Python / SciPyのピーク検出アルゴリズム

scipy.signal.find_peaksその名前が示すように、関数はこれに役立ちます。しかし、それはよくそのパラメータを理解することが重要だwidth、threshold、distance そして何よりもprominence良好なピーク抽出を取得します。

私のテストとドキュメントによると、卓越性の概念は、良好なピークを維持し、ノイズの多いピークを破棄するための「有用な概念」です。

（地形）突出とは何ですか？それは、「任意の高い地形に頂上から取得するために下降するために必要な最小の高さ」、それはここで見られるように、：

アイデアは：

顕著性が高いほど、ピークは「重要」になります。

テスト：

周波数が変化する正弦波を意図的に使用しました。これは、多くの困難を示すためです。width最小値をwidth高く設定しすぎると、高周波数部分の非常に近いピークを追跡できなくなるため、このパラメーターはあまり役に立たないことがわかります。width低く設定しすぎると、信号の左側に多くの不要なピークが生じます。と同じ問題distance。thresholdここでは役に立ちませんが、直接隣人と比較するだけです。prominence最高のソリューションを提供するものです。これらのパラメータの多くを組み合わせることができることに注意してください！

コード：

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

x = np.sin(2*np.pi*(2**np.linspace(2,10,1000))*np.arange(1000)/48000) + np.random.normal(0, 1, 1000) * 0.15
peaks, _ = find_peaks(x, distance=20)
peaks2, _ = find_peaks(x, prominence=1)      # BEST!
peaks3, _ = find_peaks(x, width=20)
peaks4, _ = find_peaks(x, threshold=0.4)     # Required vertical distance to its direct neighbouring samples, pretty useless
plt.subplot(2, 2, 1)
plt.plot(peaks, x[peaks], "xr"); plt.plot(x); plt.legend(['distance'])
plt.subplot(2, 2, 2)
plt.plot(peaks2, x[peaks2], "ob"); plt.plot(x); plt.legend(['prominence'])
plt.subplot(2, 2, 3)
plt.plot(peaks3, x[peaks3], "vg"); plt.plot(x); plt.legend(['width'])
plt.subplot(2, 2, 4)
plt.plot(peaks4, x[peaks4], "xk"); plt.plot(x); plt.legend(['threshold'])
plt.show()