执行信号处理和分析
PySPT 提供了一些函数和 App，用来分析、预处理及提取均匀和非均匀采样信号的特征。该工具箱包含可用于滤波器设计和分析、重采样、平滑处理、去趋势和功率谱估计的工具。该工具箱还提供了提取特征（如变化点和包络）、寻找波峰和信号模式、量化信号相似性以及执行 SNR 和失真等测量的功能。您还可以对振动信号执行模态和阶次分析。
使用信号分析器，您可以：在时域、频域和时频域同时预处理和分析多个信号，而无需编写代码；探查长信号；以及提取感兴趣的区域。通过滤波器设计工具，您可以从多种算法和响应中进行选择来设计和分析数字滤波器。
对应的Matlab案例 : Signal Processing Toolbox 快速入门--MathWorks
- 分析信号
- 使用信号分析器
在时域、频域和时频域中可视化、测量、分析和比较信号。 - 从音乐信号中提取声音
使用信号分析仪，通过重复和过滤信号，从歌曲中提取声音。
- 预处理信号
- 将信号与不同开始时间对齐
同步不同传感器在不同时刻采集的数据 - 在测量中找到信号
确定一个信号是否与一个有噪声的长数据流的段匹配。
- 查找模式并提取特征
- 在数据中查找峰值
定位一组数据中的局部最大值，并确定这些峰值是否周期性出现。 - 提取时钟信号的特征
确定一个双电平信号开启和关闭的频率和频率。
- 设计、分析和应用数字滤波器
- 用 PySPT App对数据进行滤波
使用命令行函数或交互式 App 设计和实现滤波器。 - 取信号的导数
使用微分滤波器在不放大噪声的情况下对信号进行求导。
- 执行频谱和时频分析
- 使用频率分析求周期性
频谱分析有助于表征数据中的振荡行为，并测量不同周期。 - 使用重新分配的谱图查找和跟踪山脊
- 利用Signal Analyzer中重新分配的谱图来锐化谱图的时间和频率局部化。
- 将信号处理应用于机器学习和深度学习
- 使用长短期记忆网络对 ECG 信号进行分类
使用深度学习和信号处理对心跳心电图数据进行分类。 - 使用深度学习进行波形分割
使用时频分析和深度学习分割人体心电图信号。 - 对信号属性、感兴趣区域和点设置标签 使用Signal Labeler来标记一组鲸鱼歌曲中的属性、区域和兴趣点。