5
5

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

More than 3 years have passed since last update.

PythonでFFTとそのピーク検出をする方法

Posted at

#概要
Pythonを用いて時系列データのFFTを行い,そのピーク検出をする方法をまとめておく。

#データ準備
解析例とする時系列データを作成する。3つの正弦波とノイズを組み合わせたデータを次のように作成した。

import numpy as np
import matplotlib.pyplot as plt

# parameters
dt=6 #data duration
fsamp=10000 #sampling rate
f=[28, 60, 213, 355] # sin frequency
y=[0.6, 1.3, 0.3, 0.5] # sin amplitude
pi=np.pi

# data creation
# gauusian noise sigma=1
n=dt*fsamp+1 #data size![time_series.png](https://qiita-image-store.s3.ap-northeast-1.amazonaws.com/0/2184372/45ed0137-bbff-fa65-3130-89ffecf07771.png)

t=np.linspace(0,dt,n) #sampling time
y=np.random.randn(n)\
+y[0]*np.sin(2*np.pi*f[0]*t)\
+y[1]*np.sin(2*np.pi*f[1]*t)\
+y[2]*np.sin(2*np.pi*f[2]*t)\
+y[3]*np.sin(2*np.pi*f[3]*t)

# plot
plt.plot(t,y)
plt.xlabel("Time [s]")
plt.ylabel("Amplitude [a.u.]")
plt.show()

結果は下図のようになる。
time_series.png

#FFT
生成した時系列データをFFTする。FFTの効率のためにはデータ数が2の累乗となるようにするのがよいが,今回はデータ数が少ないため気にしないことにする。
FFTの係数y_fftは複素数のため,プロットしやすくするために振幅スペクトルamp_fftに変換してプロットする。振幅スペクトルが元の信号の振幅を再現するように,AC成分には 2/(データ長) を,DC成分には 1/(データ長) を掛けて規格化しておくと,プロットした際に解釈しやすくなる。

# t: sampling time
# y: data
# fsamp: sampling rate

#FFT
y_fft=np.fft.fft(y)
y_fft=y_fft[:int(len(y_fft)/2)+1]
f_fft=fsamp/2*np.linspace(0,1,len(y)/2+1)
amp_fft=np.abs(y_fft)/len(y)*2
amp_fft[0]=amp_fft[0]/2

# plot
plt.plot(f_fft, amp_fft)
plt.xlim(1,500)
plt.xlabel("Frequency [Hz]")
plt.ylabel("Amplitude [a.u.]")
plt.grid()
plt.show()

結果は下図のようになり,設定した4つの正弦波が検出されている事がわかる。
amp_spectrum.png

#ピーク検出
前項では振幅スペクトルをプロットしてピークを確認したが,さらにそのピークを自動で検出できるようにする。ピーク検出ができるライブラリには scipy.signal.argrelmaxscipy.signal.find_peaks がある。今回はピーク検出条件を細かく設定できる後者の find_peaks を使用する。
find_peaks はデータ x とピークの検出条件 (height など) を入力し,scipy.signal.find_peaks(x, height, threshold, distance, prominence, width, wlen, rel_height, plateau_size) のように使用する。以下のコードではピーク値が周囲からどれだけ突出しているかを表す prominence を設定して,雑音をピーク認定しないよう調節している。結果を前項のグラフに重ねると,確かにピークが検出されていることがわかる。

# peak detection
peaks,_ = signal.find_peaks(amp_fft,prominence=0.1)

#amplitude spectrum plot
plt.plot(f_fft, amp_fft)
plt.scatter(f_fft[peaks], amp_fft[peaks], color='red')
plt.xlim(1,500)
plt.xlabel("Frequency [Hz]")
plt.ylabel("Amplitude [a.u.]")
plt.grid()
plt.show()

amp_spectrum.png

このとき prominence の値が不適切だと,例えば prominence = 1, 0.05 の場合,ピーク検出が不十分となったり,雑音まで拾って過剰にピーク検出してしまう。prominenceに限らず,このようなハイパーパラメータの設定には注意が必要である。

amp_spectrum_prominence-1.png
amp_spectrum_prominence-0.05.png

5
5
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
5
5

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?