Python SciPy signal.spectrogram用法及代碼示例

本文簡要介紹 python 語言中 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')#

計算具有連續傅裏葉變換的頻譜圖。

頻譜圖可用作可視化非平穩信號頻率內容隨時間變化的一種方式。

遺產

此函數被視為遺留函數，將不再接收更新。這也可能意味著它將在未來的 SciPy 版本中被刪除。 ShortTimeFFT 是較新的 STFT /ISTFT 實現，具有更多函數，還包括 spectrogram 方法。實現之間的比較可以在 SciPy 用戶指南的 Short-Time 傅裏葉變換部分找到。

參數 ：：

x： array_like

測量值的時間序列

fs： 浮點數，可選

x 時間序列的采樣頻率。默認為 1.0。

window： str 或 tuple 或 數組，可選

想要使用的窗口。如果窗戶是一個字符串或元組，它被傳遞給scipy.signal.get_window生成窗口值，默認為DFT-even。看scipy.signal.get_window獲取窗口列表和所需參數。如果窗戶是數組，它將直接用作窗口，其長度必須為nperseg。默認為形狀參數為 0.25 的 Tukey 窗口。

nperseg： 整數，可選

每個段的長度。默認為 None，但如果 window 是 str 或 tuple，則設置為 256，如果 window 是 數組，則設置為窗口的長度。

noverlap： 整數，可選

段之間重疊的點數。如果None,noverlap = nperseg // 8.默認為None.

nfft： 整數，可選

如果需要零填充 FFT，則使用的 FFT 的長度。如果沒有，FFT 長度為 nperseg。默認為無。

detrend： str 或函數 或False， 可選的

指定如何去除每個段的趨勢。如果scipy.signal.detrend是一個字符串，它作為類型參數scipy.signal.detrend函數。如果它是一個函數，它接受一個段並返回一個去趨勢的段。如果scipy.signal.detrend是False，沒有去趨勢。默認為‘constant’。

return_onesided： 布爾型，可選

如果為 True，則返回真實數據的單側頻譜。如果為 False，則返回兩側頻譜。默認為 True，但對於複雜數據，始終返回兩側頻譜。

scaling： { ‘density’, ‘spectrum’ }，可選

在計算 Sxx 的單位為 V**2/Hz 的功率譜密度 (‘density’) 和計算 Sxx 的單位為 V**2 的功率譜 (‘spectrum’) 之間進行選擇，如果 x 以 V 為單位測量並且fs 以赫茲為單位。默認為‘density’。

axis： 整數，可選

計算頻譜圖的軸；默認值在最後一個軸上(即 axis=-1 )。

mode： str，可選

定義期望的返回值類型。選項是[‘psd’, ‘complex’, ‘magnitude’, ‘angle’, ‘phase’]。 ‘complex’ 相當於 stft 的輸出，沒有填充或邊界擴展。 ‘magnitude’ 返回 STFT 的絕對幅度。 ‘angle’ 和 ‘phase’ 分別返回 STFT 的複角(展開和不展開)。

返回 ：：

f： ndarray

采樣頻率數組。

t： ndarray

分段時間數組。

Sxx： ndarray

x 的頻譜圖。默認情況下，Sxx 的最後一個軸對應分段時間。

注意：

適當的重疊量取決於窗口的選擇和您的要求。與 welch 的方法(其中整個數據流被平均)相比，人們可能希望在計算頻譜圖時使用較小的重疊(或者可能根本沒有重疊)，以保持各個片段之間的一些統計獨立性。正是由於這個原因，默認窗口是一個 Tukey 窗口，每端有 1/8 的窗口長度重疊。

參考：

[1]

Oppenheim、Alan V.、Ronald W. Schafer、John R. Buck “Discrete-Time 信號處理”，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()

生成一個測試信號，一個 2 Vrms 正弦波，其頻率在 3kHz 左右緩慢調製，被以 10kHz 采樣的呈 index 下降幅度的白噪聲破壞。

>>> 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

計算並繪製頻譜圖。

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

請注意，如果使用不是單側的輸出，則使用以下內容：

>>> 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()