如何使用scipy.signal确定信号峰值的上升时间与衰减时间

嗨，作为信号处理新手能走到这一步已经很棒啦！你想要获取的上升时间（左宽度点到峰值的距离）和衰减时间（峰值到右宽度点的距离），其实完全可以通过你已经在使用的peak_widths函数的结果直接推导出来，不用额外去折腾一阶矩或者导数（当然如果之后想做更精细的分析，导数方法也可以尝试，先给你最贴合当前工作流的方案）。

直接利用peak_widths的返回值 #

首先你得知道，peak_widths返回的是一个包含4个元素的元组，其中后两个元素正好是我们需要的宽度点位置：

• results_full[2]：每个峰值左宽度点的插值位置（因为宽度点可能落在两个采样点之间，所以是浮点数值）
• results_full[3]：每个峰值右宽度点的插值位置

而你已经得到的peaks数组里是峰值对应的整数采样索引，所以直接做减法就能得到时间差（因为采样间隔是固定的，这里ECG信号的采样率是360Hz，如果你需要转换成实际时间，再除以采样率就行）。

完整示例代码 #

先补全你之前的代码（记得导入numpy），然后计算并可视化这些时间：

import matplotlib.pyplot as plt
import numpy as np
from scipy.misc import electrocardiogram
from scipy.signal import find_peaks, peak_widths

# 获取ECG信号片段
x = electrocardiogram()[2000:4000]
# 检测峰值
peaks, _ = find_peaks(x, height=0)
# 计算完整的峰值宽度信息（rel_height=1对应峰值底部到顶部的宽度，你也可以调整比如0.5求半高宽）
results_full = peak_widths(x, peaks, rel_height=1)

# 计算上升时间和衰减时间
rise_times = peaks - results_full[2]
decay_times = results_full[3] - peaks

# 可视化展示
plt.plot(x, label='ECG Signal')
plt.plot(peaks, x[peaks], "x", label='Peaks')
# 画出左宽度点和右宽度点
plt.plot(results_full[2], results_full[1], "o", label='Left Width Points')
plt.plot(results_full[3], results_full[1], "o", label='Right Width Points')
plt.plot(np.zeros_like(x), "--", color="gray")

# 标注第一个峰值的上升/衰减时间（示例）
plt.annotate(f"Rise Time: {rise_times[0]:.2f} samples", 
             xy=(results_full[2][0], results_full[1][0]), 
             xytext=(results_full[2][0]-50, results_full[1][0]+0.5),
             arrowprops=dict(arrowstyle='->'))
plt.annotate(f"Decay Time: {decay_times[0]:.2f} samples", 
             xy=(results_full[3][0], results_full[1][0]), 
             xytext=(results_full[3][0]+50, results_full[1][0]+0.5),
             arrowprops=dict(arrowstyle='->'))

plt.legend()
plt.show()

# 打印所有峰值的时间信息
print("上升时间（采样点）：", rise_times)
print("衰减时间（采样点）：", decay_times)
# 如果要转换成实际时间（ECG采样率360Hz）
sampling_rate = 360
print("上升时间（秒）：", rise_times / sampling_rate)
print("衰减时间（秒）：", decay_times / sampling_rate)

可选：用导数方法检测上升/下降沿 #

如果你想更精确地捕捉信号从基线上升到峰值的时间（而不是基于某个相对高度的宽度点），可以通过计算信号的一阶导数来实现：

1. 用平滑滤波器（比如savgol_filter）预处理信号，减少噪声对导数的影响
2. 计算一阶导数，找到导数由负变正的点（上升沿起点）和由正变负的点（下降沿终点）
3. 计算这些点到峰值的距离

示例代码片段：

from scipy.signal import savgol_filter

# 平滑信号并计算导数
smoothed_x = savgol_filter(x, window_length=11, polyorder=2)
dx = np.gradient(smoothed_x)

# 找上升沿：导数从负变正的位置（基线到峰值的起点）
rise_edges = np.where((dx[:-1] < 0) & (dx[1:] > 0))[0]
# 找下降沿：导数从正变负的位置（峰值到基线的终点）
decay_edges = np.where((dx[:-1] > 0) & (dx[1:] < 0))[0]

# 注意：需要把上升/下降沿和对应的峰值匹配，这里简单取最近的点
# （实际应用中可能需要更严谨的匹配逻辑）
for peak in peaks:
    closest_rise = rise_edges[np.argmin(np.abs(rise_edges - peak))]
    closest_decay = decay_edges[np.argmin(np.abs(decay_edges - peak))]
    print(f"峰值{peak}的上升时间：{peak - closest_rise} 采样点")
    print(f"峰值{peak}的衰减时间：{closest_decay - peak} 采样点")

这种方法更贴近“沿”的物理定义，但需要处理噪声和匹配问题，适合对时间精度要求更高的场景。

内容的提问来源于stack exchange，提问作者user1631306