确定“摆动性”数据集 - Python

Question

我正在开发一款需要实现一组数据的波动性的软件。这是我将收到的输入示例，与每个垂直像素带的亮度图合并：

很容易看出左边距确实摆动（即有很多最小值/最大值），我想生成图像的一组关键点。我已经对数据应用了高斯平滑函数大约 10 次，但一开始它似乎相当不稳定。

有什么想法吗？

这是我的原始代码，但它不会产生非常好的结果（对于摆动）：

def local_maximum(list, center, delta):
  maximum = [0, 0]

  for i in range(delta):
    if list[center + i] > maximum[1]: maximum = [center + i, list[center + i]]
    if list[center - i] > maximum[1]: maximum = [center - i, list[center - i]]

  return maximum

def count_maxima(list, start, end, delta, threshold = 10):
      count = 0

  for i in range(start + delta, end - delta):
    if abs(list[i] - local_maximum(list, i, delta)[1]) < threshold: count += 1

  return count

def wiggliness(list, start, end, delta, threshold = 10):
  return float(abs(start - end) * delta) / float(count_maxima(list, start, end, delta, threshold))

Answer 1

看一下低通/高通/陷波/带通滤波器、傅里叶变换或小波。基本思想是有很多不同的方法来计算不同时间段内量化的信号的频率内容。

如果我们能弄清楚什么是摆动，那就会有帮助。我想说最左边的边距是摇摆不定的 b/c 它具有更多的高频内容，您可以通过使用傅立叶变换来可视化。

如果您对该红色信号采用高通滤波器，您将只获得高频内容，然后您可以测量幅度并进行阈值以确定摆动。但我想，摇摆背后只需要更多的形式主义。

Answer 2

对于此类事情，numpy 使事情变得更加容易，因为它提供了用于操作矢量数据的有用函数，例如向每个元素添加标量、计算平均值等。

例如，您可以尝试使用原始数据的过零率-wigginess1 或第一个差异 -wigginess2（取决于 wigginess 应该是什么，确切地说，如果要忽略全球趋势，您可能应该使用差异数据）。对于 x，您可以从原始数据中获取感兴趣的切片或窗口，从而获得一种局部摆动的度量。
如果您使用原始数据，在消除偏差后，您可能还需要将所有小于某个阈值的值设置为 0 以忽略低幅度摆动。

import numpy as np

def wiggliness1(x):
    #remove bias:
    x=x-np.average(x)
    #calculate zero crossing rate:
    np.sum(np.abs(np.sign(np.diff(x))))


def wiggliness(x):
    #calculate zero crossing rate of the first difference:
    return np.sum(np.abs(np.sign(np.diff(np.sign(np.diff(x))))))