detrend函數(shù)去除基線

detrend函數(shù)只能用于去除線性趨勢，對于非線性的無能為力。

函數(shù)表達式：y = scipy.signal.detrend(x): 從信號中刪除線性趨勢：

x：含有基線干擾的信號；y：去除基線干擾后的信號。

detrend去基線代碼顯示：

from scipy import signal
import matplotlib.pyplot as plt
import numpy as npt = np.linspace(0, 5, 100)
# normal是產(chǎn)生一個高斯分布
x = t + np.random.normal(size=100)
plt.subplot(2, 1, 1)
plt.plot(t, x, linewidth=3)
plt.subplot(2, 1, 2)
plt.plot(t, signal.detrend(x), linewidth=3)
plt.show()

結(jié)果展示：

通過上圖可以看到detrend去線性趨勢效果很不錯。

多項式擬合原函數(shù)

很容易理解，就是通過多項式擬合一個新的曲線，使擬合出來的曲線與原圖像盡可能接近，同時又能去除圖像中的噪聲和基線等多余的因素。

代碼顯示為：

import os
import matplotlib.pyplot as plt
import scipy.signal
import numpy as npdef main():# 項目目錄dir = "D:\\a_user_file\\8_data"filename = 's1_run.csv'path = os.path.join(dir, filename)with open(path, "r") as fname:data = fname.read()lines = data.split("\n")raw_data = []for i in range(len(lines)):line_i = lines[i].split(",")raw_data.append(int(line_i[4]))sig = raw_datatmp_smooth1 = scipy.signal.savgol_filter(sig, 53, 9)tmp_smooth2 = scipy.signal.savgol_filter(sig, 53, 3)plt.subplot(3,1,1)plt.plot(sig)plt.subplot(3,1,2)plt.plot(tmp_smooth1 * 0.5, label='mic'+ '擬合曲線-21', color='red')plt.subplot(3,1,3)plt.plot(tmp_smooth2 * 0.5, label='mic'+ '擬合曲線-53', color='green')plt.show()main()

顯示結(jié)果如下：

BEADS 基線處理

詳細內(nèi)容可參考：
https://ww2.mathworks.cn/matlabcentral/fileexchange/49974-beads-baseline-estimation-and-denoising-with-sparsity?s_tid=AO_FX_info

小波算法

小波算法去噪和去基線是先用濾波器對原始信號進行分解，經(jīng)過下采樣得到分解的高頻系數(shù)D（細節(jié)部分）和低頻系數(shù)A（近似部分），多層分解只需要對上一層分解出來的低頻分量繼續(xù)分解即可。這個過程就是小波分解。

從分解的最底層往上重構(gòu)出信號，首先是上采樣，一般采用隔值插零的方法，即增加數(shù)據(jù)量來達到與原始信號長度相同的數(shù)據(jù)，然后分別通過重構(gòu)的高通濾波器g和低通濾波器h，最終重構(gòu)出原始信號，如果代碼編寫的沒問題，那么重構(gòu)出的信號與原始信號完全一致。

而小波變換去噪的過程就是在分解后的各層系數(shù)中找出噪聲所在的層，對該層的低頻系數(shù)或者高頻系數(shù)進行處理，比如軟硬閾值處理，處理后再經(jīng)過重構(gòu)，即可重構(gòu)出去除噪聲的信號。

import numpy as np
import matplotlib.pyplot as plt
import pywt
import osdef signal():# 項目目錄dir = "D:\\a_user_file\\8_data"filename = '1.csv'path = os.path.join(dir, filename)with open(path, "r") as fname:data = fname.read()lines = data.split("\n")raw_data = []for i in range(len(lines)):line_i = lines[i].split(",")raw_data.append(int(line_i[0]))return raw_datadata = signal()
x = range(0, len(data))
w = pywt.Wavelet('db8') # 選用Daubechies8小波
maxlev = pywt.dwt_max_level(len(data), w.dec_len)
print("maximum level is " + str(maxlev))
threshold = 0.5 # Threshold for filtering
# Decompose into wavelet components, to the level selected:
coeffs = pywt.wavedec(data, 'db8', level=maxlev) # 將信號進行小波分解
for i in range(1, len(coeffs)):coeffs[i] = pywt.threshold(coeffs[i], threshold*max(coeffs[i])) # 將噪聲濾波
datarec = pywt.waverec(coeffs, 'db8')plt.subplot(2,1,1)
plt.plot(data, color="black", linewidth=2.0, linestyle="solid")
plt.subplot(2,1,2)
plt.plot(datarec, color="red", linewidth=2.0, linestyle="solid")
plt.show()

用小波變換去噪的關(guān)鍵是找到對應(yīng)噪聲、基線漂移所在的頻率段，去掉對應(yīng)的頻率段，就可以生成新的去噪去基線信號了。

經(jīng)驗?zāi)B(tài)分解（EMD）

EMD方法認為任何信號都可以分解為若干個不同的本征模態(tài)函數(shù)，和一個殘余量穩(wěn)態(tài)量。其中各個本征模態(tài)函數(shù)反映了信號的局部特性,殘余量反映了信號的趨勢或均值。EMD法采用“篩”選的方法從原始信號中將殘余量分離出來。

參考

https://ww2.mathworks.cn/matlabcentral/fileexchange/49974-beads-baseline-estimation-and-denoising-with-sparsity?s_tid=AO_FX_info
https://blog.csdn.net/qq_41620350/article/details/115981740
https://blog.csdn.net/u010565765/article/details/69397415