电子能量损失谱（Electron Energy Loss Spectroscopy, EELS）采集过程中，受样品漂移、电子束辐照损伤等实验因素限制，线扫描（Line Scan）或面扫描（Mapping）数据的采集时长无法过长，这一约束直接导致采集到的EELS数据普遍存在信噪比不足的问题，会显著干扰后续的成分定性定量分析与电子结构解析。
针对低信噪比EELS数据的噪声干扰问题，目前学术界普遍采用数据去噪预处理方案，主流方法包括深度学习去噪、主成分分析（Principal Component Analysis, PCA）去噪等。其中，深度学习类去噪方法通常需要调试大量超参数，使用者需具备一定的编程基础，方法门槛相对较高；而PCA去噪无需复杂调参与自定义编程，且目前该算法已集成至商业化电子显微分析软件DigitalMicrograph（DM）中，操作流程简便易上手，因此很多研究文献都利用PCA方法对EELS数据进行去噪处理。这里首先系统梳理PCA的核心原理，阐明该方法用于EELS 数据去噪的基本逻辑，随后整理DM软件中基于PCA的EELS Mapping去噪完整操作步骤，为相关领域研究者提供一套可直接参考的实操方案。
1.PCA方法简述
为了更好地理解PCA的去噪原理，我们可以借助一个直观的例子。假设我们有100个样本，每个样本仅包含3个特征维度，那么这3个特征维度就构建起了一个三维空间（可类比为x、y、z轴）。每个样本在这三个特征维度上的信号强度值，就构成了它在三维空间中的坐标。例如，若某个样本在三个特征维度上信号强度分别为4、5、6，那么它就对应三维空间中的一个坐标点（4, 5, 6）。100个样本就对应着三维空间中的100个坐标点，为便于理解PCA去噪原理，我们假设这些点的整体分布呈橄榄球形态（图1）。PCA分析的第一步是中心化处理，即将坐标原点平移到这100个点在三个维度上的均值位置。接着，PCA会寻找能使全部 100 个样本点在该方向上投影值的整体方差最大的方向，也就是数据分布最“舒展”的方向，这个方向被定义为第一主成分（PC1），对应橄榄球的长轴。随后，在垂直于PC1的平面内，找到数据投影方差次大的方向，这就是第二主成分（PC2），对应橄榄球的次长轴。最后，同时垂直于PC1和PC2的方向即为第三主成分（PC3），这是数据投影方差最小的方向。如果我们舍弃方差最小的PC3，就相当于将原本的三维‘橄榄球’投影到由PC1和PC2构成的二维平面上。这一降维操作相当于过滤掉了PC3方向上的噪声干扰，同时保留了包含主要信号信息的PC1和PC2。对于PCA的深度原理学习，同学们可以通过阅读专业书籍或访问相关技术网站进行系统学习。
2.EELS mappin/Line Scan数据的PCA处理
对于包含1000 个像素点、每个像素对应1024 个能量通道（EELS谱图）的 EELS mapping 数据，可理解为：1000 个样本，每个样本拥有1024 个特征维度，所有样本共同分布在一个 1024 维的高维特征空间中。其中，每个像素点的 EELS 谱在某一能量通道上的强度，即为该维度上的坐标值。
通过PCA分析，我们可以根据各主成分的方差大小进行排序，得到第一主成分、第二主成分……直至第1000主成分。如图3中所示的Scree plot中，横坐标表示主成分的序号，纵坐标表示对应主成分的方差。通常，分析软件默认仅计算前100个主成分，因为序号靠后的主成分往往只包含噪声信息。
在Scree plot中通常会出现一个明显的拐点。在拐点之前的主成分方差较大，代表着具有结构特征的有效信号；而拐点之后的主成分方差很小，主要对应无规律的随机噪声。信号到噪声的过渡特性正是形成这一拐点的原因。因此，在PCA去噪中，我们通常保留拐点之前的主成分，而舍弃拐点之后的主成分。随后，将保留的主成分信息重新映射回原始的1024维空间，即可重建出去噪后的EELS谱图。
3.PCA去噪具体操作步骤
目前，DM 软件已内置 PCA 分析功能，可直接对 EELS mapping 面扫描或 Line scan 线扫描数据进行降噪处理。具体操作步骤如下：首先打开 EELS 数据文件并选中目标数据，通过两种路径均可执行PCA分析：一是点击 Data Fit → MSA Analysis → Simple Denoise（一键降噪）；二是分步执行 PCA Decompose → Varimax → Recombine。软件运行后将自动生成并显示Scree Plot。
根据Scree Plot确定拐点位置（图中拐点位置在4左右，保留4个主成分即可），并在软件中输入需要保留的主成分数量（图中输入4），即可得到去噪后的数据。图2和图4为去噪前后同一个像素点的EELS谱对比，可以看到去噪效果显著，一些原本被噪声掩盖的电离边信号在去噪后清晰显现。
图1原始mapping数据及谱图
图2Digital Micrograph软件PCA处理步骤及Scree Plot
图3PCA去噪后的mapping数据及去噪后的谱图
4.PCA 处理注意事项
需要注意的是，当Scree Plot中的拐点不明显时，若保留的主成分数量过少，易因过度去噪产生虚假峰。其本质是欠拟合所致：即用过于简化的模型去描述复杂的真实物理信号，从而引入伪特征。因此，建议适当多保留一些主成分，这样得到的EELS谱图虽然仍会存在一定噪声，但能更接近样品的真实信息。
免责声明：本文档仅为技术方法分享，不对数据处理结果的真实性与准确性承担责任。使用者应结合具体实验条件与样品特性，对 PCA 去噪结果进行独立、审慎的判断与验证。
重要提示：论文发表时，建议同时提供原始数据与去噪所用参数，或在方法部分明确注明已采用 PCA 进行降噪处理，以保障研究的可重复性与严谨性。
供稿：孙梅
编辑：高关胤、周俊
审核：赵智、王雨松