🔬 materials science

Application of dual-tree complex wavelet transform for spectra background reduction

تقدم هذه الورقة طريقة عالمية لتحويل المويجات المعقدة ثنائي الشجرة (DTCWT) لإزالة الخلفيات الطيفية في البيانات التجريبية، مما يثبت تفوقها في الحفاظ على الإشارة وتقليل الانحياز مقارنة بتقنيات الملاءمة التقليدية أو التقنيات القائمة على فوريه من خلال تطبيقات على أطياف حيود الأشعة السينية للمساحيق وأطياف الفلورة الضوئية.

المؤلفون الأصليون: Kazimierz Skrobas, Kamila Stefanska-Skrobas, Cyprian Mieszczynski, Renata Ratajczak

نُشر 2026-03-11

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Kazimierz Skrobas, Kamila Stefanska-Skrobas, Cyprian Mieszczynski, Renata Ratajczak

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

الصورة الكبيرة: تنظيف إشارة فوضوية

تخيل أنك تحاول الاستماع إلى محادثة محددة في غرفة مزدحمة وصاخبة. الشخص الذي تريد سماعه يتحدث بوضوح، ولكن هناك همهمة منخفضة ومستمرة ناتجة عن مكيف الهواء (الخلفية) وأشخاص يصرخون بشكل متقطع في أرجاء الغرفة (الضجيج).

في العلم، غالبًا ما يواجه الباحثون هذه المشكلة تمامًا. لديهم بيانات (مثل الأشعة السينية أو الانبعاثات الضوئية من البلورات) تحتوي على معلومات قيمة (المحادثة)، لكنها مدفونة تحت طبقة سميكة من "ضجيج الخلفية" والاضطرابات العشوائية.

قام مؤلفو هذه الورقة البحثية، كازيميرز سكوروباس وفريقه، بتطوير طريقة ذكية للغاية لتنظيف هذه البيانات. أطلقوا عليها اسم تحويل المويجات المعقدة ثنائي الشجرة (Dual-Tree Complex Wavelet Transform - DTCWT).

الطريقة القديمة مقابل الطريقة الجديدة

الطريقة القديمة (تحويل فوريه - Fourier Transform):
فكر في الطريقة القديمة كأنك تحاول تنظيف نافذة طينية بالنظر إلى ألوان الطين. هي جيدة في فصل الألوان البطيئة والثابتة عن الألوان السريعة والمتذبذبة. لكن بها عيب: إذا حاولت تنظيف بقعة صغيرة ومحددة على النافذة، فقد تؤدي الطريقة القديمة بالخطأ إلى لطخ الطين من تلك البقعة على الزجاج النظيف المجاور لها. كما أنها حساسة جدًا لمقدار الجزء الذي تنظر إليه من النافذة؛ فإذا نظرت إلى جزء صغير جدًا، ستحصل على انعكاسات "شبحية" غريبة.

الطريقة الجديدة (DTCWT):
الطريقة الجديدة تشبه امتلاك روبوت تنظيف ذكي متعدد المهام يمكنه رؤية أين يوجد الاتساخ ونوع هذا الاتساخ في نفس الوقت.

الزمن والتردد: على عكس الطريقة القدية، يعرف هذا الروبوت بالضبط متى يحدث الضجيج وما هو رنينه (طبقة صوته).
لا أشباح: إنه لا يلطخ الأوساخ. يمكنه إزالة همهمة الخلفية دون إنشاء قمم "شبحية" مزيفة في البيانات.
دقة عالية: يمكنه التركيز (عمل زووم) على إشارة ضعيفة وصغيرة (مثل الهمس) حتى لو كانت موجودة فوق خلفية صاخبة.

كيف اختبروها

لإثبات أن الروبوت الخاص بهم يعمل، اختبر الفريق طريقته على نوعين مختلفين تمامًا من البيانات "الفوضوية":

1. حيود الأشعة السينية (اختبار "بصمة الإصبع"):
تخيل أن البلورة تشبه بصمة الإصبع. عندما تطلق أشعة سينية عليها، فإنها ترتد بنمط معين. لكن الورقة التي طُبعت عليها البيانات كانت متسخة (الخلفية). استخدم الفريق خوارزميتهم لمسح الأوساخ.

النتيجة: وجدوا علامة بصمة صغيرة وضعيفة كانت غير مرئية سابقًا لأنها كانت مخفية تحت الأوساخ. قامت الخوارزمية بإزالة الخلفية بشكل مثالي دون لطخ العلامات الحقيقية.

2. الفسفرة الضوئية (اختبار "التوهج في الظلام"):
تخيل بلورة تتوهج عندما تسلط عليها الضوء. لكن التوهج باهت، وهناك الكثير من التداخل الإحصائي (الضجيج) الذي يجعل المظهر يبدو مشوشًا.

النتيجة: قامت الخوارزمية بتنظيف التشويش. ومع ذلك، تعلموا درسًا قيمًا هنا: إذا قمت بالتنظيف بقوة مفرطة (باستخدام الكثير من "مستويات التفكيك")، فقد تبدأ في رؤية توهجات مزيفة ليست موجودة في الأصل. الأمر يشبه تنظيف سجادة بشكل مبالغ فيه حتى ترى أنماطًا في أليافها ليست جزءًا من التصميم الأصلي.

السر الكامن: ضبط الروبوت

توضح الورقة أنه بينما يعد هذا الروبوت قويًا، يجب عليك ضبطه بشكل صحيح. الأمر يشبه ضبط الإعدادات في كاميرا عالية الجودة.

عائلة المويجات (العدسة): يمكنك اختيار "عدسات" مختلفة (تسمى عائلات مثل Daubechies أو Symlet أو Coiflet). وجد المؤلفون أنه بالنسبة للأشعة السينية، فإن عدسة معينة (db5) كانت الأفضل، بينما بالنسبة للبلورات المتوهجة، عملت عدستان مختلفتان بشكل جيد. ولكن بصراحة، اختيار العدسة أقل أهمية من الإعداد التالي.
مستويات التفكيك (الزوم/التكبير): هذا هو المقبض الأكثر أهمية للتدوير.
- منخفض جدًا: لن تنظف بما يكفي؛ وتبقى الخلفية موجودة.
- مرتفع جدًا: ستنظف أكثر من اللازم وتبدأ في إنشاء إشارات "شبحية" مزيفة.
- مثالي: وجد المؤلفون "منطقة غولدي لوكس" (عادةً 5 أو 6 مستويات من التكبير) حيث تختفي الخلفية، وتصبح الإشارات الحقيقية واضحة، ولا تظهر أي أشباح مزيفة.

لماذا هذا مهم؟

الأمر لا يتعلق فقط بتنظيف الصور؛ بل يتعلق بإيجاد أشياء لم نكن نستطيع رؤيتها من قبل.

علم أفضل: يساعد العلماء على دراسة المواد (مثل بلورة أكسيد الغاليوم المذكورة) التي تُستخدم في الإلكترونيات القوية وتقنيات الفضاء.
تقليل التخمين: كانت الطرق القديمة تتطلب غالبًا من العلماء التخمين يدويًا لكيفية ملاءمة منحنى للبيانات. هذه الطريقة أكثر تلقائية وأقل عرضة للخطأ البشري.
أداة مجانية: الأفضل من ذلك؟ كتب المؤلفون حزمة برمجية مجانية (تسمى tlorem.py) يمكن للعلماء الآخرين استخدامها للقيام بعملية التنظيف هذه بأنفسهم.

الخلاية

لقد صنع المؤلفون "سماعات إلغاء الضجيج" رقمية للبيانات العلمية. إنها تقوم بتصفية همهمة الخلفية والتشويش العشوائي لكي تبرز الإشارة الحقيقية والقيمة بوضوح، مما يسمح للعلماء برؤية التفاصيل غير المرئية للمواد التي يدرسونها.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "تطبيق تحويل المويجات المعقدة ثنائي الشجرة لتقليل خلفية الأطياف" من قبل Skrobas وآخرون.

1. بيان المشكلة

غالبًا ما تحتوي البيانات الطيفية التجريبية (مثل حيود الأشعة السينية واللمعان الضوئي) على مزيج من الإشارات المعلوماتية (القمم) وخلفية الضجيج غير المعلوماتية. تتكون هذه الخلفية من تشوهات متغيرة ببطء، وضجيج عالي التردد، وعيوب متعلقة بالأجهزة تحجب المعلومات القيمة، لا سيالما عندما يكون مستوى الخلفية مقارباً أو أعلى من الإشارة محل الاهتمام.

محدودية الطرق الحالية:

تحويل فورييه (FT): بينما يقوم تحويل فورييه بفصل الإشارات حسب التردد، إلا أنه يفتقر إلى التوطين الزمني. كما أنه حساس لنطاق البيانات، مما يؤدي غالباً إلى توليد تموجات زائفة بالقرب من القمم، ويعاني من آثار التعرج (aliasing) وتداخل النطاقات الترددية. كما يواجه صعوبة مع الإشارات غير المستقرة حيث تتغير مكونات التردد بمرور الوقت.
تحويل المويجات المتقطع القياسي (DWT): رغم أنه أفضل من تحويل فورييه، إلا أن DWT القياسي يعاني من عدم الثبات عند الإزاحة (الإزاحات الصغيرة في المدخلات تسبب تغيرات كبيرة في المخرجات) والاهتزازات بالقرب من القمم الحادة، مما قد يشوه الإشارة أثناء إعادة البناء.
طرق الملاءمة/الترشيح: غالباً ما تتطلب طرق ملاءمة المنحنيات التقليدية أو الترشيح البسيط تدخلاً مكثفاً من المستخدم، وافتراضات محددة حول أشكال القمم، ويمكن أن تؤدي إلى انحياز أو تفشل في الحفاظ على سلامة الإشارة.

2. المنهجية

يقترح المؤلفون تقنية لإزالة الخلفية تعتمد على تحويل المويجات المعقد ثنائي الشجرة (DTCWT).

الخوارزمية الجوهرية: يعمل DTCWT على تحسين DWT القياسي من خلال استخدام شجرتين متوازيتين من المويجات الحقيقية لتشكيل مويجات معقدة. يوفر هذا الهيكل:
- الثبات عند الإزاحة: يقلل من الحساسية تجاه الإزاحات الصغيرة في البيانات.
  ب* الانتقائية الاتجاهية: معالجة أفضل للاهتزازات بالقرب من القمم الحادة.
- تقليل التعرج: يقلل من الآثار الاصطناعية الشائعة في عمليات تفكيك المويجات القياسية.
تدفق العملية:
1. التفكيك: يتم تفكيك الإشارة المدخلة إلى مستويات متعددة باستخدام "مويجة أم" مختارة (مثل Daubechies، أو Symlet، أو Coiflet).
2. الفصل الترددي: تقوم الخوارزمية بفصل الإشارة إلى نطاقات فرعية:
  - الترددات المنخفضة: تمثل الخلفية.
  - الترددات المتوسطة: تمثل الإشارة المفيدة (القمم).
  - الترددات العالية: تمثل الضجيج.
3. تقدير الخلفية: يتم عزل مكونات التردد المنخفض لإعادة بناء منحنى الخلفية.
4. الطرح: يتم طرح الخلفية المعاد بناؤها من البيانات الخام للحصول على طيف نظيف.
5. التحسين: تتطلب الطريقة ضبط معلمين رئيسيين: عائلة المويجات وعدد مستويات التفكيك.

3. المساهمات الرئيسية

القابلية للتطبيق الشامل: تم إثبات منهجية البحث على نوعين مختلفين جوهرياً من الأطياف: حيود مسحوق الأشعة السينية (XRD) واللمعان الضوئي (PL)، مما يثبت تعدد استخداماتها عبر ظواهر فيزيائية مختلفة.
الحفاظ على الإشارة: على عكس طرق الملاءمة، يحافظ DTCWT على شكل وشدة النسبية للقمم دون الحاجة إلى معرفة مسبقة بهيكل القمة.
استخراج الإشارات الضعيفة: نجحت التقنية في استخراج الإشارات الضعيفة (مثل انبعاثات أيونات العناصر الأرضية النادرة) المختبئة تحت خلفيات قوية ومتغيرة ببطء.
توافر البرمجيات: يوفر المؤلفون حزمة برمجية بلغة بايثون (tlorem.py) تنفذ الخوارزمية، مما يجعل الأداة متاحة لمزيد من الأبحاث.
إرشادات المعايير: تحدد الدراسة إرشادات محددة لاختيار المعايير (عائلة المويجات وعمق التفكيك) لتقليل الآثار الاصطناعية.

4. النتائج

استخدمت الدراسة بلورات $\beta$ -Ga $_2$ O $_3$ المزروعة بأيونات عناصر أرضية نادرة (Yb, Eu) كموضوع للاختبار.

تحليل XRD ( $\beta$ -Ga $_2$ O $_3$ :Yb):
- نجح DTCWT (باستخدام المويجة db5 و6 مستويات) في إزالة الخلفية الطبيعية، مما كشف عن قمة ضعيفة سابقاً عند $\approx 63^\circ$ كانت محجوبة بواسطة ميل الخلفية.
- اتبعت الخلفية المعاد بناؤها التغيرات البطيئة بدقة دون إدخال ضجيج عالي التردد.
- تحليل CWT: أكد أن مكونات التردد المنخفض ( $f < 0.25$ ) قد انفصلت بفعالية عن قمم الحيود ذات التردد المتوسط.
تحليل اللمعان الضوئي ( $\beta$ -Ga $_2$ O $_3$ :Eu):
- قيمت الدراسة مقياس $\chi$ (مقياس جودة ملاءمة الخلفية) عبر عائلات موجية مختلفة (db, sym, coif) ومستويات تفكيك مختلفة.
- مستويات التفكيك: تم تحديد هذا كـ المعلم الأكثر حرجاً.
  - عدد مستويات قليل جداً: أدى إلى الإفراط في الملاءمة (اندماج الخلفية مع القمم).
  - عدد مستويات كبير جداً: أدى إلى نقص الملاءمة وظهور قمم زائفة (آثار اصطناعية) بسبب اكتشاف الانقطاع.
  - المستوى الأمثل: وفر مستوى التفكيك $L_{max} - 1$ (تحديداً المستوى 5 للبيانات المختبرة) أفضل توازن.
- عائلة المويجات: كان اختيار العائلة له تأثير طفيف. أدت db5 و sym5 إلى أفضل أداء لأطياف PL، بينما أظهرت coif5 استقراراً فريداً عند مستويات محددة ولكن بنتائج إجمالية أسوأ قليلاً.
- التعامل مع الضجيج: تم تعزيز الضجيج عالي التردد ( $>3$ eV) من خلال عملية التفكيك، مما يشير إلى أن مرشحاً ثانوياً عالي التردد (مثل Savitzky-Golay) قد يكون ضرورياً لمجموعات البيانات الصاخبة.

5. الأهمية

المتانة: توفر طريقة DTCWT بديلاً قوياً للملاءمة التقليدية، حيث تتطلب معايير أولية أقل وتدخلاً أقل من المستخدم.
الموثوقية: تقلل من خطر الأخطاء العددية والانحياز، مما يجعلها مناسبة لخطوط معالجة البيانات المؤتمتة في الأبحان النووية وعلوم المواد.
الأثر العلمي: من خلال تمكين استخراج الميزات الدقيقة (مثل إشارات العناصر الأرضية النادرة المطعمة) من الخلفيات الصاخبة، تسهل هذه الطريقة التوصيف الأكثر دقة للمواد المقاومة للإشعاع مثل $\beta$ -Ga $_2$ O $_3$ ، والتي تعد بالغة الأهمية للإلكترونيات عالية القدرة وتطبيقات الفضاء.
قابلية التكرار: يضمن إصدار حزمة tlorem.py قدرة الباحثين الآخرين على تطبيق تقنية معالجة الإشارات المتقدمة هذه على بياناتهم التجريبية الخاصة.

في الختام، تثبت الورقة أن DTCWT هي أداة متفوقة لتقليل خلفية الأطياف، حيث توازن بفعالية بين إزالة الضجيج والحفاظ على ميزات الإشارة الحرجة، بشرط تحسين مستويات التفكيك بعناية.