跳转至

库

os

os 模块提供了与操作系统进行交互的功能，可以用于文件和目录的操作、环境变量的访问等。

os 模块的常用功能包括：

  • os.path：提供了用于处理文件路径的函数，如 os.path.join(<path1> + <path2>)（将目录名和文件名合并成一个完整的路径）、os.path.exists(<path>)（检查路径是否存在）、os.path.basename(<path>)（获取文件名）等。
  • os.makedirs(<path>, exist_ok=True)：创建一个新的目录及其所有必要的父目录。如果 exist_ok=True，则当目录已存在时不会抛出异常。

wfdb

wfdb（WaveForm DataBase）是一个用于处理生理信号数据的库，特别适用于心电图（ECG）等生理信号的读取、处理和分析。它提供了方便的接口来访问和操作各种生理信号数据库，如 MIT-BIH 心电数据库。

wfdb 的主要功能包括：

  • wfdb.dl_database(<db_name>, dl_dir=<save_dir>)：下载指定的生理信号数据库。
  • wfdb.dl_files(<db_name>, dl_dir=<save_dir>)：下载指定数据库中的所有文件。下载位置为： 
    <Project>/
├── main.py                <-- 你的运行脚本
└── <save_dir>/                  <-- 这是你设置的 save_dir
    ├── 100.hea            <-- 自动下载的头文件
    └── 100.dat            <-- 自动下载的数据文件
  • wfdb.rdrecord(<record_path>)：读取生理信号记录，返回一个包含信号数据和元数据的对象。
  • wfdb.plot_wfdb(<record>)：用于可视化生理信号数据。
  • wfdb.processing：提供了一些信号处理工具，如滤波、峰值检测等。
  • wfdb.io：提供了输入输出功能，可以读取和写入各种生理信号数据格式。
  • wfdb.annotation：用于处理生理信号的注释数据，如心电图中的心拍事件标记等。

matplotlib

matplotlib 是一个用于创建静态、动态和交互式可视化图表的 Python 库。它提供了丰富的功能来绘制各种类型的图表，如线图、散点图、柱状图等。

matplotlib 的主要功能包括：

  • matplotlib.pyplot.figure(<figsize> = (x, y))：创建一个新的图形对象。
  • matplotlib.pyplot.plot(<x>, <y>)：绘制线图。
  • matplotlib.pyplot.xlabel(<label>)：设置 x 轴标签。
  • matplotlib.pyplot.ylabel(<label>)：设置 y 轴标签。
  • matplotlib.pyplot.title(<title>)：设置图表标题。
  • matplotlib.pyplot.grid(<bool>, linestyle=<style>, alpha=<alpha>)：显示或隐藏网格线，alpha 控制透明度。
  • matplotlib.pyplot.scatter(x, y, color=<color>, marker=<marker>, zorder=<zorder>, label=<label>)：绘制散点，可以设置颜色、标记样式、图层顺序和图例标签。
  • matplotlib.pyplot.legend()：显示图例。

numpy

numpy 是一个用于科学计算的 Python 库，提供了高效的多维数组对象和各种数学函数。它是许多数据分析和机器学习库的基础。

numpy 的主要功能包括：

  • numpy.arange([start], stop, [step])：创建等差数列数组(list)对象。
  • numpy.linspace(start, stop, num)：创建等间隔的数值数组。
  • numpy.diff(arr)：计算数组的离散差分。
  • numpy.where(condition)：返回满足条件的元素的索引（元组）。

scipy

scipy 是一个用于科学计算的 Python 库，提供了许多用于优化、线性代数、信号处理等领域的函数和工具。

scipy 的主要功能包括：

  • scipy.signal.butter(N, Wn, btype='bandpass', analog=False, fs=None)：巴特沃斯滤波器。N (int): 滤波器的阶数，阶数越高，频带边缘的下降越陡峭。Wn (array_like): 临界频率序列[low, high]。btype: 必须设置为 'bandpass'。fs (float): 信号的采样频率（单位通常为 Hz）。

scipy.signal.butter 在内部计算时，默认期望输入的截止频率是一个在 0 到 1 之间 的相对数值：

  • 0：对应 0 Hz（直流分量）。
  • 1：对应尼奎斯特频率。

因此，Wn 中的频率值需要先除以 Nyquist 频率（采样频率的一半）进行归一化处理。

该函数返回一个包含两个数组的元组：(b, a)。这两个数组定义了滤波器的传递函数，

  • b (numerator): 滤波器的分子系数数组。

  • a (denominator): 滤波器的分母系数数组。

  • scipy.signal.filtfilt(b, a, x)：使用零相位滤波器对信号进行滤波，避免相位失真。

  • scipy.signal.find_peaks(x, height, distance)：在一维数组中找到局部峰值。height: 峰值的最小高度，distance: 峰值之间的最小距离（以样本数为单位）。返回一个元组：

第一个返回值 (peaks)：一个包含所有检测到的波峰索引（位置）的数组。这是最核心的数据。

第二个返回值 (properties)：一个字典 (Dictionary)，包含了关于这些波峰的其他信息（前提是你设置了额外的参数）。