
发明内容
[0006] 为了解决上述问题，本发明提供一种鼻腔喷雾剂成分检测方法，所述方法包括：
[0007] 获取鼻腔喷雾剂样本的红外光谱曲线，红外光谱曲线包括多个信号点，每个信号点由波长和吸收强度组成；
[0008] 根据红外光谱信号上的每个信号点的局部范围内所有极值点与相邻极值点的波长的差异和吸收强度的差异，确定红外光谱信号上的每个信号点的频率复杂度；
[0009] 利用经验模态分解对红外光谱曲线进行分解，获得红外光谱曲线的所有分量信号以及一个残差曲线，每个分量信号包括多个信号点，每个信号点由波长和吸收强度组成，残差曲线上包括每个信号点对应的残差；
[0010] 根据红外光谱信号和每个分量信号上的每个信号点的局部范围内所有信号点的吸收强度的标准差，确定每个分量信号上的每个信号点的波动程度；
[0011] 根据每个分量信号上的所有信号点的波动程度和频率复杂度，以及每个分量信号上的每个信号点的残差，确定每个分量信号的波动离散度；
[0012] 根据每个分量信号上的每个信号点的波动程度和频率复杂度，通过K均值聚类算法对每个分量信号上的所有信号点进行聚类，根据每个分量信号的聚类结果，确定每个分量信号的分布区分度；
[0013] 根据每个分量信号的波动离散度和分布区分度，确定每个分量信号的阈值，根据每个分量信号的阈值，通过小波阈值去噪算法对每个分量信号进行去噪处理，通过所有去噪后的分量信号获得去噪后的红外光谱信号，通过去噪后的红外光谱曲线对鼻腔喷雾剂样本进行成分检测。
[0014] 进一步地，所述根据红外光谱信号上的每个信号点的局部范围内所有极值点与相邻极值点的波长的差异和吸收强度的差异，确定红外光谱信号上的每个信号点的频率复杂度，包括：
[0015]
[0016] 式中， 表示红外光谱信号上的第i个信号点的频率复杂度， 表示红外光谱信号上的第i个信号点的局部范围内的所有极值点的波长差异的标准差， 表示红外光谱信号上的第i个信号点的局部范围内的所有极值点的吸收强度差异的标准差，表示红外光谱信号上的第i个信号点的局部范围内的所有极值点的数量， 表示线性归一化函数，表示以自然常数为底的指数函数。
[0017] 进一步地，所述极值点的波长差异和吸收强度差异，包括：
[0018] 计算红外光谱信号上的每个信号点的一阶导数，将一阶导数等于0的信号点作为红外光谱信号上的极值点；计算红外光谱信号上的每个极值点的波长差异和吸收强度差异，具体计算公式为：
[0019]
[0020]
[0021] 式中， 表示红外光谱信号上的第j个极值点的波长差异， 表示红外光谱信号上的第j‑1个极值点的波长，表示红外光谱信号上的第j个极值点的波长， 表示红外光谱信号上的第j+1个极值点的波长， 表示红外光谱信号上的第j个极值点的收强度差异，表示红外光谱信号上的第j‑1个极值点的吸收强度， 表示红外光谱信号上的第j个极值点的吸收强度， 表示红外光谱信号上的第j+1个极值点的吸收强度。
[0022] 进一步地，所述根据红外光谱信号和每个分量信号上的每个信号点的局部范围内所有信号点的吸收强度的标准差，确定每个分量信号上的每个信号点的波动程度，包括：
[0023] 将每个分量信号上的每个信号点的局部范围内所有信号点的吸收强度的标准差，记为每个分量信号上的每个信号点的第一标准差，将红外光谱信号上的每个信号点的局部范围内所有信号点的吸收强度的标准差，记为红外光谱信号的每个信号点的第二标准差，将每个分量信号上的每个信号点的第一标准差和红外光谱信号的每个信号点的第二标准差的比值，记为每个分量信号上的每个信号点的波动程度，对每个分量信号上的每个信号点的波动程度进行归一化处理。
[0024] 进一步地，所述根据每个分量信号上的所有信号点的波动程度和频率复杂度，以及每个分量信号上的每个信号点的残差，确定每个分量信号的波动离散度，包括：
[0025]
[0026] 式中， 表示第n个分量信号的波动离散度，n取遍[1,N]范围内的所有整数，N表示所有分量信号的数量， 表示第n个分量信号上的第i个信号点的波动程度， 表示第n个分量信号上的所有信号点的波动程度的均值， 表示第n个分量信号上的第i个信号点的频率复杂度， 表示第n个分量信号上的第i个信号点的局部范围所有信号点的残差的累加和，M表示信号点的数量， 表示线性归一化函数。
[0027] 进一步地，所述根据每个分量信号上的每个信号点的波动程度和频率复杂度，通过K均值聚类算法对每个分量信号上的所有信号点进行聚类，包括：
[0028] 对于任意一个分量信号上，根据该分量信号上的每个信号点的波动程度和频率复杂度，通过K均值聚类算法对该分量信号上的所有信号点进行聚类，将预设取值范围 的每个整数作为均值聚类算法的类簇数量，根据不同类簇数量对该分量信号上的所有信号点进行聚类，计算不同类簇数量的聚类结果的轮廓系数，将轮廓系数最大值对应的类簇数量作为该分量信号的最优类簇数量，最优类簇数量对应的聚类结果作为该分量信号上的所有信号点的最终聚类结果，该分量信号上的所有信号点的最终聚类结果包括 个类簇， 表示第n个分量信号的最优类簇数量。
[0029] 进一步地，所述根据每个分量信号的聚类结果，确定每个分量信号的分布区分度，包括：
[0030]
[0031] 式中，表示第n个分量信号的分布区分度， 表示第n个分量信号的最优类簇数量对应的轮廓系数， 表示第n个分量信号的最优类簇数量， 表示第n个分量信号的第k个类簇的聚类中心和第t个类簇的聚类中心的欧式距离， 表示以自然常数为底的指数函数。
[0032] 进一步地，所述根据每个分量信号的波动离散度和分布区分度，确定每个分量信号的阈值，包括：
[0033] 对每个分量信号的波动离散度和分布区分度进行线性归一化处理，根据每个分量信号处理后的波动离散度和分布区分度的乘积，确定每个分量信号的阈值，具体计算公式为：
[0034]
[0035] 式中， 表示第n个分量信号的阈值，表示第n个分量信号的分布区分度， 表示第n个分量信号的波动离散度， 表示线性归一化函数。
[0036] 进一步地，所述通过去噪后的红外光谱曲线对鼻腔喷雾剂样本进行成分检测通过去噪后的红外光谱曲线对鼻腔喷雾剂样本进行成分检测，包括：
[0037] 对鼻腔喷雾剂样本的去噪后的红外光谱信号与已知的每种标准鼻腔喷雾剂的红外光谱信号进行谱图对比，谱图对比是通过计算两个红外光谱信号的皮尔逊相关系数，将皮尔逊相关系数的最小值对应的标准鼻腔喷雾剂的组成成分和浓度，作为鼻腔喷雾剂样本的组成成分和浓度，实现对鼻腔喷雾剂样本的成分检测。
[0038] 进一步地，所述信号点的局部范围，包括：
[0039] 红外光谱信号上的每个信号点的相邻的L个信号点组成红外光谱信号上的每个信号点的局部范围， ，其中，表示鼻腔喷雾剂样品的光谱波长分析范围大小， 表示向下取整，表示预设数值。
[0040] 本发明的技术方案的有益效果是：本发明根据每个分量信号上的所有信号点的波动程度和频率复杂度，以及每个分量信号上的每个信号点的残差，确定每个分量信号的波动离散度，根据每个分量信号上的每个信号点的波动程度和频率复杂度，通过K均值聚类算法对每个分量信号上的所有信号点进行聚类，根据每个分量信号的聚类结果，确定每个分量信号的分布区分度，每个分量信号的波动离散度和分布区分度共同表征每个分量信号中噪声的含量，因此，根据每个分量信号的波动离散度和分布区分度，自适应确定每个分量信号的阈值，根据每个分量信号的阈值进行去噪处理，在提高去噪效果的同时，减小了对红外光谱曲线的损失。
附图说明
[0041] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0042] 图1为本发明的一种鼻腔喷雾剂成分检测方法的方法流程图。
具体实施方式
[0043] 为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种鼻腔喷雾剂成分检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
[0044] 除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
[0045] 下面结合附图具体的说明本发明所提供的一种鼻腔喷雾剂成分检测方法的具体方案。
[0046] 为了保证检测结果的准确性，常规通过经验模态分解对鼻腔喷雾剂样品的红外光谱曲线进行分解，通过小波阈值去噪算法对分解后获得的所有分量信号中的高频分量信号进行去噪处理，通过获得的去噪后的红外光谱曲线进行鼻腔喷雾剂成分检测。
[0047] 由于红外光谱曲线自身的波动与噪声存在重叠混淆，导致噪声无法被完全分解到高频分量中，如果只通过小波阈值去噪算法对分解后获得的所有分量信号中的高频分量信号进行去噪处理，会导致红外光谱曲线的噪声没有被完全去除，进而导致通过去噪后的红外光谱曲线进行鼻腔喷雾剂成分检测的检测结果不准确，因此，本实施例通过小波阈值去噪算法对分解后获得的所有分量信号进行去噪。
[0048] 通过小波阈值去噪算法对分解后获得的所有分量信号进行去噪时，小波阈值去噪算法的阈值设置的越大，则去噪程度越大；由于不同分量信号中噪声的含量不同，因此，如果基于同一个阈值通过小波阈值去噪算法对不同分量信号进行去噪，在设置阈值时，如果阈值设置的较大，则去噪程度较大，虽然对于噪声较强的分量信号的噪声去除效果较好，但是会对噪声较弱的分量信号中的红外光谱曲线产生损失，如果阈值设置的较小，则去噪程度较小，虽然对于噪声较弱的分量信号的噪声去除效果较好，且对噪声较弱的分量信号中的红外光谱曲线产生的损失较小，但是对于噪声较强的分量信号的噪声去除效果不佳。
[0049] 因此，本实施例通过，确定不同的分量信号中噪声的含量，根据不同的分量信号中噪声的含量，自适应设置每个分量信号的阈值，在保证去噪效果的同时，减小了对红外光谱曲线的损失。
[0050] 请参阅图1，其示出了本发明一个实施例提供的一种鼻腔喷雾剂成分检测方法的方法流程图，该方法包括：
[0051] S001、获取鼻腔喷雾剂样本的红外光谱曲线。
[0052] 在本实施例中，采集鼻腔喷雾剂样品，对鼻腔喷雾剂样品进行预处理，例如溶解、稀释等；通过红外光谱仪对鼻腔喷雾剂样品进行测量，获取鼻腔喷雾剂样品的红外光谱曲线，红外光谱曲线包括多个信号点，其中，每个信号点的横轴表示波长，纵轴表示吸收强度，以1nm为不同种波长的间隔，将每种波长下的吸收强度作为一个信号点。
[0053] 需要说明的是，红外光谱仪的相关参数根据鼻腔喷雾剂样品的性质以及光谱波长分析范围进行调整；其中，鼻腔喷雾剂样品的光谱波长分析范围为[2.5,25]，单位是um。
[0054] S002、根据红外光谱信号上的每个信号点的局部范围内所有极值点与相邻极值点的波长的差异和吸收强度的差异，确定红外光谱信号上的每个信号点的频率复杂度。
[0055] 需要说明的是，在分析每一个分量信号的波动离散度之前，由于红外光谱曲线中的不同信号点的局部范围内表现出的波动特性不相同，对于局部范围内波动频率较高的信号点，是由于噪声叠加导致的波动，此时信号点的局部范围内频率越复杂，对于频率复杂度的信号点，在后续计算分量信号的整体的波动离散度时，权重相对更高一些。
[0056] 在本实施例中，计算红外光谱信号上的每个信号点的一阶导数，将一阶导数等于0的信号点作为红外光谱信号上的极值点；计算红外光谱信号上的每个极值点的波长差异和吸收强度差异，具体计算公式为：
[0057]
[0058]
[0059] 式中， 表示红外光谱信号上的第j个极值点的波长差异， 表示红外光谱信号上的第j‑1个极值点的波长，表示红外光谱信号上的第j个极值点的波长， 表示红外光谱信号上的第j+1个极值点的波长， 表示红外光谱信号上的第j个极值点的收强度差异，表示红外光谱信号上的第j‑1个极值点的吸收强度， 表示红外光谱信号上的第j个极值点的吸收强度， 表示红外光谱信号上的第j+1个极值点的吸收强度。
[0060] 进一步，红外光谱信号上的每个信号点的相邻的L个信号点组成红外光谱信号上的每个信号点的局部范围， ，其中，表示鼻腔喷雾剂样品的光谱波长分析范围大小， 表示向下取整，表示预设数值，实施人员可根据实际实施情况设置数值r，例如；
[0061] 需要说明的是，每个信号点的相邻的L个信号点是指红外光谱信号上距离每个信号点最近的L个信号点。
[0062] 进一步，根据红外光谱信号上的每个信号点的局部范围内所有极值点的波长差异和吸收强度差异，确定红外光谱信号上的每个信号点的频率复杂度，具体计算公式为：
[0063]
[0064] 式中， 表示红外光谱信号上的第i个信号点的频率复杂度， 表示红外光谱信号上的第i个信号点的局部范围内的所有极值点的波长差异的标准差， 表示红外光谱信号上的第i个信号点的局部范围内的所有极值点的吸收强度差异的标准差，表示红外光谱信号上的第i个信号点的局部范围内的所有极值点的数量， 表示线性归一化函数，表示以自然常数为底的指数函数。
[0065] 需要说明的是，第i个信号点的局部范围内的所有极值点的数量越多，且第i个信号点的局部范围内的所有极值点的波长差异的标准差和吸收强度差异的标准差越大，则第i个信号点的局部范围内的所有极值点的分布越离散，第i个信号点的局部范围内信号变化越剧烈，第i个信号点的局部范围内的频率越复杂，则第i个信号点越可能是受到噪声的干扰。
[0066] S003、利用经验模态分解对红外光谱曲线进行分解，获得红外光谱曲线的所有分量信号以及一个残差曲线，确定每个分量信号上的每个信号点的波动程度，确定每个分量信号的波动离散度，根据每个分量信号上的每个信号点的波动程度和频率复杂度，通过K均值聚类算法对每个分量信号上的所有信号点进行聚类，根据每个分量信号的聚类结果，确定每个分量信号的分布区分度。
[0067] 需要说明的是，由于鼻腔喷雾剂样品的红外光谱曲线并不具备时序特征，因此，通过经验模态分解对红外光谱曲线进行分解获得的分量信号不具有实际的分量或周期特征，但由于噪声的叠加混合，噪声的表现大多一样，因此反而噪声在不同分量中所表现的周期或持续特征更明显。基于这一特性，本实施例通过对经验模态分解后的多个分量信号进行分析，基于不同分量信号在每个信号点的局部范围内的相同特征和差异特征，对每个分量信号的含噪程度分析，并基于分析结果，自适应获得通过小波阈值去噪算法对每个分量信号进行去噪时的阈值，从而提高去噪效果。
[0068] 1、利用经验模态分解对红外光谱曲线进行分解，获得红外光谱曲线的所有分量信号以及一个残差曲线。
[0069] 在本实施例中，利用经验模态分解(EMD分解)对鼻腔喷雾剂样品的红外光谱曲线进行分解，获得红外光谱曲线的所有分量信号（内涵模态分量）以及一个残差曲线，残差曲线上包括每个信号点的残差。
[0070] 需要说明的是，经验模态分解为公知技术，此处不再进行赘述。
[0071] 2、根据红外光谱信号和每个分量信号上的每个信号点的局部范围内所有信号点的吸收强度的标准差，获得每个分量信号上的每个信号点的波动程度，根据每个分量信号上的所有信号点的波动程度和频率复杂度，以及每个分量信号上的每个信号点的局部范围所有信号点的残差，确定每个分量信号的波动离散度。
[0072] 在本实施例中，将每个分量信号上的每个信号点的局部范围内所有信号点的吸收强度的标准差，记为每个分量信号上的每个信号点的第一标准差，将红外光谱信号上的每个信号点的局部范围内所有信号点的吸收强度的标准差，记为每个分量信号上的每个信号点的第二标准差，将每个分量信号上的每个信号点的第一标准差和第二标准差的比值，记为每个分量信号上的每个信号点的波动程度，对每个分量信号上的每个信号点的波动程度进行归一化处理。
[0073] 进一步，将红外光谱信号上的第i个信号点的频率复杂度，作为每个分量信号上的第i个信号点的频率复杂度。
[0074] 进一步，根据每个分量信号上的所有信号点的波动程度和频率复杂度，以及每个分量信号上的每个信号点的局部范围所有信号点的残差，确定每个分量信号的波动离散度，具体计算公式为：
[0075]
[0076] 式中， 表示第n个分量信号的波动离散度，n取遍[1,N]范围内的所有整数，N表示所有分量信号的数量， 表示第n个分量信号上的第i个信号点的波动程度， 表示第n个分量信号上的所有信号点的波动程度的均值， 表示第n个分量信号上的第i个信号点的频率复杂度， 表示第n个分量信号上的第i个信号点的局部范围所有信号点的残差的累加和，M表示信号点的数量， 表示线性归一化函数。
[0077] 需要说明的是，因为噪声的波动相对红外光谱信号的波动更稳定，噪声的周期与第n个分量信号的周期越接近，则第n个分量信号相对其他分量信号，第n个分量信号的在所有信号点的局部位置处的波动程度相对更稳定，即当红外光谱信号的某个信号点受到噪声干扰时，在第n个分量信号上波长相同的位置处的信号点，也会相对应的出现相应强度的波动，因此需要基于 来作为第n个分量信号中第i个信号点的波动程度的差异；第i个信号点的频率复杂度越大，则第i个信号点越可能是受到噪声的干扰；残差的出现是由于信号点的局部范围所组成的频率与其他信号点局部范围所组成的频率的差异较大，则第i个信号点越趋向是受到噪声的干扰；局部范围越趋向噪声干扰的信号点，在计算分量信号的波动离散度时的权重越高，因此，将信号点的频率复杂度和信号点的局部范围所有信号点的残差的累加和作为权值，对 进行加权，确定第n个分量信号的波动离散度。
[0078] 3、根据每个分量信号上的每个信号点的波动程度和频率复杂度，通过K均值聚类算法对每个分量信号上的所有信号点进行聚类，根据每个分量信号的聚类结果，确定每个分量信号的分布区分度。
[0079] 需要说明的是，分量信号的波动离散度只能表现出所有信号点的波动程度的整体分布是否离散，当波动离散度足够大时，只能将分量信号的波动离散度看作分量信号内信号点的波动呈现出两极分化的特征，但是具体是其中某一极内是全部或大部分主要由噪声对应的分量局部范围占据，还是噪声对应的分量局部范围在整个分量中离散分布，导致获得的波动离散度不同。需要对两种情况进行区分，对于分量信号，噪声对应的多个分量局部范围之间存在聚集表现，因此，根据每个分量信号上的每个信号点的波动程度和频率复杂度，对每个分量信号上的所有信号点进行聚类，根据每个分量信号的聚类结果，确定每个分量信号的分布区分度。
[0080] 在本实施例中，对于任意一个分量信号上，根据该分量信号上的每个信号点的波动程度和频率复杂度，通过K均值聚类算法对该分量信号上的所有信号点进行聚类，将预设取值范围Q的每个整数作为均值聚类算法的类簇数量，根据不同类簇数量对该分量信号上的所有信号点进行聚类，计算不同类簇数量的聚类结果的轮廓系数，将轮廓系数最大值对应的类簇数量作为该分量信号的最优类簇数量，实施人员可根据实际实施情况设置取值范围Q，例如Q=[3,7]；最优类簇数量对应的聚类结果作为该分量信号上的所有信号点的最终聚类结果，该分量信号上的所有信号点的最终聚类结果包括 个类簇， 表示第n个分量信号的最优类簇数量。
[0081] 进一步，根据每个分量信号的聚类结果，确定每个分量信号的分布区分度，具体计算公式为：
[0082]
[0083] 式中，表示第n个分量信号的分布区分度， 表示第n个分量信号的最优类簇数量对应的轮廓系数， 表示第n个分量信号的最优类簇数量， 表示第n个分量信号的第k个类簇的聚类中心和第t个类簇的聚类中心的欧式距离， 表示以自然常数为底的指数函数。
[0084] 需要说明的是，轮廓系数的取值范围为[‑1,1]，轮廓系数越接近1，则表示当前聚类结果的多个类簇的整体内聚度以及分离度都越好，在本实施例中，轮廓系数越大，则表示第n个分量信号的所有信号点的波动程度和频率复杂度的区分程度越大，即越接近理想情况如噪声对应的局部范围的波动程度与正常红外光谱信号的波动程度的差异较大；第n个分量信号的最优类簇数量越少，第n个分量信号中的不同频率复杂度对应的不同波动程度之间的区分越明显，第n个分量信号的分布区分度越大，对应的噪声在第n个分量信号中的表现越明显； 代表了第n个分量信号的最终聚类结果中所有类簇之间的距离累加值，该值越大，则第n个分量信号的分布区分度越大。
[0085] S004、根据每个分量信号的波动离散度和分布区分度，确定每个分量信号的阈值，根据每个分量信号的阈值，通过小波阈值去噪算法对每个分量信号进行去噪处理，通过所有去噪后的分量信号获得去噪后的红外光谱信号，通过去噪后的红外光谱曲线对鼻腔喷雾剂样本进行成分检测。
[0086] 1、根据每个分量信号的波动离散度和分布区分度，确定每个分量信号的阈值。
[0087] 在本实施例中，对每个分量信号的波动离散度和分布区分度进行线性归一化处理，根据每个分量信号处理后的波动离散度和分布区分度的乘积，确定每个分量信号的阈值，具体计算公式为：
[0088]
[0089] 式中， 表示第n个分量信号的阈值，表示第n个分量信号的分布区分度， 表示第n个分量信号的波动离散度， 表示线性归一化函数。
[0090] 需要说明的是，分量信号的分布区分度表征在分量信号中，不同信号点的局部区域在不同含噪情况下的波动程度的区分，分量信号的分布区分度越大，则表征信号点的波动程度受含噪情况的影响越大；而分量信号的波动离散度则用于表征分量信号中，整体在不同含噪情况下的波动程度的差异；分布区分度是分量信号中的细节特征，波动离散度是分量信号中的整体特征，布区分度的作用类似约束项，因此，根据波动离散度和分布区分度的乘积表征每个分量信号中的噪声含量，波动离散度和分布区分度的乘积越大，则分量信号中的噪声含量越多，在通过小波阈值去噪算法对分量信号进行去噪时，需要的去噪强度越高，因此，分量信号的阈值越大。
[0091] 2、根据每个分量信号的阈值，通过小波阈值去噪算法对每个分量信号进行去噪处理，通过所有去噪后的分量信号获得去噪后的红外光谱信号，通过去噪后的红外光谱曲线对鼻腔喷雾剂样本进行成分检测。
[0092] 在本实施例中，根据每个分量信号的阈值，通过小波阈值去噪算法对每个分量信号进行去噪处理，对所有去噪后的分量信号进行逆变换，得到去噪后的红外光谱信号；对鼻腔喷雾剂样本的去噪后的红外光谱信号与已知的每种标准鼻腔喷雾剂的红外光谱信号进行谱图对比，谱图对比是通过计算两个红外光谱信号的皮尔逊相关系数，将皮尔逊相关系数的最小值对应的标准鼻腔喷雾剂的组成成分和浓度，作为鼻腔喷雾剂样本的组成成分和浓度，实现对鼻腔喷雾剂样本的成分检测，其中，已知的每种标准鼻腔喷雾剂具有组成成分和浓度，且不同种标准鼻腔喷雾剂的组成成分和浓度不同。
[0093] 本发明根据每个分量信号上的所有信号点的波动程度和频率复杂度，以及每个分量信号上的每个信号点的残差，确定每个分量信号的波动离散度，根据每个分量信号上的每个信号点的波动程度和频率复杂度，通过K均值聚类算法对每个分量信号上的所有信号点进行聚类，根据每个分量信号的聚类结果，确定每个分量信号的分布区分度，每个分量信号的波动离散度和分布区分度共同表征每个分量信号中噪声的含量，因此，根据每个分量信号的波动离散度和分布区分度，自适应确定每个分量信号的阈值，根据每个分量信号的阈值进行去噪处理，在提高去噪效果的同时，减小了对红外光谱曲线的损失。
[0094] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
