基于多重尺度局部最大值检测的自动峰值识别算法及应用研究

简介：
本研究提出了一种基于多重尺度局部最大值检测的自动峰值识别新算法，并探讨其在不同领域的应用效果。 该论文介绍了一种新的峰值检测方法——自动多尺度峰检算（AMPD）。这一方法能够在噪声环境中准确地识别出准周期信号以及确定性数据流中的峰值点，并且无需设定任意的自由参数，通过分析局部最大值分布图（LMS）来进行峰值识别。在多种情况下验证了该方法的有效性和鲁棒性。 具体而言，论文详细介绍了AMPD的具体步骤：首先消除线性趋势；然后使用滑动窗口找到所有局域最大值，并构建出一个LMS矩阵；最后计算行之和以确认最佳规模等操作。实验中运用了太阳黑子记录资料、脑血容积脉冲信号、二氧化碳浓度峰值、ECG的QRS波群峰值以及地球每日长度因月潮力波动产生的变动高峰，还有洛伦兹系统的奇异性现象来验证AMPD的有效性。 此方法适合于专注于数据分析、医学工程和物理研究等领域的人士，尤其是在需要精准识别时变序列极值的应用科学家和技术开发人员。该技术可以应用于生物信号如脑电信号的血量波动检测，天体物理数据中的特征周期事件捕捉（例如太阳黑子数目）以及生理学数据集的关键指标发现等场景。 AMPD为带噪信或近似规则振荡的检测任务提供了一种自动化解决方案，无需人为设定阈值。此外，在不同频率段噪声干扰的情况下仍能保持较高的精度和准确性。在处理高频与低频混合噪声时，预先实施高通滤波可能会优化其性能；然而，在大多数实际应用场景中，AMPD能够直接获得满意的效果而不需要额外的预处理步骤。