MATLAB批量处理AFM力曲线：从NSMatlabUtilities到全流程自动化实战

接手过一个接近尾声的材料表征项目，那阵子我每天的工作就是对着 Bruker NanoScope Analysis 里的力曲线，一条一条点开、框选基线、找接触点、拟合、导出。单个文件里 Force Volume 测了 32×32 个点，一千多条曲线，再乘以十几个样品，处理到后面眼睛都已经分不清哪条曲线是哪条了。后来我彻底换成基于 MATLAB 的 Bruker NSMatlabUtilities 工具箱，把整套分析流程脚本化，批量读入 FCP 文件、清洗曲线、提取力学参数、输出汇总表，原本要耗两三天的活儿压缩到半小时以内。这篇文章就来复盘整个实战过程：为什么这么干、工具箱怎么搭、底层数据结构长什么样、批处理框架怎么设计，以及真正跑量之后才发现的一系列坑。

如果你手里攒了一堆 Bruker AFM 测出来的力曲线数据，或者马上要开始一批 Force Volume 力谱成像，又不想把时间耗在一张一张手动点鼠标上，这篇文章就是给你写的。下面全是我实际踩过的路，不一定最优，但保证可落地。

1. 为什么我会从 NanoScope Analysis 转向 MATLAB 批量处理

1.1 手动处理到底有多慢

先说一个直观的对比。Bruker 原厂的 NanoScope Analysis 确实功能完整，曲线筛选、基线校正、接触点识别、模量拟合这些功能都有，但它默认的工作流是一次处理一条曲线。回顾一下原来的流程：

1. 打开一个 FCP 文件；
2. 在 Force Spectrum 列表里点选某条曲线；
3. 手动拖动标尺，把接触点前的区域定义为基线；
4. 再手动拖动触点标记，选拟合区间；
5. 记录软件算出来的粘附力、模量、形变；
6. 切到下一条曲线，重复以上操作。

单条曲线熟练操作的话 20 到 30 秒能完成。听起来不算慢对吧？但一个 32×32 的 Force Volume 文件有 1024 条曲线，全部走一遍就需要七八个小时。一天下来能干完一个文件就算运气好，而且注意力稍微一分散，基线位置选偏了，结果根本没参考价值。

真正让我崩溃的是项目里那种几十个文件连续处理的需求。当时手上这批材料每个样品做了 3 个不同区域的力谱成像，一批就是十几组数据，每组几百到上千条曲线。按这种处理速度，项目验收时间根本不允许。

1.2 NSMatlabUtilities 在流程里扮演的角色

NSMatlabUtilities 是 Bruker 提供给用户的 MATLAB 工具集，能直接读取 Bruker AFM 生成的原始数据文件，包括 .spm 和 .fcp 格式。它拿到的不只是用户在软件界面导出的图表，而是文件里完整的、带有原始采样信息的数据结构，包括力曲线本身、传感器信号、XY 坐标、文件头参数、扫描参数等。

在整套处理链条里，它的位置非常关键：把"数据访问"和"数据分析"解耦了。以前数据访问和分析都依赖 NanoScope Analysis 的 GUI，脚本介入之后，读取数据的工作交给 NSMatlabUtilities，后续所有的处理、统计、可视化全在 MATLAB 里完成。换句话说，你只把工具箱当作一个"打开文件"的入口，剩下的事全部自己掌控。

这就带来两个直接好处。第一，处理速度从"人眼逐条看"变成了"CPU 循环算"，千把条曲线在 MATLAB 里几秒钟就能处理完。第二，处理标准完全一致，不会出现上午状态好时基线框得准、下午状态差就框得歪的问题，每次跑完脚本的结果可复现，配合实验记录，论文里写数据处理方法时也能交代清楚。

1.3 什么情况值得切换到这套方案

如果你满足以下任意一条，脚本化处理就值得投入：

• 一个文件里有数百条甚至上千条力曲线，比如 Force Volume、HarmoniX、PeakForce QNM 这些模式；
• 需要跨多组文件做统计分析，比如对比不同配方、不同批次样品；
• 审稿人或者导师要求你明确说明接触点判定、拟合区间、基线选取这些细节；
• 你需要把拟合结果和文件中的 XY 坐标对应起来，做力学性质分布图。

反过来，如果只是零星测了几条曲线，或者样品本身很简单，每条曲线都不需要筛选，那手动处理也没问题。批处理脚本本身有调试成本，没必要杀鸡用牛刀。

2. 环境准备：工具箱获取、路径配置和版本坑

2.1 获取 NSMatlabUtilities 的渠道和版本选择

NSMatlabUtilities 其实没有一个特别权威的"官方唯一版本号"。Bruker 随仪器交付的资料里有时会附带，工程师也会分享；另一方面，GitHub 上也有多个用户维护的功能等价实现，名字可能略有差异，但核心功能都是读取 FCP/SPM 文件。我最初就是从同组师兄那里拷到的一个老版本目录，后来自己又找过新一点的分支，两边都有能用的地方。

这里要说明一个容易忽略的版本匹配问题：不同版本的工具箱对仪器型号和 .fcp 文件版本的兼容性并不相同。Dimension 系列测出来的文件在 BioScope 系列配套的工具箱版本里可能读不全，反之亦然。我的经验是，先用你要处理的实际文件做一次读入测试，确认能够拿到完整的 Segment 和 Channel 数据，再决定要不要换版本。别盲目追求最新版，兼容性才是硬道理。

2.2 安装配置步骤

工具箱本质上就是一堆 .m 文件和 .p 文件组成的目录，安装动作其实就是两件事：把目录放到 MATLAB 能访问的地方，以及把它加进搜索路径。建议先把工具箱目录放在纯英文、无空格、无特殊符号的路径下，比如：

D:\tools\NSMatlabUtilities

然后在 MATLAB 命令行执行：

% 添加工具箱及所有子目录到搜索路径 addpath(genpath('D:\tools\NSMatlabUtilities')); % 保存路径，避免下次启动 MATLAB 需要重新添加 savepath;

执行完之后，可以先用 which 确认关键函数能被找到，比如：

which readBrukerFCP

如果返回的是一段路径，说明工具箱已经在搜索路径里了。如果提示"未找到"，第一步先检查路径拼写，再看是否用了 genpath——因为 NSMatlabUtilities 的子目录很多，只 addpath 顶层目录的话，很多嵌套在子目录里的函数会加载不出来。

另外一个很多人忽视的问题：如果之前已经启动过 MATLAB，再手动把工具箱目录放进去，即使加了路径，MATLAB 的缓存里可能还是找不到新加的函数。这时候执行一次：

rehash toolboxcache

比较省事。我见过很多同事卡在这一步，函数明明在硬盘上，MATLAB 偏说找不到，其实就是缓存没刷新。

2.3 启动报错的处理

工具箱加好之后，第一件必做的事是用一个实际数据文件跑最小读入验证。以我之前用的某个分支版本为例，最小验证脚本大概长这样：

% 用一个实际的 .fcp 文件测试读入 fcppath = 'D:\AFMdata\Sample01_AFM_000.fcp'; data = NSMUreadFCP(fcppath); % 不同分支的函数名可能有差异

这里提一个非常实用的判断逻辑：如果报错信息出现在读取函数内部，比如提示某个字段不存在、某个索引越界，那多半是工具箱版本和文件格式不匹配；如果报错提示缺少 MATLAB 自带工具箱，比如 Statistics Toolbox，那直接用 license 确认你当前的 MATLAB 许可里有没有包含对应组件。实际处理中，因为我还要做后续的数据拟合和统计，标准 MATLAB 之外的 Statistics and Machine Learning Toolbox 几乎是必备的，万一算 R²、画直方图时发现没有这些函数，就要提前装好组件，别等到批量跑完才发现用不了。

还有一类经典报错和路径变量有关：Windows 下目录名带了中文，或者网络驱动器映射不稳定，导致 MATLAB 在 addpath 时静默失败。这类问题最诡异，表面看路径没错，实际上 MATLAB 根本没有写入搜索路径。所以我强烈建议，所有 AFM 数据文件、工具箱目录，统一放在本地英文路径下。

3. 力曲线文件的数据结构：把 FCP 拆开看

3.1 FCP 文件到底存了什么

要做批量处理，不把文件结构吃透，后面寸步难行。Bruker 的 .fcp 文件（Force Curve Process 文件）保存了一个力曲线实验里的几乎所有信息。从抽象层级上看，它大概可以这样理解：

• 一个文件包含若干组数据块，对应不同的扫描区域或测量序列；
• 每个数据块里有多个 Channel，比如 Deflection、Height、Peak Force Error 等；
• 每个 Channel 对应一个采样点位网格，每个网格点就是一条力曲线；
• 一条力曲线内一般包含 Approach（逼近）和 Retract（回撤）两大段，有些格式还会细分出更多的 Segment。

对于批量分析，最关心的是两个 Segment 里的原始信号，以及文件头里记录的实验参数。用 NSMatlabUtilities 读出来之后，这个结构会映射成一个 MATLAB 结构体。还是以我用的分支接口为例，读完之后你可以先用 disp 看看 data 结构：

disp(data)

你会看到里面大致有这些层次的字段：

data.Segments % 曲线分段信息 data.Channels % 通道数据 data.Parameters % 文件头参数 data.XYPositions % 每一条曲线对应的坐标位置

3.2 几个关键字段逐个说

在写处理逻辑之前，有几个字段必须能从结构体里准确提出来，它们是后续所有分析的基础。

Z 曲线数据：也就是压电陶瓷位移（Z sensor）信号，单位通常是纳米或微米。它描述的是探针在趋近和离开样品的过程中，探针基座在 Z 方向的移动量。这个向量和 Deflection 向量是一一对应的，长度必须相同。

Deflection 数据：光杠杆检测到的悬臂梁偏转信号，单位可能是伏特，也可能是已经换算过的纳米。取决于文件头和软件设置。这东西是后续计算力值的原始信号。

灵敏度（Deflection Sensitivity）：单位通常是 nm/V，作用是把偏转电压信号转换为悬臂梁真实的形变量。这几乎是定量力学分析里最容易被忽略、却影响最大的参数。如果一个文件里用的灵敏度是错的，算出来的所有力、所有模量都会系统性偏移。

弹簧弹性常数（Spring Constant）：悬臂梁的刚度，单位 N/m。热噪声法标定或者出厂标定得到。

XY 坐标：每条曲线在扫描区域里的位置。Force Volume 这种模式里，每一条曲线对应一个像素点；有了 XY 坐标，结果才能画成力学性质分布图。

还有一点要注意：不同 Bruker 数据文件里，灵敏度和弹簧常数可能存储在文件头不同的字段名称下，有些版本叫 DeflSensitivity，有些叫 DeflSens，也有的要嵌套进 Parameters 的二级结构里才能找到。我不建议靠猜，直接打开一个数据文件后，把所有字段名列出来对照一下：

fieldnames(data.Parameters)

用这种方式把字段名弄清楚，一次花五分钟，后面写批量脚本时省事一天。

3.3 读入后先画出一条曲线

批量处理之前，一定要画出一条曲线验证数据读对了。这一步能提前暴露 80% 的后续问题。如果连 curve 都画不对，后面所有批量统计都是空中楼阁。

画曲线的脚本思路是这样：

% 读取某个文件的第一个测量点 pointIdx = 1; zApproach = data.Segments(pointIdx).Approach.Z; deflApproach = data.Segments(pointIdx).Approach.Deflection; zRetract = data.Segments(pointIdx).Retract.Z; deflRetract = data.Segments(pointIdx).Retract.Deflection; % 画图检查 figure; plot(zApproach, deflApproach, 'b', 'LineWidth', 1.2); hold on; plot(zRetract, deflRetract, 'r', 'LineWidth', 1.2); xlabel('Z sensor (nm)'); ylabel('Deflection'); legend({'Approach', 'Retract'}, 'Location', 'best');

跑完这段，你会看到典型的力曲线形态：曲线在远离样品时是一条平坦的基线，接近样品后偏转信号开始偏移，离开时出现一个向下的尖峰（粘附力）。如果这条曲线形态正常，说明读取接口的数据组织方式和文件确实是匹配的，可以安心往下走。

我当初在这个阶段翻过一次车：某个文件的 Segment 里 Approavh 的字段名不是 Approach 而是 ApproachSegment，导致脚本直接报错。这种问题在单个文件上试错成本很低，一旦写进批量循环再发现，就得把整套任务重跑，浪费很多时间。

4. 批量处理的主框架：文件遍历、曲线清洗与汇总

4.1 一次处理一批文件：目录遍历与结果容器

环境验证通过之后，核心任务就是把单文件处理逻辑推广到整个目录。这一步的设计理念很简单：把一个文件里的所有力曲线处理完，再把多个文件拼接起来。

主循环框架大概长这样：

% 指定根目录 rootDir = 'D:\AFMdata\all_samples'; % 列出所有 .fcp 文件 fileList = dir(fullfile(rootDir, '*.fcp')); % 预分配结果表格容器 summaryTable = table(); % 遍历每个文件 for k = 1:length(fileList) fpath = fullfile(fileList(k).folder, fileList(k).name); fprintf('Processing %s ...\n', fileList(k).name); try oneFileResult = processOneFCP(fpath); catch ME warning('File %s failed: %s', fileList(k).name, ME.message); continue; end summaryTable = [summaryTable; oneFileResult]; %#ok<AGROW> end % 输出汇总表 writetable(summaryTable, fullfile(rootDir, 'summary_results.csv')); save(fullfile(rootDir, 'summary_results.mat'), 'summaryTable');

这里有两个细节值得特别说明。

第一，用 try-catch 包住单个文件的处理过程。批量处理里最常见的现象是：一百个文件顺利跑完，第一百零一个文件不知道什么原因读取失败，如果没有异常捕获，整个脚本直接中断，前面的功夫白费。加上 try-catch 之后，个别文件失败只是被警告跳过，脚本能继续往下跑。

第二，用 table 作为结果容器。MATLAB 的高版本对 table 支持很完善，追加行、导出 CSV、画图分组都非常方便。后续不管是做显著性检验还是画箱线图，table 都是比普通 struct 数组更顺手的数据结构。

4.2 单条曲线的数据清洗与筛选逻辑

这里说清洗，不是简单的"去掉噪声"，而是对每条曲线做一个完备的质量判定。否则一千条曲线里混着几十条探针污染导致的坏曲线，最后统计出来粘附力均值虚高，你还不知道数据什么时候开始偏的。

单条曲线的清洗流程建议包含这几步：

• 点数检查：检查 Z 和 Deflection 向量长度一致，且长度达到预设阈值。差几个点有时候不影响，但缺了半边曲线这种必须剔掉。
• 基线检查：取探针远离样品时的信号段（接触点前区域），计算均值和标准差。如果基线均值离零太远，说明这个点可能是在异常状态下采集的，标记出来，不要硬分析。
• 信号范围检查：查看 Deflection 的最大值和最小值是否在合理区间。如果出现异常巨大的偏转值，大概率是探针打到硬颗粒、样品突变或者探针损坏。
• 回撤段最小力检查：粘附力异常大的曲线要特别警惕，后面第 6 节会展开说。

把这些规则封装进一个独立函数里，返回结构和有效标志：

function valid = isCurveValid(z, defl, params) valid = true; if length(z) < params.minPoints || length(defl) < params.minPoints valid = false; return; end % 基线标准差检查 baseStd = std(defl(1:params.baselineIdx)); if baseStd > params.maxBaselineStd valid = false; return; end % ... 其他检查 end

重点在于：不要直接把坏曲线静默删除，而是给它们打上 invalid 标记，保留在结果表中。这样后面检查数据时你能看到到底有多少比例无效，以及无效曲线集中在哪些文件、哪些区域，这是判断仪器是否稳定的重要依据。

4.3 汇总表的结构与可视化

汇总表最终应该形成什么形态？我的经验是，每一行对应一条曲线，至少包含这些列：

导出之后，顺手把整体的分布直方图画出来：

validRows = summaryTable.IsValid == 1; figure; histogram(summaryTable.AdhesionForce(validRows), 50); xlabel('Adhesion Force (nN)'); ylabel('Count');

这一步非常建议在批量跑完后立刻执行。如果直方图出现明显的长尾、双峰，说明数据里有系统性因素没处理好，就得回头检查探针状态、环境温漂或者样品表面污染，而不是急着写论文。

5. 从力曲线到力学参数：换算细节与拟合策略

5.1 力值的换算逻辑：灵敏度、弹簧常数一个都不能错

AFM 力曲线测量里，光杠杆检测到的原始信号是悬臂梁的偏转电压，要换算成力，需要经过两步：

第一步：偏转电压 V 乘以灵敏度 s（nm/V），得到悬臂梁真实形变 d：

d = V * s

第二步：形变 d 乘以悬臂梁弹性常数 k（N/m），得到力 F：

F = k * d

举个例子，假设灵敏度 s = 40 nm/V，弹簧常数 k = 0.35 N/m，某一点测到的偏转电压是 0.05 V，那么形变量 d = 0.05 × 40 = 2 nm，力 F = 0.35 × 2 = 0.7 nN。

这里有一个非常关键但又特别容易在批处理里翻车的点：灵敏度和弹簧常数必须从当前文件自己的文件头里读，绝对不能顺着脚本里的全局变量偷懒写死。

在实际测试中，每一根探针的弹簧常数不同，每一次激光校准后的灵敏度也不同，甚至同一个文件里不同测量区域之间都可能存在差异。批量处理脚本里正确做法是：每读入一个文件，就从 Parameters 结构体里提取一次这两个值，再带入后续计算。

我见过某个团队的处理结果整体偏大 30%，最后发现是脚本里把一个样品文件的灵敏度套用到了所有样品上。这种错误在论文审稿阶段几乎不可能被发现，因为单个样品内部的结果自洽，只有跨样品对比时才会暴露异常。所以这部分务必花时间把字段名确认清楚，写死全局参数这种图省事的写法千万要不得。

5.2 接触点判定的批处理方案

手动处理时，接触点靠鼠标点，大致看起来差不多就行。批量处理时不行，必须用一个可重复的、可解释的算法。

最常用也足够稳的一种思路是基于基线噪声阈值：

1. 先把曲线靠近探头起点的一端取一段作为基线区，通常取前 10%~20% 的点；
2. 计算基线区的均值和标准差；
3. 从接触前区域开始向后扫描，当 Deflection 第一次超过基线均值加上 n 倍标准差时，认为探针已经接触样品表面，记下索引。

这个 n 一般取 3 到 5，太小容易把噪声误判成接触，太大又会导致接触点偏后，把真正的接触区域排除在拟合区间外。

写成代码大概是这样：

function cpIdx = detectContactPoint(z, defl, baselineRange, nStd) baseMean = mean(defl(baselineRange)); baseStd = std(defl(baselineRange)); threshold = baseMean + nStd * baseStd; cpIdx = find(defl > threshold, 1, 'first'); if isempty(cpIdx) cpIdx = NaN; end end

这个判定逻辑本身不复杂，但批次处理时你还会碰到一个麻烦：部分曲线接触点位置差异巨大，有的在第二个点就接触了，有的要到曲线中段才接触。如果统一用一个固定阈值，结果不会太理想。实际中我会做一个两步策略：先用上面的方法粗定位接触点，然后在接触点附近的一个小窗口内，找局部斜率变化最大的位置做精修。相当于先用纯统计粗筛，再用局部特征精调，兼顾了速度和鲁棒性。

5.3 用 Hertz 模型拟合模量：拟合区间比模型本身更影响结果

弹性模量的提取，用的最多的是 Hertz 接触力学模型。对于球形探针，接触力公式是：

F = (4/3) * E* * sqrt(R) * delta^(3/2)

其中 E* 是约化杨氏模量，R 是探针尖端半径，delta 是压入深度。约化模量和材料真实模量的关系取决于样品是否可压缩，惯例上会做简化处理，这里不展开推导，但你要知道这一点：最后算法输出的是 E*，论文里写的时候要清楚说明你报的是约化模量还是经过泊松比修正的数值。

真正在实操里影响最大的，不是公式本身，而是拟合区间的选择。接触点确定之后，你会取接触点之后一段压入深度范围内的数据点代入模型。问题来了：这段范围选多深？

如果选得太浅，比如只有几个纳米，表面粗糙度、吸附层的影响非常大，拟合结果噪声大；选得太深，样品可能已经被压到基底效应显著的深度，尤其对于薄膜样品，模量会偏高。实际处理中，软材料（水凝胶、生物组织）我通常取 50 到 100 nm 的压入深度区间，硬质涂层可能只取 10 到 20 nm。但这只是经验值，更严谨的做法是先做一组不同拟合深度下的模量-深度曲线，找到平台区再确定最终区间。

批量处理的脚本里要把拟合区间和探针半径 R 作为参数显式传进去，收进输出结果。比如：

fitOpts.tipRadius = 20; % nm fitOpts.fitDepthMax = 100; % nm fitOpts.poisson = 0.3;

拟合本身用 MATLAB 的 nlinfit 或者 lsqcurvefit 都能实现，Hertz 模型只有两个待定参数（E* 和可能的接触点补偿量），收敛非常快。

我实际测试过同一个文件用两种拟合深度跑：一种取触点后 30 nm，另一种取 150 nm，最后算出来的模量差了快两倍。这个事实说明，拟合区间对结果的影响远大于模型本身，批处理时固定一个合理区间是必须的，但同时也必须把这个参数和选择理由记录在方法部分。

5.4 粘附力的提取和基线漂移的关系

粘附力一般定义为回撤曲线上偏转信号的最小值对应的力。这个值反映探针和样品之间的粘附相互作用。

但是注意一个细节：计算粘附力时，基线不是接近段的基线，而应该是回撤段自己的基线。如果测量过程中存在缓慢的基线漂移，接近段末尾和回撤段末尾可能不水平。用接近段基线来计算粘附力，会在每个点上引入一个系统偏移。

处理办法是：对回撤段末尾的基线区域单独取均值，然后以它为参考零位，再找回撤段的最小值。这个细节虽然小，但在批量处理大量数据时影响非常大，因为单条曲线上零点差几个皮牛看着无所谓，叠加到几百条数据的均值上，可能直接把两组样品之间的真实差异淹没掉。

6. 翻车实录：批量分析时最容易忽略的三个问题

6.1 基线漂移的识别和处理

批量处理跑完之后，我做的是一个非常值得推荐的动作：把每条曲线的基线均值按采集顺序画出来。这一画，很多问题就藏不住了。

某次连续测试四个小时后，我用脚本检查接近段基线的分布，发现基线均值在缓慢地朝负方向漂移。原因大概率是长时间测量中激光器热漂移，导致光杠杆信号零点位置移动。这种情况下，如果脚本里用固定零点减去所有曲线，早期数据没问题，晚期数据的粘附力会系统性偏高。

我当时花了不少时间排查，最后在代码里对每一段曲线单独做动态基线校正：接近段取曲线上远离接触点区域的均值作为该条曲线的零点；回撤段另外再取一段基线区。代码上看就是每个点都多算了一次均值减法，但结果稳定性提升非常明显。

如果你跑批量的场景是长时间连续扫描，强烈建议在数据处理流程里加入这个动态基线校正步骤，不要在循环外先统一定义零点。

6.2 探针污染产生的"假粘附"

批量处理里最坑的不是程序跑崩，而是程序跑完了，结果自己却不可信。探针污染就是这样一种隐蔽问题。

有一次处理一批高分子样品，统计完粘附力之后发现某个文件的粘附力均值比其他文件高出一大截。我一开始以为是成分差异，后来把那个文件的几条曲线单独画出来才发现，回撤段出现了一个很长的拖尾，不是正常的尖锐粘附峰，而是接近线性下降后缓慢恢复——这是典型的探针尖端沾了东西。

探针污染产生的曲线在形态上和正常曲线差异很大，但肉眼在屏幕上不容易发现，因为一旦文件里有几百条曲线，你根本不会逐条去看。脚本化处理反而在这里有优势：我可以给粘附力加一个统计阈值，某条曲线的粘附力绝对值超过全文件 P99 时就打上可疑标记；同时拟合 R² 低于 0.85 的曲线也一并标记。这样批量处理完，先看可疑曲线数量，超过 10% 就要重视，单独导出这些曲线的图人工复核。

这类问题靠算法全自动解决并不现实，做一套"自动标记+人工复核"的流程，比追求全自动更务实。

6.3 文件命名、中文路径和跨平台导出问题

这节内容技术含量不高，但实际遇到的概率极高，值得写出来提醒一下。

AFM 设备软件默认生成的文件名里经常包含空格、日期、甚至中文描述信息。MATLAB 的 dir 函数读取这些文件没问题，但如果你后续要把处理结果用 writetable 导出成 CSV 再交给 Origin 或 Python 做统计，文件名里的特殊字符经常会引发各种编码问题。

我的习惯是：在数据拷出设备之后就做一次统一的文件整理脚本，把所有 .fcp 文件复制到纯英文路径下，并按固定格式重命名，例如 Sample01_S1.fcp、Sample01_S2.fcp，对应样品编号和测量区域。这个习惯帮我省了很多麻烦，不只是脚本，连备份管理都清爽很多。

另一个导出时的小坑是分隔符。MATLAB 的 writetable 在 Windows 中文系统下默认分隔符可能是分号而不是逗号，导致生成的 CSV 文件用 Excel 打开时列错位。处理办法是显式指定分隔符：

writetable(summaryTable, 'summary.csv', 'Delimiter', ',');

这个问题看着很小，但几乎每个刚接触批量处理的人都碰到过，早写进代码里早省事。

最后再分享一点我个人的操作习惯。整套批量脚本跑通之后，不要立刻把所有数据都处理完就收工。先挑一个数据质量最好、文件规模适中的样品，用脚本处理一遍，再把这个样品的结果和以前手动处理过的结果对比，确认数值量级和统计分布一致，再正式对所有文件跑全量。这样做一次，相当于给脚本做了一次校准，后面出问题的概率会小很多。

另外，批处理脚本里的关键参数，比如拟合区间、接触点阈值、基线范围，我会在一次完整处理后保存成一个参数文件，连同结果表一起备份。这样做的好处是，如果以后论文返修要求改拟合深度，你不需要重新摸索参数，修改一个数就能重新跑出全部结果。AFM 力曲线分析这种重复性极高的工作，一旦把流程脚本化，节省的不仅是时间，更是无数次的重复劳动和随之而来的低级错误。