数字化的模拟信号(Digitizing an analog signal)

我具有表示数字输出CSV值的数组。已使用模拟示波器，所以它不是一个完美的数字信号采集。我试图滤出数据有一个完美的数字信号用于计算周期（其可能会发生变化）。我也想定义的最大的错误，我从这个过滤得到。

事情是这样的：

理念

套用treshold OD数据。下面是一个伪代码：

for data_point_raw in data_array:
    if data_point_raw < 0.8: data_point_perfect = LOW
    if data_point_raw > 2  : data_point_perfect = HIGH

else:
    #area between thresholds
    if previous_data_point_perfect == Low : data_point_perfect = LOW
    if previous_data_point_perfect == HIGH: data_point_perfect = HIGH

有两个问题困扰着我。

这似乎是在数字信号处理中的常见问题，但是我还没有为它找到一个预定义的标准功能。这是执行过滤的方式OK？
我将如何得到最大的错误？

Answer 1:

下面是一些代码，这可能有助于。

from __future__ import division

import numpy as np


def find_transition_times(t, y, threshold):
    """
    Given the input signal `y` with samples at times `t`,
    find the times where `y` increases through the value `threshold`.

    `t` and `y` must be 1-D numpy arrays.

    Linear interpolation is used to estimate the time `t` between
    samples at which the transitions occur.
    """
    # Find where y crosses the threshold (increasing).
    lower = y < threshold
    higher = y >= threshold
    transition_indices = np.where(lower[:-1] & higher[1:])[0]

    # Linearly interpolate the time values where the transition occurs.
    t0 = t[transition_indices]
    t1 = t[transition_indices + 1]
    y0 = y[transition_indices]
    y1 = y[transition_indices + 1]
    slope = (y1 - y0) / (t1 - t0)
    transition_times = t0 + (threshold - y0) / slope

    return transition_times


def periods(t, y, threshold):
    """
    Given the input signal `y` with samples at times `t`,
    find the time periods between the times at which the
    signal `y` increases through the value `threshold`.

    `t` and `y` must be 1-D numpy arrays.
    """
    transition_times = find_transition_times(t, y, threshold)
    deltas = np.diff(transition_times)
    return deltas


if __name__ == "__main__":
    import matplotlib.pyplot as plt

    # Time samples
    t = np.linspace(0, 50, 501)
    # Use a noisy time to generate a noisy y.
    tn = t + 0.05 * np.random.rand(t.size)
    y = 0.6 * ( 1 + np.sin(tn) + (1./3) * np.sin(3*tn) + (1./5) * np.sin(5*tn) +
               (1./7) * np.sin(7*tn) + (1./9) * np.sin(9*tn))

    threshold = 0.5
    deltas = periods(t, y, threshold)
    print("Measured periods at threshold %g:" % threshold)
    print(deltas)
    print("Min:  %.5g" % deltas.min())
    print("Max:  %.5g" % deltas.max())
    print("Mean: %.5g" % deltas.mean())
    print("Std dev: %.5g" % deltas.std())

    trans_times = find_transition_times(t, y, threshold)

    plt.plot(t, y)
    plt.plot(trans_times, threshold * np.ones_like(trans_times), 'ro-')
    plt.show()

输出：

Measured periods at threshold 0.5:
[ 6.29283207  6.29118893  6.27425846  6.29580066  6.28310224  6.30335003]
Min:  6.2743
Max:  6.3034
Mean: 6.2901
Std dev: 0.0092793

可以使用numpy.histogram和/或matplotlib.pyplot.hist进一步分析由返回的数组periods(t, y, threshold) 。

Answer 2:

这不是你的问题的答案，只是与建议，可以帮助。我在这里写它，因为我不能把图像中的评论。

我想你应该处理之前不知何故数据标准化。

正常化的0范围之后...... 1你应该申请您的过滤器。

Answer 3:

如果你真的只在月经感兴趣，你可以绘制傅立叶变换，你就必须在信号的频率出现的峰值（等你的时间）。在傅里叶域中的宽峰，在周期测量中的误差较大

import numpy as np

data = np.asarray(my_data)

np.fft.fft(data)

Answer 4:

你的过滤是好的，这是基本相同的施密特触发器，但你可能有它的主要问题是速度。使用NumPy的的好处在于，它可以为C一样快，而你有超过每个元素重复一次。

您可以使用从SciPy的中值滤波器实现类似的东西。所述应以下实现了类似的结果（而不是依赖于任何量值）：

filtered = scipy.signal.medfilt(raw)
filtered = numpy.where(filtered > numpy.mean(filtered), 1, 0)

可以调中值与滤波的强度medfilt(raw, n_samples) ， n_samples缺省值为3。

至于错误，那将是非常主观的。一种方法是不过滤，discretise信号，然后比较不同之处。例如：

discrete = numpy.where(raw > numpy.mean(raw), 1, 0)
errors = np.count_nonzero(filtered != discrete)
error_rate = errors / len(discrete)

文章来源: Digitizing an analog signal