Stimmt du hast recht, man vergleicht sich nicht mit sich selbst.

Ich habe gedacht, das jedes Subarray einen Index hat im Array und das wenn ich um 1 addiere das es um ein Index springt.
In deinem Beispiel inkrementiert es die range um 1.

Heißt in meiner Hypothese: Das es nicht stimmt was ich sage ...

Das mit dem numpy split, werde ich mir später im nachhinein anschauen, danke für den Hinweis.

@deets:

Wenn ich paarweise jedes Subarray mit allen anderen Subarrays vergleiche habe ich dann 13x13 vergleiche, aber immer noch insgesamt 13 Segmente oder was meinst du?
Ich möchte das jedes Subarray ...

Entschuldige den Code den ich gepostet habe kann garnicht funktionieren.
Ich hatte was ausprobiert, es aber nicht zurückgeändert.

Das ist der richtige Code.

y=[y[pre: next] for pre, next in zip(peak_pos,peak_pos[1:len(peak_pos)])]

k = []
for elem in y:
k.append(np.correlate(elem,elem+1 ...

Ich bin gerade dabei Features zu berechnen auf meine Segmente. Ein Feature ist die cross-correlation die uns nahe gelegt wurde.

Der Code um meine Segmente zu teilen ist das

y=[y[pre: next] for pre, next in zip(peak_pos,peak_pos[1:len(peak_pos)])]

Da es ein Array ist mit mehreren subarrays habe ...

Achsoo, jetzt funktioniert es, vielen Dank! Ich habe alle Werte zwischen den Peaks und beim letzten Subarray fängt es am vorletztem Peak an und hört beim letzten Peak auf ! Also egal was man macht zip_longest geht immer über alle Werte?

Ich habe angegeben das es nur bis zum vorletzten Peak das Intervall starten soll mit dem Code:

print([sensor_x[pre: next] for pre, next in zip_longest(peak_pos,peak_pos[1:len(peak_pos)-2])])

Aber es ändert sich nichts, es nimmt immer noch die Werte nach dem letzen Peak. Dazu habe ich noch ein ...

Ich habe nach geschaut, es fängt beim ersten Peak an zu schneiden, was gut ist. Daher ist es eigentlich gut wenn es die Peaks, als Anfangswert nimmt.

Nur nicht den letzten Peak.

Ich frage mal meinen Professor, ob er das wirklich so meint, ob die Features mit den Rohdaten berechnet werden sollen.

Oh okay, ich werde mich mal schlau machen über die Notation, danke!

Ich möchte nicht die Daten nach dem letzten Peak haben. Es soll ja nach dem letzten Peak stoppen, weil da die ...

Zu meiner Vorgehensweise:

Mein Ziel ist es alle Rohdaten (x,y,z) zwischen den Peaks zu bekommen und auf diesen Daten sollen die Features berechnet werden, die ich auswählen muss. Diese Daten sollen gelabelt werden und dann in die ML-Pipeline in Matlab eingespeist werden. Zumindest wird es uns so ...

Also ich habe etwas gefunden was etwas klappt, jedoch nicht so das rauskommt was ich brauche.

[


y = butter_lowpass_filter(sensor_data, cutoff, fs, order)


peaks = find_peaks(y*-1, height = 0.00, threshold = None, distance=170)
height = peaks[1]['peak_heights'] #list of heights of peaks
peak_pos ...

Ich habe soweit die negativen Peaks. Ich muss jetzt die Daten vom Low pass Filter in den jeweiligen Punkte schneiden wo die lokalen Peaks angesetzt sind, also heißt die Daten des Lowpassfilters in subarrays schneiden. Es soll dann geschnitten werden wenn es einen Peak findet richtig?

[0.06110087 ...

Die Daten müssen ja *-1 genommen werden oder?
Also Sprich

peaks = find_peaks(y*-1, height = 0.00, threshold = None, distance=170) # *-1

eight = peaks[1]['peak_heights'] #list of heights of peaks
peak_pos = peaks[0]
print(peaks)

# plot the peaks
fig = plt.figure()
ax = fig.subplots()
ax.plot(y*-1 ...

Um meine Frage zu konkretisieren, zeige ich mal meine Minimafunktion auf.


import numpy as np
import matplotlib
import matplotlib.pyplot as plt
matplotlib.use('Agg')
from scipy.signal import argrelextrema


def butter_lowpass(cutoff, fs, order=5):
nyq = fs/2
normal_cutoff = cutoff / nyq
b, a ...

Da eine Bewegung wie ein "M" aussieht, muss ich dann jeden zweiten negativen Peak nehmen oder?

Okay , ich habe das Problem gelöst. Ich muss den Height Paramater natürlich anpassen, denn jetzt hat sich ja die Skalierung geändert. Ich habe den Height auf 0,00 gestellt.
Den Order habe ich jetzt auf 3 gestellt, denn sonst wären nicht alle Peaks korrekt erkannt worden.

import numpy as np
from ...

Du hast recht, das Filtern dient zur Datenvorverarbeitung und wenn ich damit segmentieren kann sollte es reichen. Die Daten sollten nicht zu sehr alles wegfiltern, dann sind die Daten zu sehr verzerrt.

Danke übrigens, für die Lösung mit Scipy! Das hilft mir sehr fürs Verständnis!

Ich habe es mit ...

Ich wollte in zweiter Ordnung gehen und schauen wie der Graph aussieht, denn ich wurde tatsächlich gefragt, ob ich es in einer anderen Ordnung probiert habe^^

Am Ende hast du ja durch self.b dividiert, daher meine Frage.

y_n stehen für die y Variablen in der Formel, denke ich.

Ich habe es mit Order=2 probiert.


class BW:

def __init__(self, a, b,c):
self._a = a
self._b = b
self._c = c
self._xn_1 = None
self._yn_1 = 0
self._yn_2 = 0


def __call__(self, x):
if self._xn_1 is None:
self._xn_1 = x
self._yn_1 = x
self._yn_2 = x

y = self._yn_1 = ((x + 2*x ...

Ich hätte eine Frage bzgl. des Low-Pass-filters.



class BW:

def __init__(self, a, b):
self._a = a
self._b = b
self._xn_1 = None
self._yn_1 = 0

def __call__(self, x):
if self._xn_1 is None:
self._xn_1 = x
self._yn_1 = x
y = self._yn_1 = ((x + self._xn_1) + self._a * self._yn_1 ...

Stimmt du hast recht, ich habe was ausprobiert gehabt und es nicht zurück geändert und die Importe wurden davor schon gemacht, daher war es nicht dabei.

Komischerweise funktioniert es jetzt :shock:


import pandas as pd
import matplotlib.pyplot as plt
from scipy.signal import find_peaks
import ...