从 FFT 中获取幅度最高的频率答案

【问题标题】：Get frequency with highest amplitude from FFT从 FFT 中获取幅度最高的频率
【发布时间】：2019-09-05 23:13:12
【问题描述】：

我有 x、y、z 轴形式的原始加速度计数据，这些数据经过平滑处理，并应用了带通滤波器。现在我想将其转换为频域信号并使用scipy.fftpack.fft 来应用 FFT。

sampling_frequency = 32
def fft(acc_data):
  N = len(acc_data)

  fft_data = sp.fftpack.fft(acc_data)
  freqs = sp.fftpack.fftfreq(N)

  plt.bar(freqs, np.abs(fft_data)) 
  plt.xlabel('Frequency in Hertz [Hz]')
  plt.ylabel('Magnitude')
  plt.title('FFT')
  plt.show()

这个图没有绘制点并且是空的。 fft 的返回值是一个复数数组。我正在使用fftfreq 来获得最高振幅的频率。

有人可以指出错误的地方或举例说明如何通过应用 FFT 获得最高振幅的频率值吗？

完整代码可在here获取

【问题讨论】：

标签： python scipy fft accelerometer heartrate

【解决方案1】：

我建议您远离您的代码，并首先掌握执行 fft 调用并理解从该调用返回的结果的能力......要么读取已知频率的 sin 曲线，要么只编写一个函数来填充带有浮点正弦曲线的数组（这是您的时域信号）...然后将该数组输入 fft 调用，该调用通常会返回给您一个新的复数数组...这个新数组的每个元素是现在在频域中代表一个频率值...一个频率区间...可以使用计算该频率的幅度

nyquist_limit_index := int(number_of_samples / 2)

curr_freq := 0.0
incr_freq := flow_data_spec.sample_rate / number_of_samples

for index, curr_complex := range complex_fft { 

    if index <= nyquist_limit_index  {

        curr_real = real(curr_complex) // pluck out real portion of imaginary number
        curr_imag = imag(curr_complex) // ditto for im

        curr_mag = 2.0 * math.Sqrt(curr_real*curr_real+curr_imag*curr_imag) / number_of_samples

        curr_theta = math.Atan2(curr_imag, curr_real) // phase shift of this freq

        curr_dftt := discrete_fft { // populate a struct of current array element

            real:      2.0 * curr_real,
            imaginary: 2.0 * curr_imag,
            magnitude: curr_mag,
            theta:     curr_theta,
        }

        //  optionally stow curr_dftt for later
    }

    curr_freq += incr_freq
}

其中 number_of_samples 只是您输入 fft 调用的时域数组的长度

上面的代码向您展示了如何遍历从较早的 fft 调用返回给您的复数的频域数组...上面是伪代码而不是 python，但您的过程可能会非常相似

要识别具有最大幅度的频率 ( curr_freq )，只需跟踪上述循环中哪个 curr_freq 的幅度最大...在我们的玩具设置中，您可能很清楚源输入 sin 曲线的频率，因此相同的频率应该以上面最大量级的 curr_freq 弹出...在您完成这项工作并且其概念深入了解之后，然后将您学到的知识应用到您手头的任务中 - 祝您好运

傅立叶分析及其各种咒语非常强大，可以打开许多门。这是一个需要思考的话题，但如果我们允许自己简单地将一些 api 调用连接在一起以使某些东西正常工作，我们确实错过了一些非常神奇的东西

【讨论】：