scipy.signal.

find_peaks_cwt#

scipy.signal.find_peaks_cwt(vector, widths, wavelet=None, max_distances=None, gap_thresh=None, min_length=None, min_snr=1, noise_perc=10, window_size=None)[源代码]#

使用小波变换在一维数组中查找峰值。

一般方法是用 wavelet(width) 与 vector 进行卷积，对 vector 进行平滑处理，其中宽度为 widths 中的每个宽度。出现在足够长度尺度上且具有足够高信噪比的相对最大值会被接受。

参数:

vectorndarray: 要查找峰值的一维数组。
widthsfloat 或 sequence: 用于计算 CWT 矩阵的单个宽度或类似一维数组的宽度。通常，此范围应涵盖感兴趣的峰值的预期宽度。
waveletcallable, optional: 应该接受两个参数并返回一个一维数组，与 vector 进行卷积。第一个参数确定返回的小波数组的点数，第二个参数是小波的尺度（width）。应进行归一化和对称化。默认值为 ricker 小波。
max_distancesndarray, optional: 在每一行，只有当 row[n] 处的相对最大值与 row[n+1] 处的相对最大值之间的距离在 max_distances[n] 内时，才会连接脊线。默认值为 widths/4。
gap_threshfloat, optional: 如果在 max_distances 内没有找到相对最大值，则会出现间隙。如果超过 gap_thresh 个点没有连接新的相对最大值，则脊线会中断。默认值是宽度数组的第一个值，即 widths[0]。
min_lengthint, optional: 可接受的脊线的最小长度。默认值为 cwt.shape[0] / 4，即宽度数量的 1/4。
min_snrfloat, optional: 最小信噪比。默认值为 1。信号是最大脊线上的最大 CWT 系数。噪声是包含在同一脊线内的数据点的 noise_perc 百分位数。
noise_percfloat, optional: 在计算噪声基底时，要考虑为噪声的数据点百分位数。使用 stats.scoreatpercentile 计算。默认值为 10。
window_sizeint, optional: 用于计算噪声基底的窗口大小。默认值为 cwt.shape[1] / 20。

返回:

peaks_indicesndarray: 在 vector 中找到峰值的位置的索引。列表已排序。

另请参阅

find_peaks: 根据峰值属性查找信号内的峰值。

注释

此方法旨在在噪声数据中查找尖锐的峰值，但通过正确的参数选择，它应该可以很好地用于不同的峰值形状。

算法如下

对 vector 执行连续小波变换，对于提供的 widths。这是 vector 与 widths 中每个宽度的 wavelet(width) 的卷积。请参阅 cwt。
识别 cwt 矩阵中的“脊线”。这些是每一行处的相对最大值，连接在相邻行之间。请参阅 identify_ridge_lines
使用 filter_ridge_lines 过滤 ridge_lines。

在 0.11.0 版本中添加。

参考文献

[1]

生物信息学 (2006) 22 (17): 2059-2065. DOI:10.1093/bioinformatics/btl355

示例

>>> import numpy as np
>>> from scipy import signal
>>> xs = np.arange(0, np.pi, 0.05)
>>> data = np.sin(xs)
>>> peakind = signal.find_peaks_cwt(data, np.arange(1,10))
>>> peakind, xs[peakind], data[peakind]
([32], array([ 1.6]), array([ 0.9995736]))