在 Python 中，`numpy` 和 `mne` 都提供了降采样的功能。以下是使用 `numpy` 和 `mne` 实现降采样的方法： --- ### 使用 `numpy` 实现降采样 `numpy` 提供了索引切片的功能，可以轻松实现均匀降采样。 ```python import numpy as np def downsample_numpy(data, factor): """ 使用 numpy 实现均匀降采样。 参数: data (numpy.ndarray): 输入数据数组。 factor (int): 降采样因子（必须是正整数）。 返回: numpy.ndarray: 降采样后的数据。 """ if not isinstance(factor, int) or factor <= 0: raise ValueError("降采样因子必须是大于0的整数") return data[::factor] # 示例 data = np.random.rand(1000) # 原始数据长度为1000 downsampled_data = downsample_numpy(data, 4) # 降采样因子为4 print(f"原始数据长度: {len(data)}") print(f"降采样后数据长度: {len(downsampled_data)}") ``` #### 解释 - `data[::factor]`：通过切片操作每隔 `factor` 个元素取一个值。 - 这种方法适用于均匀降采样，但可能会丢失部分信息。 --- ### 使用 `mne` 实现降采样 `mne` 是一个专门用于脑电图（EEG）、磁脑图（MEG）等信号处理的库，它提供了更强大的降采样功能。 ```python import numpy as np import mne def downsample_mne(data, sfreq_old, sfreq_new): """ 使用 mne 实现降采样。 参数: data (numpy.ndarray): 输入数据数组（形状为 (n_channels, n_samples)）。 sfreq_old (float): 原始采样率。 sfreq_new (float): 目标采样率。 返回: numpy.ndarray: 降采样后的数据。 """ info = mne.create_info(ch_names=["CH1"], sfreq=sfreq_old, ch_types=["eeg"]) raw = mne.io.RawArray(data[np.newaxis, :], info) raw_resampled = raw.copy().resample(sfreq_new) return raw_resampled.get_data()[0] # 示例 data = np.random.rand(1000) # 原始数据长度为1000 sfreq_old = 1000 # 原始采样率为1000 Hz sfreq_new = 250 # 目标采样率为250 Hz downsampled_data = downsample_mne(data, sfreq_old, sfreq_new) print(f"原始数据长度: {len(data)}") print(f"降采样后数据长度: {len(downsampled_data)}") ``` #### 解释 - `mne.create_info()`：创建包含采样率和通道信息的 `info` 对象。 - `mne.io.RawArray()`：将数据封装为 `Raw` 对象。 - `resample()`：调整采样率，支持非整数倍的降采样或升采样。 - 这种方法适用于需要精确控制采样率的情况。 --- ### 方法对比 | 特性 | `numpy` 方法 | `mne` 方法 | |--------------------|----------------------------------|----------------------------------| | **适用场景** | 简单均匀降采样 | 复杂信号处理 | | **灵活性** | 仅支持整数倍降采样 | 支持任意倍数降采样或升采样 | | **性能** | 高效，适合大规模数据 | 较慢，但精度更高 | --- ###