Ctrl+K
scipy.signal.

find_peaks#

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

根据峰值属性查找信号内的峰值。

此函数接受一个一维数组，并通过简单比较相邻值来查找所有局部最大值。 可选地，可以通过指定峰值属性的条件来选择这些峰值的子集。

参数:
x序列

带有峰值的信号。

height数字或 ndarray 或序列，可选

峰值的所需高度。可以是数字、None、与 x 匹配的数组或前者的双元素序列。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

峰值的所需阈值，即与其相邻样本的垂直距离。可以是数字、None、与 x 匹配的数组或前者的双元素序列。第一个元素始终被解释为最小阈值，第二个元素（如果提供）被解释为最大所需阈值。

distance数字，可选

相邻峰值之间所需的最小水平距离（>= 1，以样本为单位）。首先删除较小的峰值，直到所有剩余的峰值都满足条件。

prominence数字或 ndarray 或序列，可选

峰值的所需突出度。可以是数字、None、与 x 匹配的数组或前者的双元素序列。第一个元素始终被解释为最小突出度，第二个元素（如果提供）被解释为最大所需突出度。

width数字或 ndarray 或序列，可选

峰值的所需宽度，以样本为单位。可以是数字、None、与 x 匹配的数组或前者的双元素序列。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

用于计算峰值的突出度，因此只有在给出了 prominence 或 width 参数之一时才会使用。 有关其影响的完整描述，请参见 peak_prominences 中的 wlen 参数。

rel_height浮点数，可选

用于计算峰值的宽度，因此只有在给出了 width 时才会使用。 有关其影响的完整描述，请参见 peak_widths 中的 rel_height 参数。

plateau_size数字或 ndarray 或序列，可选

峰值的平坦顶部的所需大小，以样本为单位。可以是数字、None、与 x 匹配的数组或前者的双元素序列。第一个元素始终被解释为最小平顶大小，第二个元素（如果提供）被解释为最大所需平顶大小。

1.2.0 版本新增。

返回:
peaksndarray

满足所有给定条件的 x 中峰值的索引。

properties字典

一个字典，其中包含返回的峰值的属性，这些属性是在评估指定条件期间作为中间结果计算的。

  • ‘peak_heights’

    如果给出了 height，则为 x 中每个峰值的高度。

  • ‘left_thresholds’, ‘right_thresholds’

    如果给出了 threshold，则这些键包含峰值与其相邻样本的垂直距离。

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

    如果给出了 prominence，则可以访问这些键。 有关其内容的描述，请参见 peak_prominences。

  • ‘widths’, ‘width_heights’, ‘left_ips’, ‘right_ips’

    如果给出了 width，则可以访问这些键。 有关其内容的描述，请参见 peak_widths。

  • ‘plateau_sizes’, ‘left_edges’, ‘right_edges’

    如果给出了 plateau_size，则可以访问这些键，其中包含峰值边缘的索引（边缘仍然是平顶的一部分）和计算出的平顶大小。

    1.2.0 版本新增。

要计算并返回属性而不排除峰值，请为相应的参数提供开区间 (None, None)（不包括 distance）。

警告:
PeakPropertyWarning

如果峰值的属性具有意外的值，则引发（请参见 peak_prominences 和 peak_widths）。

警告

此函数可能会返回包含 NaN 的数据的意外结果。为避免这种情况，应删除或替换 NaN。

参见

find_peaks_cwt

使用小波变换查找峰值。

peak_prominences

直接计算峰值的突出度。

peak_widths

直接计算峰值的宽度。

备注

在此函数的上下文中，峰值或局部最大值定义为任何两个直接邻居的幅度较小的样本。 对于平坦的峰值（多个幅度相等的样本宽度），返回中间样本的索引（如果样本数是偶数，则向下舍入）。对于噪声信号，峰值位置可能会偏差，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对信号进行平滑处理，或使用其他峰值查找和拟合方法（例如 find_peaks_cwt）。

关于指定条件的一些其他说明

  • 几乎所有条件（不包括 distance）都可以作为半开或闭区间给出，例如，1 或 (1, None) 定义半开区间 \([1, \infty]\)，而 (None, 1) 定义区间 \([-\infty, 1]\)。也可以指定开区间 (None, None)，这将返回匹配的属性，而不排除峰值。

  • 边界始终包含在用于选择有效峰值的区间中。

  • 对于多个条件，可以使用与 x 形状匹配的数组来指定区间边界，从而实现基于样本位置的动态约束。

  • 条件按照以下顺序评估：plateau_size、height、threshold、distance、prominence、width。在大多数情况下，这个顺序是最快的，因为会先应用较快的操作，以减少后续需要评估的峰值数量。

  • 虽然 peaks 中的索引保证至少相隔 distance 个样本，但平坦峰值的边缘可能比允许的 distance 更接近。

  • 如果 x 很大或有许多局部最大值，则可以使用 wlen 来减少评估 prominence 或 width 条件所花费的时间（请参阅 peak_prominences）。

在 1.1.0 版本中新增。

示例

为了演示此函数的使用，我们使用 SciPy 提供的信号 x (请参阅 scipy.datasets.electrocardiogram)。让我们找到 x 中所有幅度高于 0 的峰值（局部最大值）。

>>> 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()
../../_images/scipy-signal-find_peaks-1_00_00.png

我们可以使用 height=(None, 0) 选择低于 0 的峰值，或者使用大小与 x 匹配的数组来反映信号不同部分的动态条件。

>>> 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()
../../_images/scipy-signal-find_peaks-1_01_00.png

对于周期性信号，可以使用 distance 参数给出另一个有用的条件。在这种情况下，我们可以通过要求至少间隔 150 个样本的距离，轻松地选择心电图（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()
../../_images/scipy-signal-find_peaks-1_02_00.png

特别是对于噪声信号，峰值可以很容易地根据其突出程度进行分组（请参阅 peak_prominences）。例如，我们可以通过将允许的突出程度限制为 0.6 来选择除上述 QRS 波群之外的所有峰值。

>>> 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()
../../_images/scipy-signal-find_peaks-1_03_00.png

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波形。为了仅选择非典型心跳，我们结合了两个条件：最小突出程度为 1 且宽度至少为 20 个样本。

>>> 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()
../../_images/scipy-signal-find_peaks-1_04_00.png
本页内容