如何从非周期性变化信号中去除杂散尖峰？

以下是几种适配你场景的可行方法，避开中值滤波、带通滤波的局限性：

• 自适应斜率阈值法
  计算信号的局部差分（相邻点的差值），杂散尖峰的差分绝对值会远大于目标信号边缘的差分。设置自适应阈值：以滑动窗口内信号的标准差为基准，乘以一个经验系数（比如3-5）作为差分阈值。标记所有超过阈值的点为尖峰，然后用尖峰前后的正常点做线性或三次样条插值替换。这种方法不依赖尖峰间距，且目标信号的边缘差分连续变化，不会被误判为尖峰。

• 多尺度形态学顶帽变换
  顶帽变换的核心是提取信号中高于局部背景的亮尖峰。针对无固定尺寸的尖峰，采用多尺度结构元素（比如宽度从最小尖峰的1/2到目标信号边缘宽度的范围）分别进行顶帽变换，提取出不同尺度的尖峰分量。将这些分量取交集（只保留所有尺度都识别为尖峰的点），再用原始信号减去该交集分量，即可得到去尖峰后的信号。这种方式能避免误将目标边缘当作尖峰去除。

• 趋势拟合残差过滤
  用滑动窗口对信号做分段多项式拟合（比如二次或三次多项式，窗口大小根据目标信号的平滑程度调整），得到信号的趋势曲线。计算原始信号与趋势曲线的残差，尖峰对应的残差会显著偏离正常范围。设置残差阈值（比如滑动窗口内残差的3倍标准差），将超过阈值的点替换为趋势曲线上的对应值。该方法能精准跟随目标信号的边缘变化，不会造成边缘失真。

• L1正则化稀疏分离
  将信号建模为「目标信号分量 + 稀疏尖峰分量」，用L1正则化的线性回归求解。L1正则化会迫使尖峰分量的系数尽可能稀疏，从而精准分离出无规律的杂散尖峰。求解后直接取目标信号分量即可，无需预设尖峰的频率或间距特征，适配性极强。

内容的提问来源于stack exchange，提问作者user2551700