1. 从一段噪声信号说起为什么峰值检测值得单独拎出来讲手头有一段从传感器采回来的振动信号采样率 1 kHz时长 10 秒画出来一看毛刺密密麻麻真正想找的那几个冲击峰值全被淹没在噪声里。这时候如果直接上findpeaks默认参数结果要么漏掉一半要么把噪声尖刺全当成峰值报出来。这个场景在信号处理、生物医学、音频分析、设备故障诊断里反复出现也是很多人第一次用 Matlab 做峰值提取时踩的第一个坑。Matlab 2019b 的信号处理工具箱里findpeaks是最核心的函数但它远不止找最大值这么简单。它背后涉及局部极大值判定、峰显著性度量、最小峰间距约束、峰宽过滤这一整套逻辑。把这套逻辑吃透你才能从一段脏信号里稳定地提取出真正有物理意义的峰值而不是被噪声牵着鼻子走。这篇内容适合三类人一是刚接触 Matlab 信号处理、想搞明白findpeaks每个参数到底在干什么的新手二是已经会用但结果总不稳定、想系统梳理参数调优思路的工程师三是需要把峰值检测嵌入到自动化流程里、要求结果可复现的开发者。我会从原理讲到实操把参数背后的数学含义、调参的取舍逻辑、以及我在实际项目里踩过的坑都摊开讲。先给一个最直观的结论峰值检测的难点从来不是找到最大值而是定义什么才算一个峰。这个定义权在你手里靠的就是那几个关键参数。下面逐层拆开。2. findpeaks 的判定逻辑一个峰到底是怎么被认出来的2.1 局部极大值的数学定义与边界处理findpeaks最底层的判定非常朴素一个采样点如果同时大于它左右相邻的点它就是一个局部极大值。用数学语言说对于序列 x若x(i) x(i-1)且x(i) x(i1)则 i 是一个候选峰。这里有个容易被忽略的细节边界点永远不可能是峰。序列的第一个点和最后一个点没有完整的左右邻居所以findpeaks直接跳过它们。我见过有人拿一段信号找峰发现最开头那个明显的尖峰死活检测不到排查半天以为是参数问题其实就是因为它落在边界上。解决办法很简单在信号两端各补一个极小值比如补零或者补信号的最小值把真正的峰挤进内部。另一个细节是平台峰的处理。如果信号里有连续几个点值相等比如[1 3 3 3 1]严格意义上的局部极大值判定会失效因为中间那几个点并不满足严格大于邻居。Matlab 对这种情况的处理是取平台的中点作为一个峰。这个行为在量化精度较低的数据里很常见比如某些低分辨率 ADC 采回来的信号峰顶会呈现阶梯状。知道这个行为你就不会对为什么峰的位置偏了半个点感到困惑。2.2 峰显著性区分真峰和噪声毛刺的第一道闸门光靠局部极大值判定一段噪声信号能给你找出成百上千个峰。所以findpeaks引入了**峰显著性prominence**这个概念这是它最精髓的设计之一。显著性的定义稍微绕一点我用大白话解释想象你站在峰顶要走到一个比当前峰更高的峰或者信号的边界路上必须下降的最小高度就是这个峰的显著性。换个说法显著性衡量的是这个峰相对于它周围地形有多突出。具体算法是这样的对每个候选峰向左右两侧延伸找到第一个比它高的点或者到达信号端点记录这段区间内的最低点峰高减去这个最低点的高度就是显著性。如果左右两侧算出来的值不同取较小的那个。为什么这个定义比峰高更靠谱因为峰高是绝对高度一个站在高台上的小凸起峰高可能很大但它相对于周围地形根本不突出显著性就很小。而一个孤立在平地上的尖峰哪怕绝对高度不高显著性也会很大。显著性才是这个峰是不是独立存在的真正度量。在 Matlab 里用MinPeakProminence参数控制。设成 0.5 意味着只保留显著性大于 0.5 的峰。这个值怎么定我的经验是先画图看噪声的幅度范围把阈值设在噪声峰显著性的 2 到 3 倍左右。如果信号幅度是 1 量级噪声毛刺的显著性通常在 0.01 到 0.05那阈值设 0.1 到 0.2 就能滤掉绝大部分毛刺。2.3 最小峰间距与峰宽两个互补的约束维度MinPeakDistance和MinPeakWidth是两个经常被混用的参数但它们约束的维度完全不同。MinPeakDistance是横向距离约束两个峰之间至少隔多少个采样点。它的实现逻辑是如果两个峰离得太近只保留其中更高的那个。这个参数特别适合处理一个真实峰因为抖动被拆成两个的情况。比如采样率 1 kHz你预期真实峰的间隔至少 50 ms那就设MinPeakDistance 50。MinPeakWidth是峰的宽度约束只保留宽度大于某个值的峰。宽度怎么算Matlab 用的是峰半高宽FWHM的概念即峰高一半处的宽度单位是采样点数。这个参数用来滤掉那些又尖又窄的噪声脉冲。真实物理峰通常有一定的宽度而噪声尖刺往往只有一个采样点宽。这两个参数配合使用效果最好。我一般的顺序是先用MinPeakProminence做粗筛再用MinPeakDistance处理粘连最后用MinPeakWidth清理残余的窄脉冲。这个顺序不是死规定但符合从粗到细的过滤直觉调起来心里有数。参数约束维度典型用途单位MinPeakProminence纵向突出程度滤除噪声毛刺信号幅度单位MinPeakDistance横向间距合并粘连峰采样点数MinPeakWidth峰的横向宽度滤除窄脉冲采样点数MinPeakHeight绝对高度滤除低幅值峰信号幅度单位Threshold相对邻域的高度差抑制基线漂移影响信号幅度单位2.4 Threshold 参数被低估的基线漂移克星Threshold这个参数用的人不多但在处理有基线漂移的信号时特别好用。它要求峰的两侧必须比峰低至少 Threshold 的高度否则不算峰。为什么它重要考虑一个缓慢上升的趋势信号上面叠加了一些小波动。局部极大值判定会把这些小波动全找出来因为它们在局部确实比邻居高。但如果你要求峰两侧必须下降至少 0.1那些骑在上升趋势上的小波动就被滤掉了因为它们的一侧可能还在上升。这个参数和显著性的区别在于显著性看的是相对于周围最低点的突出程度而 Threshold 看的是紧邻两侧的下降幅度。对于缓慢漂移的基线Threshold 往往比显著性更直接有效。3. 参数调优的实战路径从一段真实信号出发3.1 先可视化再调参别盲猜我见过太多人拿到信号直接写findpeaks(x)然后对着结果发愁。正确的第一步永远是把信号画出来把默认检测结果叠加画出来。fs 1000; t 0:1/fs:10-1/fs; % 构造一段含噪声的信号三个真实峰 高频噪声 x 2*exp(-((t-2).^2)/0.01) 3*exp(-((t-5).^2)/0.02) ... 1.5*exp(-((t-8).^2)/0.005) 0.3*randn(size(t)); [pks, locs] findpeaks(x); plot(t, x); hold on; plot(t(locs), pks, rv, MarkerFaceColor, r); title(默认参数检测结果);跑一遍你就会发现默认参数下检测出的峰可能有几十个红三角密密麻麻。这时候你心里就有数了噪声幅度大概在 0.3 量级真实峰的幅度在 1.5 以上。这个观察直接告诉你MinPeakHeight至少可以设到 0.8 左右。可视化这一步不能省因为参数没有万能值只有针对具体信号的值。同一套参数换个采样率、换个传感器就完全失效。养成先看图、再定参的习惯比记住任何一组推荐参数都有用。3.2 显著性阈值的定量估算方法很多人设MinPeakProminence靠试试到结果顺眼为止。这在小项目里没问题但如果要写进自动化流程你需要一个可复现的定量方法。我的做法是先检测所有峰统计它们的显著性分布找分布的拐点。[pks, locs, w, p] findpeaks(x); % p 是每个峰的显著性 figure; histogram(p, 50); xlabel(显著性); ylabel(峰数量); title(峰显著性分布);如果信号里真实峰和噪声峰泾渭分明这个直方图会呈现双峰分布左边一大堆低显著性的噪声峰右边一小撮高显著性的真实峰中间有个明显的低谷。把阈值设在低谷位置就是最优分割点。这个方法比拍脑袋靠谱得多而且换信号后重新跑一遍直方图就行流程完全可复现。如果分布没有明显双峰说明真实峰和噪声的显著性有重叠单靠显著性分不干净这时候就要叠加MinPeakDistance或MinPeakWidth一起用。3.3 采样率变化时参数怎么跟着变这是一个非常实际的坑你在 1 kHz 采样率下调好的MinPeakDistance 50换到 10 kHz 采样率下就完全不对了因为同样的物理时间间隔对应的采样点数变成了 500。凡是和时间相关的参数都要用物理时间 × 采样率来换算。我习惯在代码里这样写fs 10000; % 采样率 minDistTime 0.05; % 最小峰间隔 50 ms物理量 minDistSamples round(minDistTime * fs); % 换算成采样点 [pks, locs] findpeaks(x, MinPeakDistance, minDistSamples);这样写的好处是物理需求峰间隔至少 50 ms和实现细节采样点数分离了。换采样率时只改fs逻辑不用动。同理MinPeakWidth也应该用物理宽度乘以采样率来算。MinPeakProminence和MinPeakHeight是幅度量和采样率无关但和信号的物理单位有关。如果信号经过归一化这两个值就在 0 到 1 之间如果是原始电压值可能就是毫伏量级。这一点在跨项目复用代码时特别容易搞混。3.4 用 MinPeakHeight 做粗筛的性价比在四个主要参数里MinPeakHeight是计算成本最低、最直观的一个。它就是一个简单的幅度门限低于这个值的点直接不考虑。我的调参顺序通常是先用 MinPeakHeight 砍掉明显不可能的区域再用其他参数精修。这样做的好处是减少后续参数需要处理的候选峰数量调起来更快也更容易看出每个参数的效果。但要注意MinPeakHeight对基线漂移很敏感。如果信号整体在缓慢上升固定高度门限可能在信号前段滤得太狠、后段又放得太松。这时候要么先做去趋势detrend函数要么改用Threshold参数要么用自适应的滑动窗口门限。这三种方案各有适用场景去趋势最简单滑动窗口最灵活但实现复杂。4. 超越 findpeaks当内置函数不够用的时候4.1 小波变换做峰值检测的思路findpeaks本质上是时域方法对信噪比有一定要求。当噪声和信号在频域上重叠严重时时域方法会很吃力。这时候可以考虑小波变换。思路是这样的对信号做连续小波变换CWT真实峰在特定尺度上会产生明显的模极大值而噪声的模极大值随尺度增大迅速衰减。所以在大尺度上找模极大值就能定位真实峰同时天然抑制了噪声。Matlab 里可以用cwt函数配合模极大值检测来实现。这个方法的代价是计算量大、参数小波基、尺度范围需要调适合离线分析或者对精度要求极高的场景。实时系统里一般还是用findpeaks加滤波。4.2 先滤波再检测还是先检测再滤波这是一个策略选择问题没有绝对答案取决于你的信号特点。先滤波再检测适合噪声频率明显高于信号频率的情况。比如信号是 10 Hz 的脉搏波噪声是 50 Hz 工频干扰一个低通滤波器就能大幅提升检测质量。滤波后findpeaks的参数可以设得更宽松检测更稳定。先检测再滤波适合噪声和信号频率重叠、滤波会同时削弱真实峰的情况。这时候先用宽松参数检测出所有候选峰再根据峰的幅度、宽度、间隔等特征做二次筛选。这种宽进严出的策略在生物信号处理里很常见。我个人的偏好是如果滤波不会明显改变峰的位置和幅度就先滤波。因为滤波后的信号更干净后续所有参数都更好调。判断标准很简单把滤波前后的信号画在一起看峰的位置有没有偏移、幅度有没有明显衰减。如果偏移超过半个采样点就要谨慎了。4.3 处理非平稳信号的滑动窗口策略真实信号往往不是平稳的前段噪声大、后段噪声小或者幅度整体在变化。固定参数在这种信号上表现会很差。滑动窗口策略是把信号切成若干段每段单独估计噪声水平然后动态设定该段的检测参数。窗口长度怎么选太短了统计不稳定太长了跟不上信号变化。我的经验是窗口内至少包含 5 到 10 个预期峰这样统计才有意义。实现上可以用buffer函数切分或者简单地用循环加索引。每段内先算噪声的标准差把MinPeakProminence设为噪声标准差的 3 倍左右然后检测。段与段之间要有重叠避免边界处的峰被漏掉或重复计算。这个策略的代价是代码复杂度上升但换来的是对非平稳信号的鲁棒性。在设备状态监测这类信号幅度会随工况变化的场景里滑动窗口几乎是必需的。5. 那些文档里不会写的踩坑记录5.1 峰位置偏移半个采样点的真相有段时间我一直困惑明明信号峰值目测在 t2.003 秒findpeaks返回的位置却是 t2.002 秒。查了半天以为是 bug后来才想明白。findpeaks返回的是采样点的索引不是峰的精确连续位置。如果真实峰顶落在两个采样点之间findpeaks只能返回离它最近的那个采样点。这个误差最大是半个采样周期。在 1 kHz 采样率下就是 0.5 ms在 10 kHz 下是 0.05 ms。如果需要亚采样点精度的峰位置得做抛物线插值用峰点及其左右邻居三个点拟合一条抛物线抛物线的顶点就是精确峰位置。Matlab 里可以手写这几行% 对第 k 个峰做抛物线插值 i locs(k); if i 1 i length(x) y1 x(i-1); y2 x(i); y3 x(i1); delta 0.5 * (y1 - y3) / (y1 - 2*y2 y3); preciseLoc i delta; % 精确位置采样点单位 end这个技巧在需要精确测量峰间时间间隔的场景里很重要比如心率变异性分析半个采样点的误差累积起来会影响结果。5.2 端点效应为什么信号开头结尾的峰总丢前面提过边界点不算峰但实际影响比想象的大。如果你的信号是分段处理的每段的首尾都会有峰丢失段与段拼接起来就会在接缝处出现规律性的漏检。解决办法有两个一是段间重叠每段多取一些数据检测完后只保留中间部分的结果二是端点延拓在信号两端各补一段镜像或极值检测完再去掉补的部分。段间重叠更通用我一般用这个方法重叠长度设为预期最大峰间距的两倍就够。5.3 当信号有多个通道时怎么批量处理多通道信号比如多路传感器做峰值检测时最忌讳的是对每个通道用同一套参数。不同通道的噪声水平、信号幅度可能差很多统一参数必然有的通道过检、有的通道漏检。正确做法是逐通道独立估计参数。写一个函数输入单通道信号内部完成噪声估计、参数设定、峰值检测然后对每个通道循环调用。这样每个通道都得到适合自己的参数结果才可靠。如果通道数很多可以考虑并行化。Matlab 的parfor用起来很简单把循环变量换成parfor就行。但要注意并行池的启动有开销通道数少于 4 个时可能还不如串行快。5.4 结果可复现性随机性从哪里来峰值检测本身是确定性的同样的输入和参数必然得到同样的输出。但如果你在检测前做了随机性的预处理比如某些自适应滤波算法含随机初始化结果就不可复现了。保证可复现的做法固定随机数种子。在代码开头加rng(42)这样每次运行得到的随机序列都一样。这个习惯在调试阶段特别有用能排除随机性干扰让你专注于参数本身的影响。另外findpeaks对输入数据的类型敏感。单精度和双精度算出来的结果可能有微小差异在临界情况下会导致峰的取舍不同。如果对可复现性要求极高统一用双精度Matlab 默认处理。6. 把峰值检测嵌入自动化流程的几个工程细节6.1 参数配置的外部化当峰值检测成为自动化流程的一环参数就不应该硬编码在函数里。我的做法是把所有参数写进一个结构体或配置文件检测函数从外部读取。params.minProminence 0.15; params.minDistanceTime 0.05; params.minWidthTime 0.01; params.fs 1000; function [pks, locs] detectPeaks(x, params) minDist round(params.minDistanceTime * params.fs); minW round(params.minWidthTime * params.fs); [pks, locs] findpeaks(x, ... MinPeakProminence, params.minProminence, ... MinPeakDistance, minDist, ... MinPeakWidth, minW); end这样换信号时只改配置不动代码逻辑。参数配置还可以存成 mat 文件或文本文件方便版本管理和回溯。6.2 检测结果的质量评估指标自动化流程需要知道这次检测结果靠不靠谱。我通常监控几个指标检测到的峰数量、峰显著性的均值和中位数、峰间距的变异系数。如果峰数量突然比历史均值多很多或少很多说明信号特性变了或者参数失效了需要报警。显著性均值下降说明噪声水平上升。峰间距变异系数异常说明检测到了不该检测的峰或者漏掉了该检测的峰。这些指标不需要很精确作为趋势监控足够了。关键是建立基线在信号正常时记录这些指标的典型范围后续偏离范围就触发检查。6.3 从检测到提取峰特征参数的完整清单检测出峰位置只是第一步真正有用的是峰的特征参数。一个完整的峰特征集包括峰位置采样点索引或物理时间峰幅度峰值本身峰显著性相对于周围地形的突出程度峰宽度半高宽反映峰的陡峭程度峰面积峰两侧到基线之间的积分反映能量峰间距相邻峰之间的时间差findpeaks直接返回位置、幅度、宽度、显著性。峰面积和峰间距需要自己算。峰面积可以用梯形积分从峰左侧的谷点到右侧的谷点积分。峰间距就是相邻位置的差分。这些特征组合起来能刻画峰的完整形态为后续的分类、识别、诊断提供输入。比如在故障诊断里冲击峰的宽度和面积往往比峰高更能反映故障类型。7. 一个完整的可复现示例从原始信号到特征表把前面讲的东西串起来给一个端到端的例子。假设有一段含噪声的振动信号目标是提取所有冲击峰并输出特征表。%% 1. 准备信号 fs 2000; t 0:1/fs:5-1/fs; % 模拟冲击信号5个冲击间隔约1秒叠加噪声 x zeros(size(t)); impactTimes [0.5, 1.5, 2.5, 3.5, 4.5]; for k 1:length(impactTimes) x x 2*exp(-((t-impactTimes(k)).^2)/0.0005); end x x 0.2*randn(size(t)); %% 2. 可视化与噪声估计 figure; plot(t, x); title(原始信号); noiseLevel mad(x, 1); % 用中位数绝对偏差估计噪声比标准差抗异常值 %% 3. 参数设定物理量转采样点 params.fs fs; params.minProminence 5 * noiseLevel; % 噪声的5倍 params.minDistanceTime 0.3; % 最小间隔300ms params.minWidthTime 0.005; % 最小宽度5ms %% 4. 检测 minDist round(params.minDistanceTime * fs); minW round(params.minWidthTime * fs); [pks, locs, w, p] findpeaks(x, ... MinPeakProminence, params.minProminence, ... MinPeakDistance, minDist, ... MinPeakWidth, minW); %% 5. 抛物线插值精修位置 preciseLocs locs; for k 1:length(locs) i locs(k); if i 1 i length(x) y1 x(i-1); y2 x(i); y3 x(i1); denom y1 - 2*y2 y3; if abs(denom) eps delta 0.5 * (y1 - y3) / denom; preciseLocs(k) i delta; end end end %% 6. 组装特征表 peakTimes (preciseLocs - 1) / fs; peakIntervals [NaN; diff(peakTimes)]; resultTable table(peakTimes, pks, p, w, peakIntervals, ... VariableNames, {Time_s, Amplitude, Prominence, Width, Interval_s}); disp(resultTable); %% 7. 结果可视化 figure; plot(t, x); hold on; plot(peakTimes, pks, rv, MarkerFaceColor, r, MarkerSize, 8); xlabel(时间 (s)); ylabel(幅度); title(峰值检测结果);这段代码里有几个值得说的点。第一噪声估计用mad而不是std因为mad对异常值更鲁棒而信号里的冲击峰本身就是异常值用std会把噪声水平估高。第二显著性阈值设为噪声的 5 倍这个倍数不是死的可以根据实际效果调整但 3 到 5 倍是个合理的起点。第三抛物线插值前检查了分母避免除以零。跑完这段代码你会得到一张干净的特征表每个冲击峰的时间、幅度、显著性、宽度、间隔都列得清清楚楚。这个表可以直接喂给后续的分析流程。8. 关于参数敏感性和鲁棒性的一点个人体会做了这么多峰值检测的项目我最大的体会是不要追求一组完美参数要追求一套参数调整的方法论。信号是会变的。今天调好的参数明天换个工况可能就失效了。真正有价值的是知道每个参数在什么情况下该往哪个方向调以及怎么快速判断当前参数是否合适。我的判断流程是这样的先看检测结果的可视化图如果漏检明显降低MinPeakProminence或MinPeakHeight如果过检明显提高这两个值如果峰位置粘连增大MinPeakDistance如果窄脉冲混进来了增大MinPeakWidth。每次只调一个参数调完立刻看效果这样能建立参数和结果之间的直觉映射。还有一点保留中间结果。检测过程中的候选峰、显著性分布、噪声估计值这些都存下来。出问题时能回溯调参时能对比。我习惯把每次检测的参数和结果指标记进日志时间长了就能看出哪些参数组合在哪些信号条件下表现好形成自己的经验库。最后说一个容易被忽视的点峰值检测的验收标准要和下游任务对齐。如果下游是做峰计数那漏检和过检的代价可能不对称参数就要往减少代价大的那个方向偏。如果下游是做峰定位那位置精度比数量更重要抛物线插值就不能省。脱离下游需求谈检测准不准是没有意义的。