Python信号峰值识别：重量数据分段峰值通用算法问询

核心思路 #

你的需求本质是检测信号的阶跃变化点——也就是从重量X到Y的突变位置，而非单纯找峰值，这可能是之前用scipy.find_peaks效果不稳定的核心原因。

推荐方法及实现要点 #

1. 平滑信号+自适应差分阈值法 #

• 基于你已有的批量平均滤波结果（橙线），计算一阶差分：差分操作能直接放大信号的突变处，滤除平稳段的小波动；
• 用数据自身统计量设定阈值：不用固定数值，取差分序列的95分位数（可根据噪声程度调整分位值），超过该阈值的位置即为候选分界点；
• 后处理去噪：如果存在连续多个超过阈值的点，取该连续段的中间点或起始点作为最终分界点，避免噪声误判。

示例代码片段：

import numpy as np
from scipy.ndimage import uniform_filter1d

# 假设filtered_signal是批量平均后的橙线数据
# 可选：进一步平滑以削弱残留噪声
smoothed = uniform_filter1d(filtered_signal, size=5)
# 计算差分并取绝对值
diff = np.abs(np.diff(smoothed))
# 用95分位数作为自适应阈值
threshold = np.percentile(diff, 95)
# 筛选候选点
candidates = np.where(diff > threshold)[0]
# 合并连续候选点，取中心位置作为分界点
if len(candidates) > 0:
    clusters = np.split(candidates, np.where(np.diff(candidates) > 1)[0] + 1)
    split_point = clusters[0][len(clusters[0]) // 2]

2. 双滑动窗口统计法 #

• 设定两个相邻的滑动窗口，分别计算窗口内信号的均值/中位数；
• 当两个窗口的统计量差值超过设定比例（比如超过基准重量X的5%）时，判定当前位置为分界点；
• 窗口大小可根据采样频率调整，比如对应1-2秒的采样点数，确保能覆盖噪声波动但不掩盖阶跃变化。

3. 异常点检测算法（适配复杂波动场景） #

• 如果数据噪声大、时段变化规律多样，可以用孤立森林检测突变点：阶跃位置属于信号中的异常值，孤立森林能自动识别这类偏离整体分布的点；
• 无需大量标注，仅需输入平滑后的信号即可完成检测，适配不同数据集的波动特性。

避坑提示 #

• 放弃峰值检测思维：你的分界点是阶跃变化，不是峰值，scipy.find_peaks的height、distance等参数天然不适合这类场景，强行调整只会增加适配成本；
• 滤波适度：过度平滑会抹平阶跃变化，批量平均的窗口大小建议控制在能覆盖3-5个噪声点的范围；
• 拒绝固定阈值：用数据自身的统计量（分位数、标准差倍数）设定阈值，是适配不同数据集的关键。

内容的提问来源于stack exchange，提问作者Zee