Python SciPy signal.find_peaks用法及代码示例

本文简要介绍 python 语言中 scipy.signal.find_peaks 的用法。

用法:

scipy.signal.find_peaks(x, height=None, threshold=None, distance=None, prominence=None, width=None, wlen=None, rel_height=0.5, plateau_size=None)#

根据峰值属性查找信号内部的峰值。

此函数采用一维数组并通过简单比较相邻值来找到所有局部最大值。或者，可以通过指定峰属性的条件来选择这些峰的子集。

参数 ：：

x： 序列

带有峰值的信号。

height： 数字或ndarray或序列，可选

所需的峰高。无论是数字，None, 一个数组匹配x或前者的 2 元素序列。第一个元素始终被解释为最小高度，第二个元素(如果提供)被解释为最大所需高度。

threshold： 数字或ndarray或序列，可选

所需的峰值阈值，与其相邻样本的垂直距离。无论是数字，None, 一个数组匹配x或前者的 2 元素序列。第一个元素始终被解释为最小值，第二个元素(如果提供)被解释为所需的最大阈值。

distance： 编号，可选

相邻峰之间的样本中所需的最小水平距离 (>= 1)。首先移除较小的峰，直到满足所有剩余峰的条件。

prominence： 数字或ndarray或序列，可选

所需的峰突出。无论是数字，None, 一个数组匹配x或前者的 2 元素序列。第一个元素总是被解释为最小的，第二个(如果提供的话)被解释为最大的所需突出。

width： 数字或ndarray或序列，可选

样品中所需的峰宽。无论是数字，None, 一个数组匹配x或前者的 2 元素序列。第一个元素始终被解释为最小宽度，第二个元素(如果提供)被解释为最大所需宽度。

wlen： 整数，可选

用于计算峰值突出，因此仅在参数之一时使用突出或者宽度给出。见参数威伦在scipy.signal.peak_prominences了解其效果的完整说明。

rel_height： 浮点数，可选

用于计算峰宽，因此仅在以下情况下使用宽度给出。见参数rel_height在scipy.signal.peak_widths了解其效果的完整说明。

plateau_size： 数字或ndarray或序列，可选

样品中峰的平顶大小。无论是数字，None, 一个数组匹配x或前者的 2 元素序列。第一个元素总是被解释为最小的，而第二个元素，如果提供为最大所需的平台大小。

返回 ：：

peaks： ndarray

x 中满足所有给定条件的峰的索引。

properties： dict

包含在评估指定条件期间作为中间结果计算的返回峰的属性的字典：

• ‘peak_heights’

  如果给定高度，则为 x 中每个峰的高度。

• ‘left_thresholds’, ‘right_thresholds’

  如果给定阈值，则这些键包含与其相邻样本的峰值垂直距离。

• ‘prominences’, ‘right_bases’、‘left_bases’

  如果突出给出，这些键是可访问的。看scipy.signal.peak_prominences了解其内容的说明。

• ‘width_heights’, ‘left_ips’、‘right_ips’

  如果宽度给出，这些键是可访问的。看scipy.signal.peak_widths了解其内容的说明。

• ‘plateau_sizes’、left_edges'、‘right_edges’

  如果给出plateau_size，则这些键是可访问的，并且包含峰值边的索引(边仍然是高原的一部分)和计算的高原大小。

要在不排除峰值的情况下计算和返回属性，请提供开区间(None, None)作为适当参数的值(不包括距离)。

警告 ：：

PeakPropertyWarning

如果峰的属性具有意外值，则引发(请参阅 peak_prominences 和 peak_widths )。

警告

对于包含 NaN 的数据，此函数可能会返回意外结果。为了避免这种情况，应该删除或替换NaNs。

注意：

在此函数的上下文中，峰值或局部最大值被定义为两个直接邻居具有较小幅度的任何样本。对于平坦的峰值(多于一个等幅宽的样本)，返回中间样本的索引(如果样本数为偶数，则向下舍入)。对于噪声信号，峰值位置可能会关闭，因为噪声可能会改变局部最大值的位置。在这些情况下，请考虑在搜索峰值之前平滑信号或使用其他峰值查找和拟合方法(如 find_peaks_cwt )。

关于指定条件的一些附加评论：

• 几乎所有条件(不包括距离) 可以作为半开或闭区间给出，例如，1或者(1, None)定义半开区间\([1, \infty]\)尽管(None, 1)定义区间\([-\infty, 1]\).开区间(None, None)也可以指定，它返回匹配属性而不排除峰值。

• 边界始终包含在用于选择有效峰的区间中。

• 对于几个条件，可以使用与 x 形状匹配的数组来指定区间边界，这可以根据样本位置进行动态约束。

• 按以下顺序评估条件：plateau_size、高度、阈值、距离、突出度、宽度。在大多数情况下，此顺序是最快的顺序，因为首先应用更快的操作以减少稍后需要评估的峰值数量。

• 虽然峰值中的索引保证至少相距样本距离，但平坦峰值的边可能比允许的距离更近。

• 采用威伦减少评估条件所需的时间突出或者宽度如果x很大或有很多局部最大值(见scipy.signal.peak_prominences)。

例子：

为了演示这个函数的用法，我们使用一个信号x随 SciPy 提供(见scipy.datasets.electrocardiogram)。让我们找到所有的峰值(局部最大值)x其幅度大于 0。

>>> import numpy as np
>>> import matplotlib.pyplot as plt
>>> from scipy.datasets import electrocardiogram
>>> from scipy.signal import find_peaks
>>> x = electrocardiogram()[2000:4000]
>>> peaks, _ = find_peaks(x, height=0)
>>> plt.plot(x)
>>> plt.plot(peaks, x[peaks], "x")
>>> plt.plot(np.zeros_like(x), "--", color="gray")
>>> plt.show()

我们可以选择低于 0 的峰值height=(None, 0)或使用数组匹配x大小以反映信号不同部分的变化情况。

>>> border = np.sin(np.linspace(0, 3 * np.pi, x.size))
>>> peaks, _ = find_peaks(x, height=(-border, border))
>>> plt.plot(x)
>>> plt.plot(-border, "--", color="gray")
>>> plt.plot(border, ":", color="gray")
>>> plt.plot(peaks, x[peaks], "x")
>>> plt.show()

可以使用距离参数给出周期信号的另一个有用条件。在这种情况下，我们可以通过要求至少 150 个样本的距离轻松选择心电图 (ECG) 中 QRS 波群的位置。

>>> peaks, _ = find_peaks(x, distance=150)
>>> np.diff(peaks)
array([186, 180, 177, 171, 177, 169, 167, 164, 158, 162, 172])
>>> plt.plot(x)
>>> plt.plot(peaks, x[peaks], "x")
>>> plt.show()

特别是对于噪声信号，峰值可以很容易地按其突出程度进行分组(参见 peak_prominences )。例如，我们可以通过将允许的突出度限制为 0.6 来选择除上述 QRS 复合波之外的所有峰。

>>> peaks, properties = find_peaks(x, prominence=(None, 0.6))
>>> properties["prominences"].max()
0.5049999999999999
>>> plt.plot(x)
>>> plt.plot(peaks, x[peaks], "x")
>>> plt.show()

最后，让我们检查心电图的不同部分，其中包含不同形状的搏动形式。为了仅选择非典型心跳，我们结合了两个条件：最小突出 1 和至少 20 个样本的宽度。

>>> x = electrocardiogram()[17000:18000]
>>> peaks, properties = find_peaks(x, prominence=1, width=20)
>>> properties["prominences"], properties["widths"]
(array([1.495, 2.3  ]), array([36.93773946, 39.32723577]))
>>> plt.plot(x)
>>> plt.plot(peaks, x[peaks], "x")
>>> plt.vlines(x=peaks, ymin=x[peaks] - properties["prominences"],
...            ymax = x[peaks], color = "C1")
>>> plt.hlines(y=properties["width_heights"], xmin=properties["left_ips"],
...            xmax=properties["right_ips"], color = "C1")
>>> plt.show()