Python SciPy signal.peak_prominences用法及代码示例

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

用法:

scipy.signal.peak_prominences(x, peaks, wlen=None)#

计算信号中每个峰值的突出度。

峰的突出度衡量峰与信号周围基线的突出程度，并定义为峰与其最低轮廓线之间的垂直距离。

参数 ：：

x： 序列

带有峰值的信号。

peaks： 序列

x 中的峰值索引。

wlen： 整数，可选

样本中的窗口长度，可选择将每个峰的评估区域限制为 x 的子集。峰值始终位于窗口的中间，因此给定长度向上舍入到下一个奇数。该参数可以加快计算速度(见注释)。

返回 ：：

prominences： ndarray

峰中每个峰的计算突出。

left_bases, right_bases： ndarray

峰的基数作为每个峰左侧和右侧的 x 中的索引。每对的较高基数是峰的最低等高线。

抛出 ：：

ValueError

如果 peaks 中的值是 x 的无效索引。

警告 ：：

PeakPropertyWarning

对于不指向 x 中有效局部最大值的峰值索引，返回的突出度将为 0，并引发此警告。如果 wlen 小于峰的平台大小，也会发生这种情况。

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：

计算峰值突出度的策略：

1. 从当前峰值向左和向右延伸一条水平线，直到该线到达窗口边界(参见 wlen)或在更高峰值的斜率处再次与信号相交。具有相同高度的峰的交点将被忽略。

2. 在每一边找到上面定义的区间内的最小信号值。这些点是峰的基础。

3. 两个碱基中较高的一个标记了峰的最低轮廓线。然后可以将突出度计算为峰高本身与其最低轮廓线之间的垂直差。

对于具有周期性行为的大 x，搜索峰值的基数可能会很慢，因为需要为第一个算法步骤评估大块甚至整个信号。该评估区域可以通过参数 wlen 进行限制，该参数将算法限制在当前峰值周围的窗口，并且如果窗口长度相对于 x 较短，则可以缩短计算时间。但是，如果峰的真实碱基在此窗口之外，这可能会阻止算法找到真实的全局轮廓线。相反，在受限窗口内发现了更高的等高线，导致计算出的突出度更小。实际上，这仅与 x 中的最高峰值集相关。这种行为甚至可以被有意用于计算“local” 突出。

参考：

[1]

维基百科关于地形突出的文章：https://en.wikipedia.org/wiki/Topographic_prominence

例子：

>>> import numpy as np
>>> from scipy.signal import find_peaks, peak_prominences
>>> import matplotlib.pyplot as plt

创建具有两个重叠谐波的测试信号

>>> x = np.linspace(0, 6 * np.pi, 1000)
>>> x = np.sin(x) + 0.6 * np.sin(2.6 * x)

查找所有峰并计算突出度

>>> peaks, _ = find_peaks(x)
>>> prominences = peak_prominences(x, peaks)[0]
>>> prominences
array([1.24159486, 0.47840168, 0.28470524, 3.10716793, 0.284603  ,
       0.47822491, 2.48340261, 0.47822491])

计算每个峰的轮廓线的高度并绘制结果

>>> contour_heights = x[peaks] - prominences
>>> plt.plot(x)
>>> plt.plot(peaks, x[peaks], "x")
>>> plt.vlines(x=peaks, ymin=contour_heights, ymax=x[peaks])
>>> plt.show()

让我们评估第二个示例，该示例演示索引 5 处的一个峰值的几种边情况。

>>> x = np.array([0, 1, 0, 3, 1, 3, 0, 4, 0])
>>> peaks = np.array([5])
>>> plt.plot(x)
>>> plt.plot(peaks, x[peaks], "x")
>>> plt.show()

>>> peak_prominences(x, peaks)  # -> (prominences, left_bases, right_bases)
(array([3.]), array([2]), array([6]))

请注意，在搜索左基时，相同高度的索引 3 处的峰值如何不被视为边界。相反，在 0 和 2 处找到两个最小值，在这种情况下，总是选择更接近评估峰值的那个。然而，在右侧，碱基必须放置在 6 处，因为较高的峰代表评估区域的右边界。

>>> peak_prominences(x, peaks, wlen=3.1)
(array([2.]), array([4]), array([6]))

在这里，我们将算法限制在从 3 到 7 的窗口(长度为 5 个样本，因为 wlen 被四舍五入到下一个奇数整数)。因此，评估区域中仅有的两个候选是两个相邻样本，并且计算出较小的突出度。