一维信号波峰波谷自动检测系统

资 源 简 介

该项目旨在开发一个基于MATLAB的高效信号处理系统，用于自动化识别和提取一维时间序列信号中的局部极大值（波峰）和局部极小值（波谷）。系统核心功能利用了MATLAB信号处理工具箱中的findpeaks及其衍生算法，通过设置波峰高度阈值、最小峰间距、峰宽限制以及显著性阈值，能够从复杂的背景噪声中准确锁定信号的特征点。为了提高检测的鲁棒性，系统内置了信号预处理模块，包含移动平均平滑、高斯滤波以及中值滤波技术，有效消除了随机噪声导致的伪极值现象。该项目支持对大规模数据集的批处理分析，并能实时计算波峰波谷之间的周

详 情 说 明

一维信号波峰与波谷自动检测系统

项目介绍

本项目是一款基于MATLAB开发的高效信号处理系统，专门用于自动化识别和提取一维时间序列信号中的局部极大值（波峰）和局部极小值（波谷）。系统集成了信号模拟、预处理、特征提取及可视化功能，通过科学的参数配置，能够从包含噪声和离群点的复杂背景中准确提取信号的核心特征。该系统广泛适用于医疗电心信号分析、工业振动监测及金融数据分析等场景。

功能特性

1. 复杂信号模拟：支持生成包含主波、谐波、高斯随机噪声以及突发离群干扰项的复合模拟信号，用于验证算法稳健性。
2. 双重预处理机制：内置中值滤波（Median Filter）用于消除脉冲噪声，结合移动平均平滑（Moving Average）进一步压制随机白噪声。
3. 自动化极值检测：通过设定高度阈值、最小峰间距及峰宽限制，实现对有效特征点的精准提取，避免伪极值干扰。
4. 统计特征提取：自动计算波峰/波谷数量、均值、标准差、信号周期以及峰峰值（Peak-to-Peak）等核心指标。
5. 直观可视化界面：生成包含原始信号对比、平滑处理效果及特征点标注的多维度图表，支持结果的实时预览。

使用方法

1. 环境配置：确保计算机已安装 MATLAB 并在路径中包含信号处理工具箱（Signal Processing Toolbox）。
2. 执行程序：在 MATLAB 命令行窗口中运行主程序代码。
3. 结果获取：

- 命令行窗口将实时打印信号分析统计报告（包含波峰波谷数量、平均幅值、平均周期等）。 - 程序将自动弹出可视化图形窗口，分为“信号预处理前后对比”和“波峰与波谷自动检测结果”两个子图。

系统要求

• 软件环境：MATLAB R2016b 或更高版本。
• 必备工具箱：Signal Processing Toolbox。

实现逻辑与详细功能说明

代码实现遵循了从信号合成到预处理，再到特征提取与结果呈现的标准闭环流程：

1. 实验准备与模拟信号：

系统首先建立 1000Hz 的采样环境。生成的测试信号由两个不同频率的正弦波（2Hz 和 8Hz）叠加而成，模拟具有节律性的脉搏波。随后注入标准差为 0.15 的高斯噪声，并手动在 0.5 秒和 1.2 秒处植入极大的正负离群点，用以测试系统对异常数据的容错能力。

1. 信号预处理模块：

为了解决原始信号中的尖峰干扰，系统首先应用阶数为 5 的中值滤波，有效剔除孤立的离群点。之后使用窗口长度为 20 个采样点的移动平均算法进行平滑处理，为后续的极值检测提供稳定的基准线。

1. 极值自动检测算法：

系统利用 findpeaks 函数进行波峰检测，其核心逻辑包括：

• 设置最小峰值高度为 0.2，过滤低幅值背景噪声。
• 设置最小峰间距为采样率的 10%（即 0.1 秒），防止对同一波峰的重复触发。
• 应用最小峰宽约束，确保提取的是具有物理意义的特征波形而非瞬时波动。

对于波谷检测，系统采用将平滑信号取反的逻辑，再次调用同类算法，从而实现对称的检测效果。

1. 特征分析逻辑：

在检测到极值点后，系统执行二次计算：

• 利用时间索引的差分值计算相邻波峰间的平均周期。
• 采用最近邻搜索逻辑，为每一个波峰匹配距离其最近的波谷，从而计算出准确的峰峰值差距。

1. 结果可视化：

程序生成 1000x700 像素的画布。第一子图展示原始含噪信号与平滑后信号的重叠效果；第二子图在平滑曲线上使用红色圆形标记波峰（并附带 P1, P2 等编号标签），使用绿色倒三角标记波谷。

关键算法与函数分析

• medfilt1：作为非线性滤波器，相比线性滤波能更好地保护信号边缘，专门针对离群异常点进行修正。
• smoothdata ('movmean')：通过滑动窗口求均值的方式，消除了由于噪声导致的信号局部抖动。
• findpeaks：核心算子。通过控制 MinPeakHeight 和 MinPeakDistance 解决了复杂波形中特征点密集或背景杂乱的问题。
• 信号反转技术：通过 -signal 代替直接查找局部极小值，保证了在同一套约束参数下波峰与波谷检测的逻辑对等。
• 统计特征封装：通过 mean 和 std 函数对提取出的动态特征阵列进行量化描述，为后续的分类或分析提供数据支撑。