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]¶

用小波变换在一维阵列中寻找峰值。

一般的方法是平滑 vector 通过将其与 wavelet(width) 对于中的每个宽度 widths 。相对最大值出现在足够长的尺度上，并且具有足够高的信噪比，可以接受。

参数

vectorndarray: 要在其中查找峰值的一维阵列。
widths浮点或序列: 用于计算CWT矩阵的单一宽度或类似一维数组的宽度。通常，此范围应覆盖感兴趣的峰值的预期宽度。
wavelet可调用，可选: 应该接受两个参数并返回要卷积的一维数组 vector 。第一个参数确定返回的小波数组的点数，第二个参数是尺度 (width )。应该是规格化的和对称的。默认值为Ricker小波。
max_distancesndarray，可选: 在每一行，仅当行中的相对最大值 [n] 都在里面 max_distances[n] 从以下位置的相对最大值开始 row[n+1] 。默认值为 widths/4 。
gap_thresh浮动，可选: 如果在以下范围内未找到相对最大值 max_distances ，将会有一个缺口。如果山脊线超过 gap_thresh 点，而不连接新的相对最大值。默认值为宽度数组的第一个值，即宽度 [0] 。
min_length整型，可选: 脊线的最小长度必须是可接受的。默认值为 cwt.shape[0] / 4 即宽度的1/4。
min_snr浮动，可选: 最小信噪比。默认值1。该信号是最短长度刻度下的CWT矩阵的值 (cwt[0, loc] )，噪音是 noise_perc 窗口中包含的数据点的第 window_size 周围 cwt[0, loc] 。
noise_perc浮动，可选: 计算噪声下限时，要考虑噪声的数据点的百分位数。使用以下方式计算 stats.scoreatpercentile 。默认值为10。
window_size整型，可选: 用于计算噪声底的窗口大小。默认值为 cwt.shape[1] / 20 。

退货

peaks_indicesndarray: 中位置的索引 vector 在那里发现了山峰。列表已排序。

参见

cwt: 连续小波变换。
find_peaks: 根据峰值属性查找信号内部的峰值。

注意事项

该方法是为在噪声数据中寻找尖峰而设计的，但是如果参数选择得当，它应该能够很好地处理不同的峰形。

算法如下：

对其执行连续小波变换 vector ，对于提供的 widths 。这是卷积的 vector 使用 wavelet(width) 对于中的每个宽度 widths 。看见 cwt 。
识别cwt矩阵中的“脊线”。这些是每行的相对最大值，跨相邻行连接。请参阅IDENTIFY_RONG_LINES
过滤使用过滤脊线连接脊线。

0.11.0 新版功能.

参考文献

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

示例

>>> 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]))

scipy.signal.find_peaks

scipy.signal.peak_prominences