干旱胁迫状态下植物电信号特征分析与研究

2019-11-06周敏姑剧飞儿孙振豪许景辉

西安理工大学学报 2019年3期

周敏姑，剧飞儿，孙振豪，许景辉

(1.西北农林科技大学旱区节水农业研究院，陕西杨凌 712100；2.西北农林科技大学生命科学学院，陕西杨凌 712100；3.西北农林科技大学水利与建筑工程学院陕西杨凌 712100)

植物电信号是植物生长变化过程中的主要生理信号[1]。它不但反映植物自身的生长状况，还反映植物生长的环境状况，因此，研究植物电信号能从植物与环境的耦合关系上揭示植物生境信息，为农业生态和植物生理研究服务。随着信号采集和处理技术的发展，很多学者对植物的电信号进行了研究。Volkov等[2]研究通过PCP、FCCP等多种刺激对植物电信号的影响，表明植物电信号是植物组织和器官中远距离信息传递的最快途径。李峤等[3]通过三种菊科(Asteraceae)植物电信号的分析，利用短时Fourier变换，认为其电信号均为微伏级低频信号。张晓辉等[4]利用小波去噪和STFT算法，分析芦荟电信号是一种毫伏级，频率分布在5 Hz左右的低频信号。这些研究揭示了植物电信号的一般规律，但对植物电信号变化与环境因素之间的相关性研究甚少。

本文在分析植物电信号特征的基础上，研究植物电信号所具有的特性及其与环境水因子间的相关关系，利用机器学习的方法建立植物电信号特征和环境水胁迫的分析模型，通过吊兰(Chlorophytum Comosum)、红景天(Sedum Rosea)等观赏植物的电信号变化，进行水胁迫程度的检测，研究环境因素对植物电信号影响的一般规律。

1 试验方法与材料

1.1 信号采集系统

本研究选用成都泰盟科技有限公司设计生产的BL-420F生物机能实验系统来采集植物电信号。由计算机、BL-420F系统硬件、TM-WAVE生物信号软件三部分组成。采用METER公司生产的ECH2O土壤含水量监测系统，由Em50系列数据采集器和5TE土壤水分传感器组成。BL-420F型生物机能实验系统工作原理图见图1。

图1 生物机能实验系统工作流程图

由于植物电信号微弱、低频的特点[5]，空间中电磁场、电磁辐射以及周围设备电磁噪声均会对信号的采集造成极大干扰，有可能湮没植物电信号[6-8]。因此将待测植物放入130 cm×120 cm×120 cm屏蔽箱中，测量过程中屏蔽网接地，以消除外界影响[9]。

1.2 试验对象及方法

试验分别采集吊兰和红景天两种观赏性植物在缺水时(水胁迫)以及水分充分时的电信号，通过滤波算法，建立植物电信号采集系统，完成信号数据的处理和存储工作。采集的植物电信号用MATLAB软件进行降噪处理，通过人工神经网络，针对不同含水量下的吊兰和红景天的电信号进行学习和训练，实现两种植物水胁迫程度的识别和判断。从而实现基于植物电信号特征的植物生长实时监测[10-12]。

将待测植物体以及生物实验机能系统放于屏蔽箱内，测量过程中屏蔽箱可靠接地，以消除外界对植物电信号的影响[13]。实验外部环境温度25 ℃，空气湿度是45%^50%，光照强度5 000 lx。选择生长良好的叶片，将植物电信号采集传感器的金属铂丝插于同一叶片上，保证铂丝完全没入且未穿透叶片。为了消除电极极化现象，电极插入30 min后，再对植物电信号进行测量，以保证信号的稳定性。试验系统采样频率设置为100 Hz(0.01 s)，高通滤波频率设置成0.053 Hz，低通滤波频率设置成500 Hz。利用BL-420F型生物机能实验系统采集土壤含水量为12.5%时的吊兰叶片电信号，信号取样7 681个数据点。为了提高电信号的准确性，试验运用小波去噪和滤波器滤波去噪两种方式，对采集的原始信号进行了处理[14]。

1)小波去噪。分别选择bior2.4、coif3、db4、haar、sym2五个小波函数对上述采集的信号进行3尺度小波分解，采用软阈值去噪。见图2。

2)滤波器滤波去噪。分别采用均值、中值滤波、无限冲激响应(IIR)滤波器、有限脉冲响应(FIR)滤波器对吊兰电信号进行去噪。去噪后的信号见图3。

从图3看出，滤波器滤波去噪后，造成植物电信号的信号失真，信号幅值范围由原来的2.3μV左右压缩到1μV左右范围，且信号包络线趋于平整，而植物电信号是有突变并且是无规则的[15]。对比图2和图3可知，小波去噪除了平滑原有电信号外，保留了信号的许多细节信息。因此本试验选用小波去噪进行电信号处理。通过不同小波基去噪处理还发现，使用 db4、haar等小波基分解奇异信号，去噪效果较好，如果用sym8，coif3等小波基来分析，则会使信号的奇异点部分变得平滑，使降噪后的信号畸变较大，出现一定程度的失真，去噪效果不佳[16]。

信噪比(SNR)是反应去噪效果的重要参数[17]，SNR的表达式[18]为：

(1)

图2 小波去噪结果图

图3 滤波去噪

表1 db4和haar小波信噪比

Tab.1 Db4 and Haar wavelet signal to noise ratio

小波db4haarSNR/dB89.826389.6142

从表1看出，两种小波信噪比差距不大，db4去噪略高，其余性质来看，对称性相似，滤波长度db4更长，因此实验选择db4小波去噪。从降噪结果看，小波去噪更适用于植物电信号的降噪处理，而选择db4小波作为基函数，对采集的信号进行3尺度分解，为本实验的最优去噪方法。

2 植物电信号特征分析

在测量环境温度25℃，空气相对湿度50%，光照强度5 000 lx时，对吊兰在干旱(土壤含水量5.15%)、适宜(土壤含水量12.5%)和潮湿(土壤含水量23.6%)三种状况下的植物电信号进行测量和分析，寻找环境水胁迫程度与电信号特征值之间的相关关系。

分别对吊兰电信号进行小波去噪处理，时域波形见图4。

图4 三种状态下的原始信号

基于db4的小波去噪处理后，信号图形见图5。

从三种水胁迫状态下的时域波形可以看出，随着含水量变化，三种状态下的植物电信号变化具有一定随机性，其幅值变化也有一定不稳定性。因此对三种状态共计23 043个信号采用统计分析方法。三种状态下吊兰电信号的统计数据见表2。

图5 三种状态下的db4小波去噪

表2 三种水胁迫状态下，吊兰电信号的统计参数

Tab.2 Three water stress statistical parameters for spider plant electrical signals

环境水胁迫程度最大值/μV最小值/μV平均值/μV方差/μV2标准差/μV干旱6.35-13.69-3.2318.654.32适宜-2.01-5.87-3.270.140.37潮湿-2.08-5.87-3.510.160.39

表2表明，吊兰电信号最大在几微伏，属于微伏级。表中信号的方差都小于20μV2，说明正常情况下植物电信号的功率很低，证明植物电信号本身是一种微弱信号[19]。

对于吊兰类喜水植物，环境水胁迫程度的变化对其植物电信号时域波形影响较大[20]，主要表现在：随土壤含水量变大，电信号均值在逐步下降；适宜土壤含水量下，电信号幅值在-2.0μV左右，干旱在6μV左右，潮湿在-2.1μV左右，可观察到土壤含水量偏离正常值都会使电信号幅值发生化，干旱时会有明显增大，潮湿时和适宜时变化不大。

对相关信号进行Fourier变换，其频域波形见图6。

图6 三种状态下的频域波形

图6表明，对于吊兰类喜水植物，土壤含水量的变化对其植物电信号频域波形影响较大，主要表现在：当其含水量较为充足时(适宜或者潮湿)，其频率集中在0^10 Hz之间，以5 Hz最为突出；含水量不充足(干旱)时，其频率范围大大缩短，主要分布在0 Hz左右。

对7 681个采样点计算功率谱，其功率谱波形见图7。从图7看出，植物电信号的功率谱大部分集中在15 Hz以下，15 Hz附近的谱峰值已经非常低，基本在-50dB。信号的绝大部分功率谱集中在大概2～5 Hz频率附近，处于-30 dB级别，这说明植物电信号不仅低频而且信号能量极弱，是一种典型的生物电信号。在干旱状态下，同频率下，谱峰值会略高于正常状态下的峰值。

图7 三种状态下的功率谱波形

采用短时Fourier变换(STFT)对其植物电信号进行了相应的频谱分析，其中短时Fourier变换中窗函数采用Kaiser窗函数,时域宽度为360数据点，其结果见图8。

图8橙黄色表示能量较高的部分，蓝色表示能量低。由图8分析可得，吊兰电信号的短时Fourier变换频谱明显在15 Hz以下，大多不超过10 Hz，频谱能量大多集中于2～5 Hz以及以下。另外随着环境水胁迫程度的增高，频谱能量集中的频率会呈现向高频方向的发展趋势，即干旱程度越高，频谱能量集中区域的频率越高。

3 基于神经网络的植物电信号识别模型建立

使用MATLAB的神经网络工具箱，以BP神经网络进行信号的训练和识别[22]。BP神经网络隐含层节点为50个。以小波去燥后抽样的4 000个点，选择70%的数据作为训练集(Training)，15%的数据作为测试集(Testing)和15%的数据作为验证集(Validation)，其中训练集和验证集主要用于BP算法的最优化选择模型的建立，而测试集用来给出最终模型的性能指标。训练结束后，生成训练模型的MSE和R曲线，见图9。