如何识别数据中的显著峰值？现有Python函数存在峰值识别偏差

问题根源 #

你用scipy.signal.find_peaks实现的峰值识别，默认仅判断局部极值点，未对峰值的连续性/宽度做约束，同时没结合你定义的“显著峰值（其他峰值功率不超其10%）”规则，导致单个噪声点或孤立极值被误判为有效峰值。

具体修正步骤 #

1. 给峰值添加宽度约束 #

使用find_peaks的width参数强制要求峰值覆盖足够多的数据点，配合rel_height定义峰值的相对高度阈值，过滤窄尖峰：

from scipy.signal import find_peaks

# 示例：要求峰值宽度至少3个数据点，相对高度0.5（峰值两侧下降到一半高度的跨度）
peaks, properties = find_peaks(spectral_power, width=3, rel_height=0.5)

注：width的数值可根据你的数据密度调整，比如数据采样率高就设更大值

2. 提取完整峰值段的功率数据 #

通过properties返回的left_bases和right_bases，获取每个峰值的左右基线位置，进而提取该峰值对应的完整数据段（而非单个极值点）：

peak_segments = []
# 遍历每个峰值的左右基线，截取完整峰值区间
for left, right in zip(properties['left_bases'], properties['right_bases']):
    peak_segment = spectral_power[int(left):int(right)+1]
    peak_segments.append(peak_segment)

3. 筛选符合定义的显著峰值 #

计算每个完整峰值段的最大功率（或平均功率，按需选择），然后筛选出满足“其他峰值功率不超过其10%”的显著峰值：

# 计算每个峰值段的最大功率
peak_max_powers = [max(seg) for seg in peak_segments]

# 筛选显著峰值
significant_peaks = []
for idx, main_power in enumerate(peak_max_powers):
    # 检查所有其他峰值的功率是否≤当前峰值的10%
    is_significant = all(other_power <= 0.1 * main_power for j, other_power in enumerate(peak_max_powers) if j != idx)
    if is_significant:
        # 存储峰值位置和对应的完整段数据
        significant_peaks.append((peaks[idx], peak_segments[idx]))

4. 可选：预处理平滑数据 #

若原始数据噪声较多，先做平滑处理减少孤立极值点：

import numpy as np

# 滚动平均平滑（窗口大小5，可调整）
smoothed_power = np.convolve(spectral_power, np.ones(5)/5, mode='same')
# 用平滑后的数据执行峰值识别
peaks, properties = find_peaks(smoothed_power, width=3, rel_height=0.5)

测试建议 #

用你的两组数据集验证：

• 调整width参数找到适合你数据的最小峰值宽度
• 确认显著峰值筛选逻辑符合你的定义
• 对比修正前后结果，确保单个数据点的误判被完全过滤

内容的提问来源于stack exchange，提问作者jim_athon