如何使用Python从手指按压传感器的时序数据中识别周期？

一、数据预处理建议 #

如果原始数据噪声较大，建议先恢复未置0的原始数据，再做降噪处理：

• 滑动窗口平均：简单平滑，适合低噪声场景
• Savitzky-Golay滤波：保留信号趋势的同时降噪，适配周期性信号

示例代码（Savitzky-Golay滤波）：

import numpy as np
from scipy.signal import savgol_filter

# raw_data 为原始时序数据
filtered_data = savgol_filter(raw_data, window_length=51, polyorder=3)

若必须使用置0后的数据，先通过掩码剔除连续0段，仅保留有效信号段再开展分析。

二、周期识别核心方法 #

1. 自相关分析法 #

周期信号的自相关函数会在周期整数倍的滞后位置出现峰值，找到最大峰值对应的滞后值即可得到周期。

示例代码：

import numpy as np
import matplotlib.pyplot as plt

def find_period_via_autocorrelation(data):
    # 计算自相关
    autocorr = np.correlate(data, data, mode='full')
    # 截取正滞后部分
    autocorr = autocorr[len(autocorr)//2:]
    # 定位峰值（跳过滞后为0的初始峰值）
    peaks = np.where((autocorr[1:-1] > autocorr[:-2]) & (autocorr[1:-1] > autocorr[2:]))[0] + 1
    # 返回第一个显著峰值对应的滞后作为周期
    return peaks[0] if len(peaks) > 0 else None

# filtered_data 为预处理后的信号
period = find_period_via_autocorrelation(filtered_data)
print(f"识别到的周期长度：{period}")

# 可视化自相关结果
plt.plot(autocorr)
plt.scatter(peaks, autocorr[peaks], c='r')
plt.show()

2. FFT频域分析法 #

将信号转换至频域，定位能量最高的频率成分，周期为该频率的倒数。

示例代码：

import numpy as np

def find_period_via_fft(data, sampling_rate):
    # 计算FFT
    fft_vals = np.fft.fft(data)
    fft_freqs = np.fft.fftfreq(len(data), 1/sampling_rate)
    # 筛选正频率部分
    positive_freq_mask = fft_freqs > 0
    fft_vals_pos = np.abs(fft_vals[positive_freq_mask])
    fft_freqs_pos = fft_freqs[positive_freq_mask]
    # 找到能量最大的主频率
    dominant_freq = fft_freqs_pos[np.argmax(fft_vals_pos)]
    # 计算周期（单位随采样率定义，可为秒或采样点数）
    period = 1 / dominant_freq
    return period

# sampling_rate 为信号采样率（如每秒采集点数）
period = find_period_via_fft(filtered_data, sampling_rate=100)
print(f"识别到的周期：{period:.2f} 秒")

3. 峰值间隔统计法 #

按压信号的每个周期通常带有明显峰值，检测所有峰值位置后，统计最频繁出现的峰值间隔即为周期。

示例代码：

from scipy.signal import find_peaks
import numpy as np
from collections import Counter

def find_period_via_peaks(data):
    # 检测峰值（需根据信号特征调整height、distance参数）
    peaks, _ = find_peaks(data, height=np.mean(data)+np.std(data), distance=50)
    # 计算峰值间隔
    peak_intervals = np.diff(peaks)
    # 统计最常见的间隔
    if len(peak_intervals) > 0:
        counter = Counter(peak_intervals)
        most_common_interval = counter.most_common(1)[0][0]
        return most_common_interval
    return None

period = find_period_via_peaks(filtered_data)
print(f"识别到的周期长度（采样点数）：{period}")

三、注意事项 #

• 预处理是关键：噪声会严重干扰周期识别，优先使用原始数据完成降噪
• 多方法交叉验证：单一方法结果不稳定时，可结合两种以上方法的结果取共识
• 参数适配：需根据实际信号特征，调整滤波窗口、峰值检测的height/distance等参数

内容的提问来源于stack exchange，提问作者asdzxsad