摘 要：本发明涉及纺织材料检测技术领域，公开了一种用于黄麻纤维抗氧化性能检测方法。该方法包括采集黄麻纤维样品在特定波长光照下的初始响应信号，与标准数据库比对提取光谱响应片段。基于该片段构造动态响应轨迹，利用层级化特征剥离引擎逐层分离出与氧化进程相关的特征标记集合。将这些特征标记重组为多维特征矩阵，并与预建的黄麻纤维老化演变知识图谱进行节点匹配，从而定位影响抗氧化性能的关键演变路径。依据该路径，模拟计算样品在不同环境参数下的性能退化曲线。在集成化性能推演框架内融合曲线、路径及光谱片段进行迭代演算，输出指定条件下的抗氧化性能稳定度指标。本发明实现了对抗氧化性能动态演变过程的解析与预测性评估。
权利说明书
1.一种用于黄麻纤维抗氧化性能检测方法，其特征在于，所述方法包括：
采集黄麻纤维样品在特定波长光照下的初始响应信号，将所述初始响应信号与预设的标准响应数据库进行同步比对，提取所述初始响应信号中表征抗氧化成分的光谱响应片段；
基于所述光谱响应片段，构造一个动态响应轨迹，将所述动态响应轨迹输入到一个层级化的特征剥离引擎中，逐层分离出与氧化进程相关的特征标记集合；
对所述特征标记集合进行时间序列上的重组与映射，生成多维特征矩阵，将所述多维特征矩阵与一个预先建立的黄麻纤维老化演变知识图谱进行节点匹配；
依据所述多维特征矩阵与所述黄麻纤维老化演变知识图谱的匹配结果，定位出影响抗氧化性能的关键演变路径，基于所述关键演变路径，模拟计算黄麻纤维样品在不同环境参数组合下的性能退化曲线；
融合所述性能退化曲线、所述关键演变路径以及所述光谱响应片段，在一个集成化的性能推演框架内进行迭代演算，最终输出黄麻纤维样品在指定检测条件下的抗氧化性能稳定度指标。
2.根据权利要求1所述的一种用于黄麻纤维抗氧化性能检测方法，其特征在于，所述基于所述光谱响应片段，构造一个动态响应轨迹，将所述动态响应轨迹输入到一个层级化的特征剥离引擎中，逐层分离出与氧化进程相关的特征标记集合，包括：
以所述光谱响应片段的时间序列数据为基础，通过曲线拟合技术生成一条连续变化的动态响应轨迹；
将所述动态响应轨迹输入到层级化的特征剥离引擎的第一特征剥离层，所述第一特征剥离层依据预先定义的物理化学特征滤波器，筛选出所述动态响应轨迹中的基础波形分量；
将所述基础波形分量传递至层级化的特征剥离引擎的第二特征剥离层，所述第二特征剥离层利用卷积核滑动扫描所述基础波形分量，提取出所述基础波形分量中隐含的局部突变特征和周期性振荡特征；
将所述局部突变特征和所述周期性振荡特征共同输入至层级化的特征剥离引擎的特征整合层，所述特征整合层对所述局部突变特征和所述周期性振荡特征进行交叉验证与关联绑定，形成与氧化进程相关的特征标记集合。
3.根据权利要求2所述的一种用于黄麻纤维抗氧化性能检测方法，其特征在于，所述将所述局部突变特征和所述周期性振荡特征共同输入至层级化的特征剥离引擎的特征整合层，所述特征整合层对所述局部突变特征和所述周期性振荡特征进行交叉验证与关联绑定，形成与氧化进程相关的特征标记集合，包括：
在所述特征整合层中，建立一个共享特征空间，将所述局部突变特征和所述周期性振荡特征投影至所述共享特征空间内；
在所述共享特征空间内，计算所述局部突变特征与所述周期性振荡特征之间的协方差张量，并依据所述协方差张量对所述局部突变特征和所述周期性振荡特征进行重新编码；
对重新编码后的局部突变特征和周期性振荡特征，应用一个双向注意力机制，计算所述局部突变特征对所述周期性振荡特征的注意力权重，同时计算所述周期性振荡特征对所述局部突变特征的注意力权重；
基于所述双向注意力机制计算出的注意力权重，对重新编码后的局部突变特征和周期性振荡特征进行加权融合，生成一个融合后的特征向量；
对所述融合后的特征向量进行聚类分析，将聚类后得到的各个特征簇标记为与氧化进程相关的特征标记集合。
4.根据权利要求1所述的一种用于黄麻纤维抗氧化性能检测方法，其特征在于，所述对所述特征标记集合进行时间序列上的重组与映射，生成多维特征矩阵，将所述多维特征矩阵与一个预先建立的黄麻纤维老化演变知识图谱进行节点匹配，包括：
对所述特征标记集合中的每个特征标记，沿时间轴进行滑动窗口采样，得到多个时间切片下的特征标记子集；
将每个所述时间切片下的特征标记子集，按照其物理化学属性分类映射到一个高维向量空间的对应坐标轴上；
组合所有时间切片映射到所述高维向量空间中的坐标点，形成一个在时间和属性维度上展开的多维特征矩阵；
从黄麻纤维老化演变知识图谱中提取所有代表不同老化阶段的图谱节点，计算每个图谱节点的特征向量；
将所述多维特征矩阵与从黄麻纤维老化演变知识图谱中提取的所有图谱节点的特征向量进行相似度计算，将所述多维特征矩阵中相似度超过预设阈值的行或列，匹配到黄麻纤维老化演变知识图谱中对应的图谱节点上。
5.根据权利要求4所述的一种用于黄麻纤维抗氧化性能检测方法，其特征在于，所述将所述多维特征矩阵与从黄麻纤维老化演变知识图谱中提取的所有图谱节点的特征向量进行相似度计算，将所述多维特征矩阵中相似度超过预设阈值的行或列，匹配到黄麻纤维老化演变知识图谱中对应的图谱节点上，包括：
为黄麻纤维老化演变知识图谱中的每个图谱节点，根据其连接的关系边和属性值，生成一个图谱节点嵌入向量；
将所述多维特征矩阵的每一行视为一个特征向量，计算每个特征向量与每个图谱节点嵌入向量之间的余弦相似度；
建立一个相似度矩阵，所述相似度矩阵的行对应所述多维特征矩阵的行，列对应黄麻纤维老化演变知识图谱的图谱节点，矩阵元素为计算得到的余弦相似度值；
遍历所述相似度矩阵，找出每一行中余弦相似度值最大的图谱节点，若最大余弦相似度值超过预设的匹配阈值，则将所述多维特征矩阵的当前行标记为与黄麻纤维老化演变知识图谱中所述图谱节点匹配成功；
将所有匹配成功的行及其对应的黄麻纤维老化演变知识图谱中的图谱节点信息，记录为一个匹配结果映射表。
6.根据权利要求5所述的一种用于黄麻纤维抗氧化性能检测方法，其特征在于，所述依据所述多维特征矩阵与所述黄麻纤维老化演变知识图谱的匹配结果，定位出影响抗氧化性能的关键演变路径，基于所述关键演变路径，模拟计算黄麻纤维样品在不同环境参数组合下的性能退化曲线，包括：
解析所述匹配结果映射表，在黄麻纤维老化演变知识图谱中定位出所有与所述多维特征矩阵匹配成功的图谱节点；
在黄麻纤维老化演变知识图谱中，查找连接所有匹配成功的图谱节点的最短连通子图，所述最短连通子图中的有向边序列构成初始的演变路径；
对所述初始的演变路径进行剪枝优化，移除权重低于路径平均权重的边，得到精简后的关键演变路径；
将所述关键演变路径转化为一个状态转移模型，所述状态转移模型中的状态对应于所述关键演变路径中的图谱节点，转移概率基于图谱节点间的边权重和所述匹配结果映射表中的匹配强度计算；
设定多组不同的环境参数组合，将每组环境参数组合作为外部输入驱动所述状态转移模型，迭代计算黄麻纤维样品从初始状态沿所述关键演变路径演变的轨迹，所述轨迹的纵坐标表示性能指标，从而生成对应于每组环境参数组合的性能退化曲线。
7.根据权利要求1所述的一种用于黄麻纤维抗氧化性能检测方法，其特征在于，所述采集黄麻纤维样品在特定波长光照下的初始响应信号，将所述初始响应信号与预设的标准响应数据库进行同步比对，提取所述初始响应信号中表征抗氧化成分的光谱响应片段，包括：
使用光谱检测装置，以特定波长的激发光照射黄麻纤维样品，连续采集黄麻纤维样品反射或透射的光信号，将所述光信号转换为电信号序列作为初始响应信号，从预设的标准响应数据库中，调取同种类黄麻纤维在已知良好抗氧化性能状态下的标准响应信号模板；
将所述初始响应信号与所述标准响应信号模板进行时间对齐，并计算所述初始响应信号与所述标准响应信号模板在每个采样时间点上的信号强度差值序列，对所述信号强度差值序列应用滑动窗口峰值检测，识别出差值超过动态阈值的连续时间区间；
从所述初始响应信号中，截取所述连续时间区间对应的原始信号段，将所述原始信号段标记为表征抗氧化成分的光谱响应片段。
8.根据权利要求3所述的一种用于黄麻纤维抗氧化性能检测方法，其特征在于，所述对重新编码后的局部突变特征和周期性振荡特征，应用一个双向注意力机制，计算所述局部突变特征对所述周期性振荡特征的注意力权重，同时计算所述周期性振荡特征对所述局部突变特征的注意力权重，包括：
将重新编码后的局部突变特征矩阵和重新编码后的周期性振荡特征矩阵分别输入到注意力计算模块中；
在所述注意力计算模块中，以局部突变特征矩阵作为查询向量，以周期性振荡特征矩阵作为键向量和值向量，通过点积操作计算查询向量与键向量的相似度得分，应用softmax函数对相似度得分进行归一化，得到局部突变特征对周期性振荡特征的注意力权重分布；
同时，以周期性振荡特征矩阵作为查询向量，以局部突变特征矩阵作为键向量和值向量，通过相同点积操作和softmax归一化，计算周期性振荡特征对局部突变特征的注意力权重分布；
对注意力权重分布进行加权求和，其中权重系数根据特征维度自适应调整，生成融合后的注意力权重矩阵。
9.根据权利要求6所述的一种用于黄麻纤维抗氧化性能检测方法，其特征在于，所述将所述关键演变路径转化为一个状态转移模型，所述状态转移模型中的状态对应于所述关键演变路径中的图谱节点，转移概率基于图谱节点间的边权重和所述匹配结果映射表中的匹配强度计算，包括：
从所述黄麻纤维老化演变知识图谱中提取所述关键演变路径上每个图谱节点之间的连接边的权重值，所述权重值表示老化阶段之间转移的难易程度，权重值越高表示转移越容易；
从所述匹配结果映射表中提取每个匹配成功的图谱节点对应的匹配强度，所述匹配强度通过所述相似度计算中的余弦相似度值量化；
对于状态转移模型中的每一对相邻状态，计算转移概率作为边权重和匹配强度的乘积，然后对所有可能转移的乘积结果进行归一化处理，使得每个状态的出转移概率之和为一；
将计算出的转移概率填充到状态转移矩阵中，所述状态转移矩阵的行和列分别对应所述关键演变路径上的图谱节点，完成状态转移模型的参数化构建。
10.根据权利要求7所述的一种用于黄麻纤维抗氧化性能检测方法，其特征在于，所述对所述信号强度差值序列应用滑动窗口峰值检测，识别出差值超过动态阈值的连续时间区间，包括：
设置一个固定长度的滑动窗口，所述滑动窗口的长度根据所述信号强度差值序列的采样率预设；
沿所述信号强度差值序列的时间轴逐步滑动所述滑动窗口，对于每个窗口位置，计算窗口内信号强度差值的平均值和标准差；
基于所述平均值和标准差设定动态阈值，所述动态阈值等于平均值加上标准差的倍数，其中倍数因子通过实验标定，在每个窗口内，识别信号强度差值超过所述动态阈值的点，并记录所述点的位置索引；
合并相邻窗口内识别出的超过动态阈值的点，形成连续时间区间，同时过滤掉长度小于最小持续阈值的连续时间区间，确保只保留显著的光谱响应片段。
技术领域
本发明涉及纺织材料检测技术领域，具体为一种用于黄麻纤维抗氧化性能检测方法。
背景技术
当前，针对黄麻纤维抗氧化性能的评估，普遍采用基于化学反应的终点滴定法或基于特定波长吸光度测量的自由基清除率测定法。这些方法构成了行业内的常规技术手段。它们通过测量反应结束后的试剂消耗量或溶液颜色变化，间接推算纤维样本的总抗氧化能力，本质上是获取一个表征瞬间状态的静态数值。
这些常规技术方案存在固有的局限性。其检测过程无法记录和反映抗氧化成分在外部光照或氧化剂作用下的连续动态响应过程。所得结果是一个混合了多种成分共同作用的终点值，无法区分不同抗氧化物质在氧化进程中的先后顺序与相互作用机理。现有方法仅能回答当前抗氧化能力有多少，而无法揭示其如何衰减以及为何如此衰减的内在规律。这导致对材料耐久性的评估停留在表层，缺乏对性能退化轨迹的洞察，更无法对纤维在不同使用环境下的长期稳定性做出有效预测。开发一种能够解析动态氧化过程并实现性能演变预测的检测方法，成为提升材料评价水平的关键需求。
发明内容
本发明的目的在于提供一种用于黄麻纤维抗氧化性能检测方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供一种用于黄麻纤维抗氧化性能检测方法，所述方法包括：
采集黄麻纤维样品在特定波长光照下的初始响应信号，将所述初始响应信号与预设的标准响应数据库进行同步比对，提取所述初始响应信号中表征抗氧化成分的光谱响应片段；
基于所述光谱响应片段，构造一个动态响应轨迹，将所述动态响应轨迹输入到一个层级化的特征剥离引擎中，逐层分离出与氧化进程相关的特征标记集合；
对所述特征标记集合进行时间序列上的重组与映射，生成多维特征矩阵，将所述多维特征矩阵与一个预先建立的黄麻纤维老化演变知识图谱进行节点匹配；
依据所述多维特征矩阵与所述黄麻纤维老化演变知识图谱的匹配结果，定位出影响抗氧化性能的关键演变路径，基于所述关键演变路径，模拟计算黄麻纤维样品在不同环境参数组合下的性能退化曲线；
融合所述性能退化曲线、所述关键演变路径以及所述光谱响应片段，在一个集成化的性能推演框架内进行迭代演算，最终输出黄麻纤维样品在指定检测条件下的抗氧化性能稳定度指标。
优选的，所述基于所述光谱响应片段，构造一个动态响应轨迹，将所述动态响应轨迹输入到一个层级化的特征剥离引擎中，逐层分离出与氧化进程相关的特征标记集合，包括：
以所述光谱响应片段的时间序列数据为基础，通过曲线拟合技术生成一条连续变化的动态响应轨迹；
将所述动态响应轨迹输入到层级化的特征剥离引擎的第一特征剥离层，所述第一特征剥离层依据预先定义的物理化学特征滤波器，筛选出所述动态响应轨迹中的基础波形分量；
将所述基础波形分量传递至层级化的特征剥离引擎的第二特征剥离层，所述第二特征剥离层利用卷积核滑动扫描所述基础波形分量，提取出所述基础波形分量中隐含的局部突变特征和周期性振荡特征；
将所述局部突变特征和所述周期性振荡特征共同输入至层级化的特征剥离引擎的特征整合层，所述特征整合层对所述局部突变特征和所述周期性振荡特征进行交叉验证与关联绑定，形成与氧化进程相关的特征标记集合。
优选的，所述将所述局部突变特征和所述周期性振荡特征共同输入至层级化的特征剥离引擎的特征整合层，所述特征整合层对所述局部突变特征和所述周期性振荡特征进行交叉验证与关联绑定，形成与氧化进程相关的特征标记集合，包括：
在所述特征整合层中，建立一个共享特征空间，将所述局部突变特征和所述周期性振荡特征投影至所述共享特征空间内；
在所述共享特征空间内，计算所述局部突变特征与所述周期性振荡特征之间的协方差张量，并依据所述协方差张量对所述局部突变特征和所述周期性振荡特征进行重新编码；
对重新编码后的局部突变特征和周期性振荡特征，应用一个双向注意力机制，计算所述局部突变特征对所述周期性振荡特征的注意力权重，同时计算所述周期性振荡特征对所述局部突变特征的注意力权重；
基于所述双向注意力机制计算出的注意力权重，对重新编码后的局部突变特征和周期性振荡特征进行加权融合，生成一个融合后的特征向量；
对所述融合后的特征向量进行聚类分析，将聚类后得到的各个特征簇标记为与氧化进程相关的特征标记集合。
优选的，所述对所述特征标记集合进行时间序列上的重组与映射，生成多维特征矩阵，将所述多维特征矩阵与一个预先建立的黄麻纤维老化演变知识图谱进行节点匹配，包括：
对所述特征标记集合中的每个特征标记，沿时间轴进行滑动窗口采样，得到多个时间切片下的特征标记子集；
将每个所述时间切片下的特征标记子集，按照其物理化学属性分类映射到一个高维向量空间的对应坐标轴上；
组合所有时间切片映射到所述高维向量空间中的坐标点，形成一个在时间和属性维度上展开的多维特征矩阵；
从黄麻纤维老化演变知识图谱中提取所有代表不同老化阶段的图谱节点，计算每个图谱节点的特征向量；
将所述多维特征矩阵与从黄麻纤维老化演变知识图谱中提取的所有图谱节点的特征向量进行相似度计算，将所述多维特征矩阵中相似度超过预设阈值的行或列，匹配到黄麻纤维老化演变知识图谱中对应的图谱节点上。
优选的，所述将所述多维特征矩阵与从黄麻纤维老化演变知识图谱中提取的所有图谱节点的特征向量进行相似度计算，将所述多维特征矩阵中相似度超过预设阈值的行或列，匹配到黄麻纤维老化演变知识图谱中对应的图谱节点上，包括：
为黄麻纤维老化演变知识图谱中的每个图谱节点，根据其连接的关系边和属性值，生成一个图谱节点嵌入向量；
将所述多维特征矩阵的每一行视为一个特征向量，计算每个特征向量与每个图谱节点嵌入向量之间的余弦相似度；
建立一个相似度矩阵，所述相似度矩阵的行对应所述多维特征矩阵的行，列对应黄麻纤维老化演变知识图谱的图谱节点，矩阵元素为计算得到的余弦相似度值；
遍历所述相似度矩阵，找出每一行中余弦相似度值最大的图谱节点，若最大余弦相似度值超过预设的匹配阈值，则将所述多维特征矩阵的当前行标记为与黄麻纤维老化演变知识图谱中所述图谱节点匹配成功；
将所有匹配成功的行及其对应的黄麻纤维老化演变知识图谱中的图谱节点信息，记录为一个匹配结果映射表。
优选的，所述依据所述多维特征矩阵与所述黄麻纤维老化演变知识图谱的匹配结果，定位出影响抗氧化性能的关键演变路径，基于所述关键演变路径，模拟计算黄麻纤维样品在不同环境参数组合下的性能退化曲线，包括：
解析所述匹配结果映射表，在黄麻纤维老化演变知识图谱中定位出所有与所述多维特征矩阵匹配成功的图谱节点；
在黄麻纤维老化演变知识图谱中，查找连接所有匹配成功的图谱节点的最短连通子图，所述最短连通子图中的有向边序列构成初始的演变路径；
对所述初始的演变路径进行剪枝优化，移除权重低于路径平均权重的边，得到精简后的关键演变路径；
将所述关键演变路径转化为一个状态转移模型，所述状态转移模型中的状态对应于所述关键演变路径中的图谱节点，转移概率基于图谱节点间的边权重和所述匹配结果映射表中的匹配强度计算；
设定多组不同的环境参数组合，将每组环境参数组合作为外部输入驱动所述状态转移模型，迭代计算黄麻纤维样品从初始状态沿所述关键演变路径演变的轨迹，所述轨迹的纵坐标表示性能指标，从而生成对应于每组环境参数组合的性能退化曲线。
优选的，所述采集黄麻纤维样品在特定波长光照下的初始响应信号，将所述初始响应信号与预设的标准响应数据库进行同步比对，提取所述初始响应信号中表征抗氧化成分的光谱响应片段，包括：
使用光谱检测装置，以特定波长的激发光照射黄麻纤维样品，连续采集黄麻纤维样品反射或透射的光信号，将所述光信号转换为电信号序列作为初始响应信号，从预设的标准响应数据库中，调取同种类黄麻纤维在已知良好抗氧化性能状态下的标准响应信号模板；
将所述初始响应信号与所述标准响应信号模板进行时间对齐，并计算所述初始响应信号与所述标准响应信号模板在每个采样时间点上的信号强度差值序列，对所述信号强度差值序列应用滑动窗口峰值检测，识别出差值超过动态阈值的连续时间区间；
从所述初始响应信号中，截取所述连续时间区间对应的原始信号段，将所述原始信号段标记为表征抗氧化成分的光谱响应片段。
优选的，所述对重新编码后的局部突变特征和周期性振荡特征，应用一个双向注意力机制，计算所述局部突变特征对所述周期性振荡特征的注意力权重，同时计算所述周期性振荡特征对所述局部突变特征的注意力权重，包括：
将重新编码后的局部突变特征矩阵和重新编码后的周期性振荡特征矩阵分别输入到注意力计算模块中；
在所述注意力计算模块中，以局部突变特征矩阵作为查询向量，以周期性振荡特征矩阵作为键向量和值向量，通过点积操作计算查询向量与键向量的相似度得分，应用softmax函数对相似度得分进行归一化，得到局部突变特征对周期性振荡特征的注意力权重分布；
同时，以周期性振荡特征矩阵作为查询向量，以局部突变特征矩阵作为键向量和值向量，通过相同点积操作和softmax归一化，计算周期性振荡特征对局部突变特征的注意力权重分布；
对注意力权重分布进行加权求和，其中权重系数根据特征维度自适应调整，生成融合后的注意力权重矩阵。
优选的，所述将所述关键演变路径转化为一个状态转移模型，所述状态转移模型中的状态对应于所述关键演变路径中的图谱节点，转移概率基于图谱节点间的边权重和所述匹配结果映射表中的匹配强度计算，包括：
从所述黄麻纤维老化演变知识图谱中提取所述关键演变路径上每个图谱节点之间的连接边的权重值，所述权重值表示老化阶段之间转移的难易程度，权重值越高表示转移越容易；
从所述匹配结果映射表中提取每个匹配成功的图谱节点对应的匹配强度，所述匹配强度通过所述相似度计算中的余弦相似度值量化；
对于状态转移模型中的每一对相邻状态，计算转移概率作为边权重和匹配强度的乘积，然后对所有可能转移的乘积结果进行归一化处理，使得每个状态的出转移概率之和为一；
将计算出的转移概率填充到状态转移矩阵中，所述状态转移矩阵的行和列分别对应所述关键演变路径上的图谱节点，完成状态转移模型的参数化构建。
优选的，所述对所述信号强度差值序列应用滑动窗口峰值检测，识别出差值超过动态阈值的连续时间区间，包括：
设置一个固定长度的滑动窗口，所述滑动窗口的长度根据所述信号强度差值序列的采样率预设；
沿所述信号强度差值序列的时间轴逐步滑动所述滑动窗口，对于每个窗口位置，计算窗口内信号强度差值的平均值和标准差；
基于所述平均值和标准差设定动态阈值，所述动态阈值等于平均值加上标准差的倍数，其中倍数因子通过实验标定，在每个窗口内，识别信号强度差值超过所述动态阈值的点，并记录所述点的位置索引；
合并相邻窗口内识别出的超过动态阈值的点，形成连续时间区间，同时过滤掉长度小于最小持续阈值的连续时间区间，确保只保留显著的光谱响应片段。
与现有技术相比，本发明的有益效果是：
通过构建动态响应轨迹并应用层级化特征剥离引擎，能够将光照激发下产生的复合光谱信号，依据时间维度与信号特征进行逐级分解。可以剥离出分别对应初期快速消耗、中期协同作用和后期缓慢衰减等不同氧化阶段的特征标记集合。使得对黄麻纤维抗氧化性能的分析，从单一的能力总值测量转变为对其内部复杂时变行为的精细解构，实现了对氧化反应动力学的直接观测与特征提取。
将实验数据构建的多维特征矩阵与黄麻纤维老化演变知识图谱进行匹配，能够识别出主导当前样品性能退化的具体化学反应路径或结构变化路径。基于此路径进行模拟演算，可以推演出在不同温度、湿度或光照强度条件下，纤维抗氧化性能随时间变化的曲线。将单次检测实验与材料失效的机理模型深度结合，使评估结论包含了未来性能演变的预测信息，输出的是一个关联了特定环境应力的性能稳定度指标，而非孤立的能力值。
附图说明
图1为本发明所述的用于黄麻纤维抗氧化性能检测方法的工作原理图；
图1
图2为构造动态响应轨迹与特征剥离的流程图；
图2
图3为特征整合与特征标记集合生成的流程图；
图3
图4为黄麻纤维氧化状态转移概率矩阵热力图；
图4
图5为黄麻纤维抗氧化检测特征剥离引擎局部突变与周期性振荡特征对比图。
图5
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
请参阅图1，本发明提供一种用于黄麻纤维抗氧化性能检测方法，所述方法包括：首先，通过光谱检测装置采集黄麻纤维样品在特定波长光照下的初始响应信号，并将该初始响应信号与预设的标准响应数据库进行同步比对，从而提取出初始响应信号中能够表征抗氧化成分的光谱响应片段。随后，基于所提取的光谱响应片段构造一个动态响应轨迹，并将该动态响应轨迹输入到一个层级化的特征剥离引擎中，通过该引擎逐层分离出与氧化进程相关的特征标记集合。接下来，对得到的特征标记集合进行时间序列上的重组与映射，生成一个多维特征矩阵，并将此多维特征矩阵与一个预先建立的黄麻纤维老化演变知识图谱进行节点匹配。之后，依据多维特征矩阵与黄麻纤维老化演变知识图谱的匹配结果，在知识图谱中定位出影响抗氧化性能的关键演变路径，并基于此关键演变路径，模拟计算黄麻纤维样品在不同环境参数组合下的性能退化曲线。最终，融合性能退化曲线、关键演变路径以及光谱响应片段，在一个集成化的性能推演框架内进行迭代演算，输出黄麻纤维样品在指定检测条件下的抗氧化性能稳定度指标。
实施例1：参阅图2，采集到光谱响应片段后，以该光谱响应片段的时间序列数据为基础，通过曲线拟合技术生成一条连续变化的动态响应轨迹。将生成的动态响应轨迹输入到层级化的特征剥离引擎的第一特征剥离层，该第一特征剥离层依据预先定义的物理化学特征滤波器，筛选出动态响应轨迹中的基础波形分量。接着，将得到的基础波形分量传递至层级化的特征剥离引擎的第二特征剥离层，该第二特征剥离层利用卷积核滑动扫描基础波形分量，提取出基础波形分量中隐含的局部突变特征和周期性振荡特征。之后，将提取出的局部突变特征和周期性振荡特征共同输入至层级化的特征剥离引擎的特征整合层，该特征整合层对局部突变特征和周期性振荡特征进行交叉验证与关联绑定，形成与氧化进程相关的特征标记集合。
在具体实施中，采集得到的光谱响应片段表现为一组时间序列数据，例如在650纳米波长光照下，光谱响应片段包含从时间戳 到 的共计n+1个采样点的光强响应值序列，这些光强响应值构成原始的时间序列数据，基于此时间序列数据，通过曲线拟合技术生成一条连续变化的动态响应轨迹，一种实施方式是采用多项式拟合算法，将离散的采样点拟合成一条光滑的连续曲线，多项式拟合的公式可以表示为：
其中： y(t)表示在时间t处的拟合响应值,ai表示多项式第i次项的系数，m表示多项式的最高次数，系数ai通过最小二乘法确定，该连续曲线即为动态响应轨迹。在一些实施例中，也可以采用样条插值或高斯过程回归来生成动态响应轨迹，目标是获得一条能够表征响应信号连续变化的轨迹。
可以理解，生成的动态响应轨迹将被输入到层级化的特征剥离引擎中，层级化的特征剥离引擎的第一特征剥离层依据预先定义的物理化学特征滤波器对动态响应轨迹进行处理，物理化学特征滤波器可以是一组带通滤波器，其通带范围根据黄麻纤维中已知抗氧化成分的特征吸收或反射频带进行设定。在具体实施中，第一特征剥离层应用这组滤波器对动态响应轨迹进行滤波处理，筛选并分离出符合预设通带范围的波形分量，这些被筛选出的波形分量被定义为基础波形分量，基础波形分量对应于某几类特定化学键的振动或电子跃迁产生的响应。
接着，基础波形分量被传递至层级化的特征剥离引擎的第二特征剥离层，第二特征剥离层利用卷积核滑动扫描基础波形分量，可选的，卷积核可以是一个一维的差分算子序列，例如[?1 ,0 ,1]，卷积核以固定的步长在基础波形分量的数据点上滑动，计算卷积核与局部数据窗口的点积，通过该操作可以突出波形中的快速变化区域。在滑动扫描过程中，记录下卷积结果绝对值超过预设门限的局部位置，这些位置对应的特征被提取为局部突变特征。同时，对基础波形分量进行傅里叶变换或小波变换，分析其频域成分，将能量集中在特定频率区间的振荡模式提取为周期性振荡特征。在一些实施例中，周期性振荡特征的提取可以通过自相关函数分析完成，识别出自相关函数中具有显著峰值的周期。
随后，提取出的局部突变特征和周期性振荡特征被共同输入至层级化的特征剥离引擎的特征整合层，在特征整合层中，对局部突变特征和周期性振荡特征进行交叉验证与关联绑定。交叉验证可以是通过计算局部突变特征的出现时刻与周期性振荡特征的相位之间的统计相关性来实现，例如计算在周期性振荡的波峰或波谷时刻附近，出现局部突变特征的概率。关联绑定则是将存在显著统计相关性的局部突变特征与周期性振荡特征配对，形成一个组合特征单元。最终，所有通过交叉验证关联绑定形成的组合特征单元，连同未被绑定的独立显著特征，共同构成与氧化进程相关的特征标记集合，特征标记集合中的每个标记都对应一个描述信号特定形态或模式的标识符。
实施例2：参阅图3，在特征整合层的处理过程中，首先建立一个共享特征空间，将局部突变特征和周期性振荡特征投影至该共享特征空间内。在共享特征空间内，计算局部突变特征与周期性振荡特征之间的协方差张量，并依据此协方差张量对局部突变特征和周期性振荡特征进行重新编码。对重新编码后的局部突变特征矩阵和周期性振荡特征矩阵，应用一个双向注意力机制。具体地，将重新编码后的局部突变特征矩阵和重新编码后的周期性振荡特征矩阵分别输入到注意力计算模块中。在注意力计算模块中，以局部突变特征矩阵作为查询向量，以周期性振荡特征矩阵作为键向量和值向量，通过点积操作计算查询向量与键向量的相似度得分，并应用softmax函数对相似度得分进行归一化，得到局部突变特征对周期性振荡特征的注意力权重分布。同时，以周期性振荡特征矩阵作为查询向量，以局部突变特征矩阵作为键向量和值向量，通过相同的点积操作和softmax归一化，计算周期性振荡特征对局部突变特征的注意力权重分布。对注意力权重分布进行加权求和，其中权重系数根据特征维度自适应调整，生成融合后的注意力权重矩阵。基于双向注意力机制计算出的注意力权重，对重新编码后的局部突变特征和周期性振荡特征进行加权融合，生成一个融合后的特征向量。最后，对此融合后的特征向量进行聚类分析，将聚类后得到的各个特征簇标记为与氧化进程相关的特征标记集合。
在具体实施中，特征整合层建立一个共享特征空间，将局部突变特征和周期性振荡特征投影至共享特征空间内，投影操作可以通过线性变换实现，局部突变特征矩阵左乘一个投影矩阵得到共享空间中的表示，周期性振荡特征矩阵左乘另一个投影矩阵得到共享空间中的表示。在共享特征空间内，计算局部突变特征与周期性振荡特征之间的协方差张量，协方差张量反映了局部突变特征与周期性振荡特征在不同维度上的协同变化关系，并依据协方差张量对局部突变特征和周期性振荡特征进行重新编码，重新编码可以通过将特征向量与协方差张量的主成分方向进行对齐操作来完成。
在一些实施例中，对重新编码后的局部突变特征和周期性振荡特征应用一个双向注意力机制，计算局部突变特征对周期性振荡特征的注意力权重，同时计算周期性振荡特征对局部突变特征的注意力权重。将重新编码后的局部突变特征矩阵和重新编码后的周期性振荡特征矩阵分别输入到注意力计算模块中，在注意力计算模块中，以局部突变特征矩阵作为查询向量，以周期性振荡特征矩阵作为键向量和值向量，通过点积操作计算查询向量与键向量的相似度得分，应用softmax函数对相似度得分进行归一化，得到局部突变特征对周期性振荡特征的注意力权重分布。同时，以周期性振荡特征矩阵作为查询向量，以局部突变特征矩阵作为键向量和值向量，通过相同点积操作和softmax归一化，计算周期性振荡特征对局部突变特征的注意力权重分布。注意力权重分布的计算公式可以表示为：
其中： βuv表示第u个查询向量对第v个键向量的注意力权重，符号exp表示自然指数函数，Qu是查询向量矩阵的第u行向量，Kv是键向量矩阵的第v行向量，d是向量的维度，点积操作表示向量内积。对注意力权重分布进行加权求和，其中权重系数根据特征维度自适应调整，生成融合后的注意力权重矩阵。
可以理解，基于双向注意力机制计算出的注意力权重，对重新编码后的局部突变特征和周期性振荡特征进行加权融合，生成一个融合后的特征向量。加权融合可以通过将注意力权重矩阵与值向量相乘来实现，对于局部突变特征对周期性振荡特征的注意力权重分布，将权重矩阵与周期性振荡特征矩阵相乘得到局部突变特征视角的融合表示，对于周期性振荡特征对局部突变特征的注意力权重分布，将权重矩阵与局部突变特征矩阵相乘得到周期性振荡特征视角的融合表示，然后将两个视角的融合表示进行拼接或平均操作，生成最终的融合后的特征向量。可选的，对融合后的特征向量进行聚类分析，将聚类后得到的各个特征簇标记为与氧化进程相关的特征标记集合。聚类分析可以采用K均值聚类算法，将融合后的特征向量划分为K个簇，每个簇的中心代表一种特征模式，每个特征向量被分配到最近的簇，每个簇被赋予一个唯一的标识符作为特征标记。
实施例3：在生成多维特征矩阵并进行节点匹配时，对特征标记集合中的每个特征标记，沿时间轴进行滑动窗口采样，得到多个时间切片下的特征标记子集。将每个时间切片下的特征标记子集，按照其物理化学属性分类映射到一个高维向量空间的对应坐标轴上。
组合所有时间切片映射到高维向量空间中的坐标点，形成一个在时间和属性维度上展开的多维特征矩阵。从黄麻纤维老化演变知识图谱中提取所有代表不同老化阶段的图谱节点，并计算每个图谱节点的特征向量。为进行匹配，为黄麻纤维老化演变知识图谱中的每个图谱节点，根据其连接的关系边和属性值，生成一个图谱节点嵌入向量。将多维特征矩阵的每一行视为一个特征向量，计算每个特征向量与每个图谱节点嵌入向量之间的余弦相似度。
建立一个相似度矩阵，该相似度矩阵的行对应多维特征矩阵的行，列对应黄麻纤维老化演变知识图谱的图谱节点，矩阵元素为计算得到的余弦相似度值。遍历此相似度矩阵，找出每一行中余弦相似度值最大的图谱节点，若最大余弦相似度值超过预设的匹配阈值，则将多维特征矩阵的当前行标记为与黄麻纤维老化演变知识图谱中该图谱节点匹配成功。将所有匹配成功的行及其对应的黄麻纤维老化演变知识图谱中的图谱节点信息，记录为一个匹配结果映射表。
在具体实施中，对特征标记集合进行时间序列上的重组与映射，对特征标记集合中的每个特征标记，沿时间轴进行滑动窗口采样，例如特征标记集合包含标记A、标记B和标记C，时间序列总长度为100个采样点，设置窗口长度为10，步长为5的滑动窗口进行采样，得到多个时间切片下的特征标记子集，第一个时间切片包含从时间点1到10内出现的特征标记A和特征标记B，第二个时间切片包含从时间点6到15内出现的特征标记A和特征标记C，每个时间切片下的特征标记子集构成了一个局部观测样本。将每个时间切片下的特征标记子集，按照其物理化学属性分类映射到一个高维向量空间的对应坐标轴上，例如特征标记A代表羰基吸收特征，将其映射到向量空间的第一维，特征标记B代表酚羟基振动特征，将其映射到向量空间的第二维，映射的数值可以是特征标记在该时间切片内出现的频次或平均强度，通过这种映射，每个时间切片被表示为一个高维向量空间中的坐标点。组合所有时间切片映射到高维向量空间中的坐标点，形成一个在时间和属性维度上展开的多维特征矩阵，多维特征矩阵的行对应于不同的时间切片序号，列对应于不同的物理化学属性维度，矩阵元素的值即为映射的数值。
从黄麻纤维老化演变知识图谱中提取所有代表不同老化阶段的图谱节点，黄麻纤维老化演变知识图谱包含“初始状态”、“轻度氧化”、“中度氧化”和“严重降解”图谱节点，计算每个图谱节点的特征向量，计算过程可以基于与图谱节点直接相连的关系边的类型和权重进行向量化表示。为黄麻纤维老化演变知识图谱中的每个图谱节点，根据其连接的关系边和属性值，生成一个图谱节点嵌入向量，在一些实施例中，生成图谱节点嵌入向量采用图神经网络算法，将图谱节点及其邻接关系作为输入，输出一个固定长度的数值向量作为图谱节点嵌入向量。将多维特征矩阵的每一行视为一个特征向量，计算每个特征向量与每个图谱节点嵌入向量之间的余弦相似度，余弦相似度计算公式为：
其中： γpq表示多维特征矩阵的第p行特征向量与第q个图谱节点嵌入向量之间的余弦相似度值， Fp表示多维特征矩阵的第p行向量，Nq表示第q个图谱节点的嵌入向量，点号表示向量点积，双竖线表示向量的欧几里得范数，║Fp║表示向量 Fp的欧几里得范数， ║Nq║表示向量Nq的欧几里得范数。建立一个相似度矩阵，相似度矩阵的行对应多维特征矩阵的行，列对应黄麻纤维老化演变知识图谱的图谱节点，矩阵元素为计算得到的余弦相似度值。遍历相似度矩阵，找出每一行中余弦相似度值最大的图谱节点，若最大余弦相似度值超过预设的匹配阈值，则将多维特征矩阵的当前行标记为与黄麻纤维老化演变知识图谱中图谱节点匹配成功，例如匹配阈值设定为0 .75，当某行与“中度氧化”节点的余弦相似度值为0 .82时，则判定该行匹配成功。将所有匹配成功的行及其对应的黄麻纤维老化演变知识图谱中的图谱节点信息，记录为一个匹配结果映射表，匹配结果映射表是一个数据结构，其每条记录至少包含多维特征矩阵的行索引、匹配成功的图谱节点标识以及对应的余弦相似度值。可以理解，匹配结果映射表建立了从观测数据的时间切片到黄麻纤维老化演变知识图谱中理论老化阶段的对应关系。
实施例4：依据多维特征矩阵与黄麻纤维老化演变知识图谱的匹配结果，解析匹配结果映射表，在黄麻纤维老化演变知识图谱中定位出所有与多维特征矩阵匹配成功的图谱节点。在黄麻纤维老化演变知识图谱中，查找连接所有匹配成功的图谱节点的最短连通子图，该最短连通子图中的有向边序列构成初始的演变路径。对此初始的演变路径进行剪枝优化，移除权重低于路径平均权重的边，得到精简后的关键演变路径。将关键演变路径转化为一个状态转移模型，该状态转移模型中的状态对应于关键演变路径中的图谱节点。转移概率基于图谱节点间的边权重和匹配结果映射表中的匹配强度计算。具体地，从黄麻纤维老化演变知识图谱中提取关键演变路径上每个图谱节点之间的连接边的权重值，该权重值表示老化阶段之间转移的难易程度。从匹配结果映射表中提取每个匹配成功的图谱节点对应的匹配强度，该匹配强度通过相似度计算中的余弦相似度值量化。对于状态转移模型中的每一对相邻状态，计算转移概率作为边权重和匹配强度的乘积，然后对所有转移的乘积结果进行归一化处理，使得每个状态的出转移概率之和为一。将计算出的转移概率填充到状态转移矩阵中，该状态转移矩阵的行和列分别对应关键演变路径上的图谱节点，完成状态转移模型的参数化构建。设定多组不同的环境参数组合，将每组环境参数组合作为外部输入驱动此状态转移模型，迭代计算黄麻纤维样品从初始状态沿关键演变路径演变的轨迹，该轨迹的纵坐标表示性能指标，从而生成对应于每组环境参数组合的性能退化曲线。
在具体实施中，依据匹配结果映射表进行解析，匹配结果映射表包含多维特征矩阵的行索引、匹配成功的图谱节点标识及余弦相似度值，解析操作即读取匹配结果映射表每一条记录，依据记录中的图谱节点标识在黄麻纤维老化演变知识图谱中定位出所有与多维特征矩阵匹配成功的图谱节点，假设匹配结果映射表指示多维特征矩阵的第10、25、40行分别匹配到图谱节点“轻度氧化”、“中度氧化”和“严重降解”，则在黄麻纤维老化演变知识图谱中找到这三个对应的图谱节点。在黄麻纤维老化演变知识图谱中，以定位出的所有匹配成功的图谱节点为子集，查找连接这个子集中所有节点的最短连通子图，查找过程可以运用图论中的最短路径算法计算子集节点间的最短路径，然后合并这些路径形成一个包含所有目标节点的连通子图，这个最短连通子图中的有向边序列构成初始的演变路径，例如初始演变路径为“轻度氧化 >中度氧化 >严重降解”。
对初始的演变路径进行剪枝优化，移除权重低于路径平均权重的边，剪枝优化需要计算初始演变路径中所有边的权重平均值，将每条边的权重与这个平均值进行比较，删除权重低于平均值的边，得到精简后的关键演变路径。在具体实施中，将关键演变路径转化
为一个状态转移模型，状态转移模型中的状态对应于关键演变路径中的图谱节点，例如状态S1对应“轻度氧化”，状态S2对应“中度氧化”，状态S3对应“严重降解”。在具体实施中，每个状态直接对应于路径中的一个图谱节点，例如状态S1对应“轻度氧化”节点，状态S2对应“中度氧化”节点，状态S3对应“严重降解”节点，从而建立状态与老化阶段的一一映射。接下来，从黄麻纤维老化演变知识图谱中提取关键演变路径上相邻图谱节点之间的连接边权重值，该权重值反映了老化阶段间转移的难易程度；同时，从匹配结果映射表中获取每个匹配成功图谱节点对应的匹配强度，该强度由余弦相似度值量化。对于状态转移模型中的每一对相邻状态，计算其转移概率作为边权重与匹配强度的乘积，然后对所有从当前状态出发的转移概率乘积进行归一化处理，确保每个状态的所有出转移概率之和为一。最后，将计算得到的转移概率填充到状态转移矩阵中，该矩阵的行和列分别对应关键演变路径上的图谱节点，从而完成状态转移模型的参数化构建。转移概率基于图谱节点间的边权重和匹配结果映射表中的匹配强度计算，从黄麻纤维老化演变知识图谱中提取关键演变路径上每个图谱节点之间的连接边的权重值，边权重值表示老化阶段之间转移的难易程度。从匹配结果映射表中提取每个匹配成功的图谱节点对应的匹配强度，匹配强度通过相似度计算中的余弦相似度值量化。
对于状态转移模型中的每一对相邻状态，计算转移概率作为边权重和匹配强度的乘积，然后对所有转移的乘积结果进行归一化处理，使得每个状态的出转移概率之和为一。
状态转移概率的计算公式可以表示为：
[0092] 其中：Pij表示从状态i转移到状态j的概率，Wij 表示从图谱节点i到图谱节点j的边的权重，Si表示状态i的匹配强度，分母中的求和是针对从状态i出发所有转移的目标状态k进行的。将计算出的转移概率填充到状态转移矩阵中，状态转移矩阵的行和列分别对应关键演变路径上的图谱节点，完成状态转移模型的参数化构建。参阅表1，展示了一个包含三个图谱节点的状态转移概率计算。
表1：图谱节点间边权重与匹配强度表
在一些实施例中，环境参数组合可以包括温度、湿度、光照强度等多个维度，例如一组环境参数为“温度30°C，湿度60%RH，光照强度5000lux”。设定多组不同的环境参数组合，将每组环境参数组合作为外部输入驱动状态转移模型，环境参数可以通过影响状态转移矩阵中的概率值来介入模型，一种方式是为每个环境参数定义一个缩放因子，作用于对应的转移概率上。迭代计算黄麻纤维样品从初始状态沿关键演变路径演变的轨迹，迭代过程是通过状态转移矩阵的连续乘法模拟状态序列的演变，轨迹的纵坐标表示性能指标，例如将状态“轻度氧化”的性能指标定义为0 .9，“中度氧化”定义为0 .6，“严重降解”定义为0 .3，通过模拟状态转移过程，记录性能指标随时间或转移步数的变化，从而生成对应于每组环境参数组合的性能退化曲线。可以理解，不同的环境参数组合会通过修改转移概率导致不同的状态演变速度和路径，从而产生不同形态的性能退化曲线。可选的，状态转移模型的迭代计算可以采用马尔可夫链蒙特卡洛方法进行模拟，以评估性能退化的统计特性。
参阅图4，在黄麻纤维抗氧化性能检测的状态转移模型构建中，热力图直观呈现了不同氧化状态间的转移概率分布。具体而言，图中“当前状态”与“目标状态”分别对应黄麻纤维老化演变知识图谱中的“轻度氧化”“中度氧化”“严重降解”节点，矩阵元素值代表状态间的转移概率。从热力图可知：当前状态为“轻度氧化”时，向“中度氧化”转移的概率为0 .80，向“严重降解”转移的概率为0 .20，无自转移可能；当前状态为“中度氧化”时，仅向“严重降解”转移，概率为1 .00；当前状态为“严重降解”时，无任何转移路径。这种概率分布是基于黄麻纤维老化演变知识图谱中节点间的边权重与匹配结果映射表中的匹配强度，经乘积计算与归一化处理后得到的，其数值大小可反映不同氧化阶段间状态转移的难易程度，为后续模拟不同环境参数下的性能退化曲线提供了量化的状态转移依据。
实施例5：在采集初始响应信号并提取光谱响应片段时，使用光谱检测装置，以特定波长的激发光照射黄麻纤维样品，连续采集黄麻纤维样品反射或透射的光信号，将此光信号转换为电信号序列作为初始响应信号。从预设的标准响应数据库中，调取同种类黄麻纤维在已知良好抗氧化性能状态下的标准响应信号模板。将初始响应信号与标准响应信号模板进行时间对齐，并计算初始响应信号与标准响应信号模板在每个采样时间点上的信号强度差值序列。对此信号强度差值序列应用滑动窗口峰值检测，以识别出差值超过动态阈值的连续时间区间。具体操作是设置一个固定长度的滑动窗口，该滑动窗口的长度根据信号强度差值序列的采样率预设。沿信号强度差值序列的时间轴逐步滑动此滑动窗口，对于每个窗口位置，计算窗口内信号强度差值的平均值和标准差。基于所计算的平均值和标准差设定动态阈值，该动态阈值等于平均值加上标准差的倍数，其中的倍数因子通过实验标定。在每个窗口内，识别信号强度差值超过此动态阈值的点，并记录这些点的位置索引。合并相邻窗口内识别出的超过动态阈值的点，形成连续时间区间，同时过滤掉长度小于最小持续阈值的连续时间区间。从初始响应信号中，截取最终得到的连续时间区间对应的原始信号段，将此原始信号段标记为表征抗氧化成分的光谱响应片段。
在具体实施中，使用光谱检测装置采集黄麻纤维样品在特定波长光照下的初始响应信号，光谱检测装置可以是配备有单色仪或特定波长激光光源的光谱仪，特定波长例如选择为365纳米的紫外光，以激发黄麻纤维中抗氧化成分的荧光或反射特征，连续采集黄麻纤维样品反射或透射的光信号，光电探测器将光信号转换为随时间变化的电信号序列，电信号序列的采样率设置为每秒1000个点，这个电信号序列作为初始响应信号。从预设的标准响应数据库中，调取同种类黄麻纤维在已知良好抗氧化性能状态下的标准响应信号模板，标准响应数据库存储了多组在标准实验条件下测量的、抗氧化性能经过标定的黄麻纤维样本的响应信号曲线，通过查询样品编号或属性匹配，调出与当前待测黄麻纤维种类相同的标准响应信号模板，模板是一组与初始响应信号时间长度和采样率一致的数据序列。
在具体实施中，将初始响应信号与标准响应信号模板进行时间对齐，时间对齐可以通过互相关计算寻找两个信号最大相关性对应的时移量来实现，对齐后，计算初始响应信号与标准响应信号模板在每个采样时间点上的信号强度差值序列，信号强度差值序列是一个新的序列，其每个点的值是初始响应信号强度减去标准响应信号模板强度。对此信号强度差值序列应用滑动窗口峰值检测，以识别出差值超过动态阈值的连续时间区间。设置一个固定长度的滑动窗口，滑动窗口的长度根据信号强度差值序列的采样率预设，例如采样率为1000赫兹时，滑动窗口长度可设置为100个数据点，对应0 .1秒的时间跨度。沿信号强度差值序列的时间轴逐步滑动滑动窗口，对于每个窗口位置，计算窗口内信号强度差值的平均值和标准差，动态阈值θ的计算公式为：
其中：θ表示动态阈值，u表示当前滑动窗口内信号强度差值的平均值，σ表示当前滑动窗口内信号强度差值的标准差，λ表示倍数因子。倍数因子λ通过实验标定确定，在一些实施例中，倍数因子λ可以通过对已知具有明显抗氧化成分响应区间的训练样本进行统计分析得到，例如将λ值设定为2.5。在每个窗口内，识别信号强度差值超过动态阈值 的点，并记录这些点的位置索引，即这些点在信号强度差值序列中的序号。
可以理解，合并相邻窗口内识别出的超过动态阈值的点，形成连续时间区间，一个连续时间区间由一系列位置索引连续的点构成，同时过滤掉长度小于最小持续阈值的连续时间区间，最小持续阈值用于排除短暂的噪声干扰，例如设置最小持续阈值为10个数据点，即持续时间短于0 .01秒的区间将被过滤掉，确保只保留显著的光谱响应片段。从初始响应信号中，截取最终得到的连续时间区间对应的原始信号段，原始信号段是从初始响应信号中直接截取的、与连续时间区间对应的那部分电信号序列，将原始信号段标记为表征抗氧化成分的光谱响应片段。在一些实施例中，标准响应数据库中的模板包含多个，计算信号强度差值序列时可以选择与当前实验条件最接近的一个模板，或者计算与多个模板差值的平均序列。可选的，动态阈值θ的计算也可以采用窗口内绝对中位差替代标准差，以增强对离群值的鲁棒性。
参阅图5，在黄麻纤维抗氧化性能检测的特征提取阶段，展示了层级化特征剥离引擎输出的两类核心特征（局部突变特征、周期性振荡特征）在100维特征空间中的分布轨迹。其中，红色曲线对应局部突变特征，其在特征维度上呈现高频、剧烈的波动形态，反映了黄麻纤维抗氧化成分光谱响应中突发的信号变异（与氧化进程中局部成分的快速变化相关）；蓝色曲线对应周期性振荡特征，其波动呈现相对规律的周期性，体现了抗氧化成分响应信号的节律性变化（与纤维氧化的动态平衡过程相关）。两类特征在特征维度上的差异化分布，为后续特征整合层的交叉验证与关联绑定提供了可视化的特征区分依据，支撑了氧化进程相关特征标记集合的构建。
文章摘自国家发明专利，用于黄麻纤维抗氧化性能检测方法，发明人：黄友清，周迎春，谢吉德，申请号：202610004731 .6，申请日：2026.01.05。
