Python SciPy signal.spectrogram用法及代码示例

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

用法:

scipy.signal.spectrogram(x, fs=1.0, window=('tukey', 0.25), nperseg=None, noverlap=None, nfft=None, detrend='constant', return_onesided=True, scaling='density', axis=-1, mode='psd')#

计算具有连续傅里叶变换的频谱图。

频谱图可用作可视化非平稳信号频率内容随时间变化的一种方式。

遗产

此函数被视为遗留函数，将不再接收更新。这也可能意味着它将在未来的 SciPy 版本中被删除。 ShortTimeFFT 是较新的 STFT /ISTFT 实现，具有更多函数，还包括 spectrogram 方法。实现之间的比较可以在 SciPy 用户指南的 Short-Time 傅里叶变换部分找到。

参数 ：：

x： array_like

测量值的时间序列

fs： 浮点数，可选

x 时间序列的采样频率。默认为 1.0。

window： str 或 tuple 或 数组，可选

想要使用的窗口。如果窗户是一个字符串或元组，它被传递给scipy.signal.get_window生成窗口值，默认为DFT-even。看scipy.signal.get_window获取窗口列表和所需参数。如果窗户是数组，它将直接用作窗口，其长度必须为nperseg。默认为形状参数为 0.25 的 Tukey 窗口。

nperseg： 整数，可选

每个段的长度。默认为 None，但如果 window 是 str 或 tuple，则设置为 256，如果 window 是 数组，则设置为窗口的长度。

noverlap： 整数，可选

段之间重叠的点数。如果None,noverlap = nperseg // 8.默认为None.

nfft： 整数，可选

如果需要零填充 FFT，则使用的 FFT 的长度。如果没有，FFT 长度为 nperseg。默认为无。

detrend： str 或函数 或False， 可选的

指定如何去除每个段的趋势。如果scipy.signal.detrend是一个字符串，它作为类型参数scipy.signal.detrend函数。如果它是一个函数，它接受一个段并返回一个去趋势的段。如果scipy.signal.detrend是False，没有去趋势。默认为‘constant’。

return_onesided： 布尔型，可选

如果为 True，则返回真实数据的单侧频谱。如果为 False，则返回两侧频谱。默认为 True，但对于复杂数据，始终返回两侧频谱。

scaling： { ‘density’, ‘spectrum’ }，可选

在计算 Sxx 的单位为 V**2/Hz 的功率谱密度 (‘density’) 和计算 Sxx 的单位为 V**2 的功率谱 (‘spectrum’) 之间进行选择，如果 x 以 V 为单位测量并且fs 以赫兹为单位。默认为‘density’。

axis： 整数，可选

计算频谱图的轴；默认值在最后一个轴上(即 axis=-1 )。

mode： str，可选

定义期望的返回值类型。选项是[‘psd’, ‘complex’, ‘magnitude’, ‘angle’, ‘phase’]。 ‘complex’ 相当于 stft 的输出，没有填充或边界扩展。 ‘magnitude’ 返回 STFT 的绝对幅度。 ‘angle’ 和 ‘phase’ 分别返回 STFT 的复角(展开和不展开)。

返回 ：：

f： ndarray

采样频率数组。

t： ndarray

分段时间数组。

Sxx： ndarray

x 的频谱图。默认情况下，Sxx 的最后一个轴对应分段时间。

注意：

适当的重叠量取决于窗口的选择和您的要求。与 welch 的方法(其中整个数据流被平均)相比，人们可能希望在计算频谱图时使用较小的重叠(或者可能根本没有重叠)，以保持各个片段之间的一些统计独立性。正是由于这个原因，默认窗口是一个 Tukey 窗口，每端有 1/8 的窗口长度重叠。

参考：

[1]

Oppenheim、Alan V.、Ronald W. Schafer、John R. Buck “Discrete-Time 信号处理”，Prentice Hall，1999 年。

例子：

>>> import numpy as np
>>> from scipy import signal
>>> from scipy.fft import fftshift
>>> import matplotlib.pyplot as plt
>>> rng = np.random.default_rng()

生成一个测试信号，一个 2 Vrms 正弦波，其频率在 3kHz 左右缓慢调制，被以 10kHz 采样的呈 index 下降幅度的白噪声破坏。

>>> fs = 10e3
>>> N = 1e5
>>> amp = 2 * np.sqrt(2)
>>> noise_power = 0.01 * fs / 2
>>> time = np.arange(N) / float(fs)
>>> mod = 500*np.cos(2*np.pi*0.25*time)
>>> carrier = amp * np.sin(2*np.pi*3e3*time + mod)
>>> noise = rng.normal(scale=np.sqrt(noise_power), size=time.shape)
>>> noise *= np.exp(-time/5)
>>> x = carrier + noise

计算并绘制频谱图。

>>> f, t, Sxx = signal.spectrogram(x, fs)
>>> plt.pcolormesh(t, f, Sxx, shading='gouraud')
>>> plt.ylabel('Frequency [Hz]')
>>> plt.xlabel('Time [sec]')
>>> plt.show()

请注意，如果使用不是单侧的输出，则使用以下内容：

>>> f, t, Sxx = signal.spectrogram(x, fs, return_onesided=False)
>>> plt.pcolormesh(t, fftshift(f), fftshift(Sxx, axes=0), shading='gouraud')
>>> plt.ylabel('Frequency [Hz]')
>>> plt.xlabel('Time [sec]')
>>> plt.show()