基于互相关实现不同采样率信号的对齐方法求助

我需要用互相关对齐两个相似但存在时间偏移的信号，但现有方案不适用，因为两个信号采样率不同，且输入包含对应的时间向量。原本尝试插值到同一采样率后用互相关，但计算出的偏移量错误（预期7秒，得到-4.8秒）。

我的尝试步骤 #

1. 构造带偏移的不同采样率信号

import matplotlib.pyplot as plt 
import numpy as np 
from scipy.signal import correlate
from scipy.interpolate import interp1d

dt1 = 2.4
t1 = np.arange(0,20,dt1)
y1 = np.sin(t1) + t1/10

dt2 = 1
t2 = np.arange(0,20,dt2)
y2 = np.sin(t2) + t2/10
offset_t2 = 7 # 需要恢复的偏移量
t2 = t2 + offset_t2

2. 插值到同一低采样率时间轴

max_dt = max(dt1,dt2)
t1_resampled = np.arange(t1[0],t1[-1],max_dt)
t2_resampled = np.arange(t2[0],t2[-1],max_dt)

y1_resampled = interp1d(t1,y1)(t1_resampled)
y2_resampled = interp1d(t2,y2)(t2_resampled)

3. 互相关计算偏移量（结果错误）

fig,axs=plt.subplots(2,1)
ax = axs[0]
ax.plot(t1,y1,"-o",label='y1')
ax.plot(t2,y2,"-o",label='y2')

xcorr = correlate(y1_resampled,y2_resampled)
argmax_index = np.argmax(xcorr)
shift = (argmax_index-(len(y2_resampled)+1))*max_dt

ax.plot(t2+shift,y2,"-o",label='y2 shifted')

ax = axs[1]
ax.plot(xcorr)
ax.scatter(argmax_index,xcorr[argmax_index],color='red')
axs[0].legend()
print(f"computed shift: {shift}\nexpected shift: {offset_t2}")

问题核心 #

插值后互相关计算偏移的公式错误，且未考虑两个信号时间轴起始点的差异，导致偏移量计算完全偏离预期。

修正方案 #

关键要点 #

1. 将两个信号插值到同一全局时间轴（覆盖两个信号的时间范围），而非各自独立的时间轴
2. 正确计算互相关对应的时间偏移：互相关的索引偏移需要映射到实际时间偏移，同时结合原始时间轴的起始差

完整实现的shift函数 #

def shift(t1, y1, t2, y2):
    # 确定覆盖两个信号的全局时间范围
    t_min = min(t1[0], t2[0])
    t_max = max(t1[-1], t2[-1])
    # 使用较高采样率（更小的dt）提升对齐精度，取两个采样率的最小值
    dt = min(np.mean(np.diff(t1)), np.mean(np.diff(t2)))
    # 生成统一的时间轴
    t_common = np.arange(t_min, t_max, dt)
    
    # 插值到统一时间轴，超出原始范围的部分填充0
    f1 = interp1d(t1, y1, bounds_error=False, fill_value=0)
    f2 = interp1d(t2, y2, bounds_error=False, fill_value=0)
    y1_common = f1(t_common)
    y2_common = f2(t_common)
    
    # 计算全模式互相关，覆盖所有可能偏移情况
    xcorr = correlate(y1_common, y2_common, mode='full')
    # 获取互相关最大值的索引
    argmax_idx = np.argmax(xcorr)
    # 转换为样本偏移量：full模式下偏移范围为[-(N-1), M-1]，N为y2长度，M为y1长度
    sample_shift = argmax_idx - (len(y2_common) - 1)
    # 样本偏移转时间偏移
    delta_t = sample_shift * dt
    
    return delta_t

验证代码 #

# 调用函数计算偏移量
delta_t = shift(t1, y1, t2, y2)
print(f"computed shift: {delta_t:.2f}")
print(f"expected shift: {offset_t2}")

# 绘图验证信号对齐效果
fig, ax = plt.subplots()
ax.plot(t1, y1, "-o", label='y1')
ax.plot(t2 + delta_t, y2, "-o", label='y2 shifted')
ax.legend()
plt.show()

解释 #

• 统一时间轴确保两个信号在相同的时间点上进行比较，避免了各自时间轴起始点不同的干扰
• 使用mode='full'计算互相关，能覆盖所有可能的偏移情况，不会遗漏有效对齐位置
• 样本偏移量直接乘以统一时间轴的步长dt，即可得到准确的时间偏移量delta_t

参考文献 #

• Use of pandas.shift() to align datasets based on scipy.signal.correlate
• Python aligning, stretching and synchronizing array data in python (signal processing)
• Python cross correlation - why does shifting a timeseries not change the results (lag)?

内容的提问来源于stack exchange，提问作者Thomas