FFT与窗函数执行顺序咨询——压电传感器吉他电压采集项目

核心结论 #

必须先对采集到的时域电压信号应用窗函数，再执行FFT，绝对不能反过来操作。

原因解释 #

FFT的数学前提是输入信号是严格周期性的，但你采集的吉他发声信号是瞬态的（拨弦后声音逐渐衰减），而且采集的信号片段不可能刚好是完整周期的整数倍。直接对这类信号做FFT会产生频谱泄漏——原本集中在单一频率的能量会扩散到相邻频率上，导致噪声干扰、频谱精度下降。

窗函数的作用就是通过平滑信号的首尾边缘，让截断后的信号更接近周期性，从而大幅减少频谱泄漏。如果先做FFT再加窗，相当于对频域信号做滤波，完全起不到抑制泄漏的作用，反而会破坏真实的频谱信息。

Python实现示例 #

针对你的吉他信号采集场景，推荐使用汉宁窗（Hanning Window）或布莱克曼窗（Blackman Window），这两种窗在抑制频谱泄漏和保留频率精度之间的平衡较好。以下是基础实现步骤：

1. 导入必要库

import numpy as np

2. 读取采集到的电压数据（替换成你从压电传感器获取的实际数据）

# 假设采样率为44100Hz（音频常用采样率），采集固定长度的信号
sample_rate = 44100
num_samples = 1024  # 取2的整数次方，FFT计算更快

# 实际项目中替换为从传感器读取数据的代码，比如：
# raw_signal = pi_adc.read_samples(num_samples)
raw_signal = np.random.normal(0, 0.5, num_samples)  # 模拟传感器数据+噪声

3. 应用窗函数并执行FFT

# 生成汉宁窗
window = np.hanning(num_samples)
# 对原始信号加窗
windowed_signal = raw_signal * window

# 执行FFT并处理结果
fft_result = np.fft.fft(windowed_signal)
# 计算频率轴
freq_axis = np.fft.fftfreq(num_samples, 1/sample_rate)
# 提取正频率部分的幅度值（转换为相对幅度）
positive_mask = freq_axis >= 0
fft_magnitude = np.abs(fft_result[positive_mask]) / num_samples
positive_freqs = freq_axis[positive_mask]

4. 适配LCD显示的简化处理

# 截取吉他核心频段（比如0-1000Hz）
target_mask = positive_freqs <= 1000
display_freqs = positive_freqs[target_mask]
display_mag = fft_magnitude[target_mask]

# 将幅度值映射到LCD的像素高度范围（比如0-60）
max_mag = np.max(display_mag) if np.max(display_mag) != 0 else 1
display_mapped = (display_mag / max_mag) * 60

# 后续即可将display_mapped的数据输出到LCD显示频谱柱状图

额外建议 #

• 采样率建议设置为44100Hz或48000Hz，这是音频领域的标准采样率，能完整捕捉吉他的所有频率成分。
• 如果LCD屏幕尺寸有限，可以对FFT结果做降采样，只保留关键频率点的幅度值，避免显示拥挤。

内容的提问来源于stack exchange，提问作者Roger Fed