基于小波分解和叶绿素荧光的植物生物钟测量分析方法与流程

本发明涉及生物信号处理领域，具体涉及一种基于小波分解和叶绿素荧光的植物生物钟测量分析方法。

背景技术：

生物钟是生物的一种内在特征，它决定了生物体经历周期性振荡的各种生理活动的内在节律。它在生物世界中无处不在，为适应白天和黑夜的周期性变化以及季节的变化而诞生。许多植物的生理活动是循环现象的体现，植物对日照长度变化的响应与内部昼夜循环密切相关。植物的生物钟现象与它们的生长模式密切相关。考虑到农业灌溉和补充照明的具体量以及时间决策问题，与光合作用效率密切相关的生物钟的测量就显得尤为重要。生物钟的测量很麻烦，但结果可用于植物生理学或精准农业的研究与应用。

植物的光系统ii(psii)吸收的光能有三种能量途径，分别是化学反应，热能和以叶绿素荧光(chlf)形式耗散。三者之间是一种相互制约的关系，因此，chlf具有非常丰富的光合信息。chlf的特征与植物的营养和胁迫状态密切相关，可以表达植物光合作用的内在信息。同时，chlf可以快速准确地探索和测量植物在各种外部条件下的光合作用，而不会破坏植物细胞的完整性。chlf动力学已成为研究光合作用的快速无损检测工具。当通过阶跃光信号照射暗适应的植物叶片时，chlf将经历动态过程并且出现一系列特征点。在这项工作中，选择fj、fi和fm作为chlf的特征以研究植物生物钟，其中fi与pq池的异质性有关，它影响光合作用向前进行的速率，fm代表整个暗适应chlf诱导曲线中的最大荧光值(代表最大光合作用效率)，fj代表在光合作用过程中质体醌a(中间产物)的积累。

科学家现在已经证明光感受器存在于感知光线且与生物钟相关的植物中。目前，对高等植物生物钟的研究仍在试验和建模，各方面之间的联系仍未完全确定。chlf的植物光合特征可用于研究植物生理周期的变化，并通过分析植物的各种生理信号来探索植物生物钟的一些规律。因此，有关生物钟的信号测量，特别是以光合信息为载体的生物钟信号测量非常重要。

传统技术存在以下技术问题：

由于种间多样性和种内变异性，测量信号通常包含噪声，并且这些干扰是不确定的，因此，如何处理原始信号对于实验分析具有重要意义。

技术实现要素：

本发明要解决的技术问题是提供一种基于小波分解和叶绿素荧光的植物生物钟测量分析方法。

为了解决上述技术问题，本发明提供了一种基于小波分解和叶绿素荧光的植物生物钟测量分析方法，包括：

利用快速叶绿素荧光ojip曲线在一连串时间点上的测量完成对叶绿素荧光信号的测量；

基于小波变换分析叶绿素荧光特征序列所包含的生物钟信息，利用不同小波分解层包含不同尺度信息的特点，分析带有噪声的周期性生物信号。

在其中一个实施例中，“基于小波变换分析叶绿素荧光特征序列的所包含的生物钟信息，利用不同小波分解层包含不同尺度信息的特点，分析带有噪声的周期性生物信号。”包括：

选择适合当前信号的分解层；选择合适的分解层数，以多种植物的多种序列为研究对象，统计信号各层的周期分布，选择接近24小时的分解层；

选择适合当前信号的母小波分解函数；选择合适的母小波函数类型，将这些系列的母小波函数应用到原始信号中，以均值分布及其标准差为衡量指标，选择出最合适的母小波函数；

在最佳分解层和母小波分解函数的基础上，分析各种信号在生物钟信息分析方面的效果，统计各物种不同特征序列的周期、初相位、功率以及分解层与原始序列能量之比，并分析各种植物叶片相同特征序列之间以及相同植物不同特征序列之间的相关性特点。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。

一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。

本发明的有益效果：

利用小波变换来分解chlf时间序列数据，解决了普通的测量的方法噪声大的缺陷。

附图说明

图1为使用sym20分解s的小波分解示例。

图2为fj，fi和fm序列在不同小波分解层(d1，d2，d3，d4，d5，d6)的周期分布(a为fj时间序列的周期分布；b为fi时间序列的周期分布；c为fm时间序列的周期分布)

图3为不同母小波函数下带有误差条的信号周期分布。a表示symn系列，b为dbn系列，和c为coifn系列。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

一种基于小波分解和叶绿素荧光的植物生物钟测量分析方法，包括：

利用快速叶绿素荧光ojip曲线在一连串时间点上的测量完成对叶绿素荧光信号的测量；

基于小波变换分析叶绿素荧光特征序列所包含的生物钟信息，利用不同小波分解层包含不同尺度信息的特点，分析带有噪声的周期性生物信号。

在其中一个实施例中，“基于小波变换分析叶绿素荧光特征序列所包含的生物钟信息，利用不同小波分解层包含不同尺度信息的特点，分析带有噪声的周期性生物信号。”包括：

选择适合当前信号的分解层；选择合适的分解层数，以多种植物的多种序列为研究对象，统计信号各层的周期分布，选择接近24小时的分解层；

选择适合当前信号的母小波分解函数；选择合适的母小波函数类型，将这些系列的母小波函数应用到原始信号中，以均值分布及其标准差为衡量指标，选择出最合适的母小波函数；

在最佳分解层和母小波分解函数的基础上，分析各种信号在生物钟信息分析方面的效果，统计各物种不同特征序列的周期、初相位、功率以及分解层与原始序列能量之比，并分析各种植物叶片相同特征序列之间以及相同植物不同特征序列之间的相关性特点。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。

一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。

本发明的有益效果：

利用小波变换来分解chlf时间序列数据，解决了普通的测量的方法噪声大的缺陷。

小波变换是分解具有噪声的非平稳信号的强大工具，并且已经在各个领域中使用。在小波分析中，只要分解空间中的某个分量表现出周期性，它就可以用作原始信号周期性的重要指标。因此，小波分解在生物钟分析过程中起到提取周期性信息的重要作用，是分析生物钟信息的重要工具。

chlf的测量

在实验中使用生长在江南大学(中国无锡)的校园内的三种叶子(海桐，日本晚樱，鸭公树)。叶片都在6月8日上午采摘完成。室外温度约为28℃，实验室温度控制在25℃。当时采摘的叶子立即进入实验室保存。

所有叶片的测量时间跨度为48小时。为了使它们保持相同的初始水分状态，所有叶子在水中漂浮2小时。然后用厨房用纸擦拭干净叶子上面的水分。在每次测量chlf之前，叶子在遮光夹中至少暗适应15分钟。用fluorpenpsi(photonsysteminstrument，czechrepublic)测量chlf，其测量模式为ojip，照射光强度为3000μmolphotonm^-2s^-1。

在整个测量过程中，将所有测量的叶子放入纸盒中，并在盒子底部放置湿毛巾，上面覆盖湿润的厨房用纸，以防止叶片失水。每1小时重复实验步骤。在进行一次测量后，将叶子快速放在盒子中的原始位置，覆盖好盒子。

chlf特征序列的生物钟分析方法

步骤1：选择合适的小波分解层。

当应用dwt来分析原始时间序列(s)时，它将被分解为几个分量，这些分量是上述的低频逼近信号和高频细节信息。每层分量都可在原理上作为表现昼夜节律效应的分量。其中有些分量层包含了非常有效的生物钟信息，而其他的一些分量层由于所处频段不同，受到不同的噪声影响，无法表现出明显的周期节律。因此，重要的工作是在小波分解中选择适当的分量用于昼夜节律现象分析。要做到这一点，母小波函数sym20、db15和coif3先被选作功能函数分解所有的54组chlf特征序列。s被分解到第6层。其中s信号被小波分解的一个例子如图1所示，其中，a1到a6，和d1到d6，分别表示在不同分解程度下的低频逼近信号和高频细节信息。图1显示d5分解层可能是表现24小时周期昼夜节律的最佳分解层，这在视觉上很难从s中观察到。

各层小波分量(d1到d6)的周期分布如图2所示，它清楚地表明d5分量包含24小时周期。这意味着d5分量可以直接用于研究昼夜节律现象。同时，其他小波分量的周期是24小时整数倍或分数倍，也意味着这些小波分量可间接检测24小时昼夜节律。因此，d5被选作为进一步研究生物钟的基础。

步骤2：选择合适的母小波函数并对所有的信号进行分解。

在选定d5为研究对象后，选择合适的母小波函数也是准确研究植物生物钟的基础。对于统计分析，以接近24小时的均值和较小标准差为指标，选择出合适的小波基函数。图3显示了每个小波基在d5获得的周期平均值和标准偏差，每个小波基对fj、fi和fm三种序列进行操作，并且以这种文本顺序显示在图中。表1列出了每个小波基函数周期分布的平均值(mean)和平均标准偏差(stdm)。stdm是stdfj、stdfj和stdfj三者的平均值(stdfj代表fj信号的周期标准偏差，stdfi代表fi信号的周期标准偏差，stdfm代表fm信号的周期标准偏差)，这样可以表示不同母小波函数的整体性能。

表1.不同小波基函数周期分布的平均值(mean)和平均标准偏差(stdm)

考虑图3和表1中的平均值和标准偏差值，sym26、sym28和sym30是symn系列中最优的几个候选小波基；db16、db19、db22、db25和db28是dbn系列里最优的几个候选小波基；coif4和coif5在coifn系列里是最优的几个候选小波基。对于所有的小波函数，sym30拥有最接近24小时周期mean和最小stdm，因此sym30可作为最优母小波函数进行下一步的分析。

步骤3：比fj、fi和fm时间序列。

fj、fi和fm时间序列都能作为研究植物生物钟的对象，并且它们可能包含不同的生理信息。

表2列出了在三种植物叶片中，被sym30分解得到的d5在fj、fi和fm时间序列中的各项统计指标(周期、初相位、功率、d5与s能量之比rp)。

表2.在不同植物样本集中的fj、fi和fm时间序列的各项统计指标。

表3和表4分别列出了fj、fi和fm时间序列之间初始相位和相对能量rp的相关性分析结果。相关系数代表线性相关程度，sig表示当前评估的可信度，即p<0.05表示当前两个序列存在相关性。如果fj、fi、fm时间序列来自相同种类，则获得的昼夜节律参数(包括初始阶段或相对能量)是高度相关的。如果fj、fi、fm时间序列来自不同品种，则它们的相关性很低。

表3.fj、fi和fm时间序列之间初始相位的相关性分析结果(φfj，φfi和φfm分别表示从fj、fi和fm中获得的昼夜节律初始相位。“--”表示来自不同品种的不同chlf时间序列没有相关性。“*”表示两个序列存在显著的相关性(p<0.05))。

表4.fj、fi和fm时间序列之间能量比rp的相关性分析结果(rpfj，rpfi和rpfm分别表示从fj、fi和fm中获得的昼夜节律相对能量或相对幅度。“--”表示来自不同品种的不同chlf时间序列没有相关性。“*”表示两个序列存在显著的相关性(p<0.05))。

以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。