使用scipy find_peaks时如何设置峰间信号阈值筛选单峰？

核心方案：使用prominence参数 #

scipy的find_peaks没有直接的“峰间必须低于阈值才检测下一个峰”的参数，但**prominence（峰突出度）**刚好匹配你的需求：它要求峰的顶点到其左右最近谷底的最小高度差必须达到设定值。如果宽峰内的小凸起周围没有低于阈值的谷底，它们的突出度就不达标，不会被判定为独立峰，同时不会影响真正的窄小峰值。

调整后的代码示例

# 设定突出度阈值，可根据数据特征调整比例
prominence_threshold = 0.1 * bg_G2.values

scp_peaks, properties = find_peaks(
    plotdf['G2'].values,
    height=1.1*bg_G2.values,
    width=9,
    prominence=prominence_threshold
)

• 原理：prominence会自动过滤无足够“落差”的小凸起——宽峰内的三个子峰之间未降至阈值以下，突出度远小于主峰，会被合并为一个峰；而真正独立的小峰因和相邻峰间有足够谷底落差，会被保留。

备选方案：自定义后处理过滤 #

如果prominence的效果不够精准，可先检测所有候选峰，再手动过滤峰间信号未降至阈值的相邻峰：

import numpy as np

# 先检测所有候选峰
scp_peaks, properties = find_peaks(
    plotdf['G2'].values,
    height=1.1*bg_G2.values,
    width=9
)

# 设定峰间必须低于的阈值，比如背景值
valley_threshold = bg_G2.values
filtered_peaks = []

if len(scp_peaks) > 0:
    filtered_peaks.append(scp_peaks[0])
    for i in range(1, len(scp_peaks)):
        # 取相邻两峰之间的信号最小值
        valley_min = np.min(plotdf['G2'].values[scp_peaks[i-1]:scp_peaks[i]])
        # 谷底低于阈值则保留当前峰，否则合并到前一个峰
        if valley_min < valley_threshold:
            filtered_peaks.append(scp_peaks[i])

# 最终保留的有效峰
scp_peaks = np.array(filtered_peaks)

• 优势：完全自定义峰间阈值，还可灵活调整合并逻辑（比如保留相邻峰中高度更高的那个）。

为什么不推荐调大width？ #

width参数基于峰的半高宽筛选，调大后会过滤掉所有窄峰；而prominence或后处理只针对“无足够谷底落差”的假峰，不会影响真正的独立窄峰，更贴合你的需求。

内容的提问来源于stack exchange，提问作者Daan64