Python 从频谱图识别时间相关信号

我正试图从一张光谱图中追踪几个信号。问题在于，随着时间的推移，信号的频率会发生变化，因此很难将其隔离。（见下图）是否有一个python函数能够随时间跟踪信号？请注意，在进行任何FTs之前，我没有访问原始数据的权限-只有光谱图本身的2D阵列

我所尝试的（为了缓和成功：）

按时间对2D频谱图进行切片，并在每次识别频率中的峰值

尝试跟踪峰值位置，以捕获每个信号随时间的变化

这种方法是拼凑的代码，但结果看起来很有希望，如下所示：

原始光谱图：

跨时间的频率跟踪：

我所寻找的是一种更稳健的方法来实现这一点。我希望不用写我自己的脚本，而是使用一些开发的工具来进行数据分析。这样的python工具存在吗

谢谢

这是我用来绘制这些图的代码。完全开放以完成大修，因为这显然不可靠

import numpy as np
from matplotlib.pyplot import *
from matplotlib.colors import LogNorm

data = np.load('spectrogram.npz')

## ---- trim data ---- ###

it1=1000
it2=1700
if1=0
if2=1900
tvec = data['tvec'][it1:it2]
fvec = data['fvec'][if1:if2]
spect = data['spect'][0][if1:if2,it1:it2]
v = np.linspace(min(spect.flatten()),0.1*max(spect.flatten()),100)

## ---- spectrogram ---- ###

figure()
contourf(tvec,fvec,spect,v,cmap=plt.cm.jet,norm=LogNorm())
xlabel('Time (ms)')
ylabel('Frequency (Hz)')

## ---- find modes ---- ###

# initialize to NaNs
kHz12 = np.full(len(tvec),np.nan)
kHz25 = np.full(len(tvec),np.nan)
kHz50 = np.full(len(tvec),np.nan)
kHz50_f0 = 50E3
kHz70 = np.full(len(tvec),np.nan)
for i in range(it2-it1):
    x = spect[:,i]
    peaks, _ = scipy.signal.find_peaks(x,height=100,prominence=50)
    #scatter([tvec[i]]*len(peaks),fvec[peaks],1,marker='o')

    ### --- scroll through time and keep track of each frequency --- ###
    kHz12_subsel = [y for j,y in zip(peaks,x[peaks]) if fvec[j] > 11E3 and fvec[j] < 15E3]
    if kHz12_subsel: kHz12[i] = fvec[peaks][np.where(x[peaks] == np.max(kHz12_subsel))]

    kHz25[i] = fvec[peaks][np.argmax(x[peaks])]

    kHz50_subsel = [y for j,y in zip(peaks,x[peaks]) if fvec[j] > 45E3 and fvec[j] < 60E3]
    if kHz50_subsel: 
        kHz50[i] = fvec[peaks][np.argmin([abs(f-kHz50_f0) for f in fvec[peaks]])]
        kHz50_f0 = kHz50[i]

    kHz70_subsel = [j for j in peaks if fvec[j] > 60E3 and fvec[j] < 80E3]
    if kHz70_subsel:
        kHz70[i] = np.average(fvec[kHz70_subsel])

## ---- plot modes ---- ###

plot(tvec,kHz12,lw=2,c='k')
plot(tvec,kHz25,lw=2,c='k')
plot(tvec,kHz50,lw=2,c='k')
plot(tvec,kHz70,lw=2,c='k')

将numpy导入为np
从matplotlib.pyplot导入*
从matplotlib.colors导入LogNorm
data=np.load（'spectrogram.npz'））
##----修剪数据----###
it1=1000
it2=1700
如果1=0
if2=1900
tvec=数据['tvec'][it1:it2]
fvec=数据['fvec'][if1:if2]
spect=data['spect'][0][if1:if2，it1:it2]
v=np.linspace（最小（spect.flatte（）），0.1*max（spect.flatte（）），100）
##----光谱图----###
图（
轮廓图（tvec，fvec，spect，v，cmap=plt.cm.jet，norm=LogNorm（））
xlabel（‘时间（毫秒）’）
ylabel（'频率（Hz）'）
##----查找模式--###
#初始化为NaNs
kHz12=np.full（len（tvec），np.nan）
kHz25=np.full（len（tvec），np.nan）
kHz50=np.full（len（tvec），np.nan）
kHz50_f0=50E3
kHz70=np.full（len（tvec），np.nan）
对于范围内的i（it2-it1）：
x=spect[：，i]
峰值，u=scipy.signal.find_峰值（x，高度=100，突出度=50）
#散射（[tvec[i]]*len（峰值），fvec[峰值]，1，标记为'o'）
###---滚动时间并跟踪每个频率--###
如果fvec[j]>11E3且fvec[j]<15E3，则kHz12_subsel=[y代表j，y在zip中（峰值，x[peaks]）
如果kHz12_海底：kHz12[i]=fvec[peaks][np.式中（x[peaks]==np.max（kHz12_海底））]
kHz25[i]=fvec[峰值][np.argmax（x[峰值]]
kHz50_subsel=[y代表j，y在zip中（峰值，x[peaks]），如果fvec[j]>45E3且fvec[j]<60E3]
如果kHz50_海底：
kHz50[i]=fvec[峰值][np.argmin（[abs（f-kHz50_f0）表示fvec[峰值]]
kHz50_f0=kHz50[i]
kHz70_subsel=[j，如果fvec[j]>60E3且fvec[j]<80E3，则峰值中的j为j]
如果kHz70_海底：
kHz70[i]=np.平均值（fvec[kHz70_subsel]）
##----打印模式--###
绘图（tvec，kHz12，lw=2，c='k'）
绘图（tvec，kHz25，lw=2，c='k'）
绘图（tvec，kHz50，lw=2，c='k'）
绘图（tvec，kHz70，lw=2，c='k'）

请提供您用于创建第二幅图像的代码，好吗？@arnavpodar我已经添加了代码对不起，我找不到一个简单的函数来重建您所做的操作。但是，您可以将代码转换为带有

def timething（foo，bar）：

和参数的函数，并使用它。稍后，您甚至可以尝试将您的函数/模块上载到python.org，以便其他人也可以使用它。请提供您用于创建第二个映像的代码给我们好吗？@arnavpodar我添加了代码抱歉，我找不到一个简单的函数可以重新创建您所做的操作。但是，您可以将代码转换为带有

def timething（foo，bar）：

和参数的函数，并使用它。稍后，您甚至可以尝试将函数/模块上传到python.org，以便其他人也可以使用它。