Peak検出とは
データ解析においてピーク検出は重要である。物質の特性や反応の挙動を深く理解することができ、例えば、
分光分析では特定の波長における光の吸収や放出がピークとして現われます。
Python（Find_Peaks）でPeak検出
Peak検出方法として、PythonでFind_Peaksを用いるのが非常に簡単で
以下、実際にPythonでFind_Peaksを用いてPeakDetectionを行った場合の結果を以下に示す。
今回はスペクトル１〜３までの3本のスペクトルのうち200と300cm-1に共通のピークがあり、その他の波数に
ランダムなノイズピークがあるとする。今回は3本のスペクトルに共通のピークが検出出来るか
Find_Peaksを使ってできるか確認を行った。以下のグラフが結果である。
3本のスペクトル（青/黄/緑）と、共通ピークとして検出された波数がピンクとして縦線で表示されている。
共通ピークで検出された波数の位置を確認すると200と300cm-1に集中しておりある程度うまく検出されている。
import numpy as np
import scipy.signal as signal
import matplotlib.pyplot as plt
# 波数範囲（例: 100-400 cm?1）
x = np.linspace(100, 400, 1000)
# 共通して出るピークの位置
common_peaks_true = [200, 300]
# 各スペクトルのデータを作成
spectra = []
peak_positions = []
for i in range(3):
# 共通ピークの生成
spectrum = sum(np.exp(-((x - p) / 5)**2) for p in common_peaks_true)
# 各スペクトルごとに異なるランダムピークを追加
num_random_peaks = np.random.randint(2, 5) # ランダムピークの数
random_peaks = np.random.uniform(150, 350, num_random_peaks) # 150-350 cm?1の範囲にランダム配置
spectrum += sum(np.exp(-((x - p) / 5)**2) for p in random_peaks)
# ランダムなノイズを追加
spectrum += np.random.normal(0, 0.05, len(x))
# ピーク検出
peaks, _ = signal.find_peaks(spectrum, height=0.2)
peak_positions.append(x[peaks])
spectra.append(spectrum)
# 共通ピークの検出（±1 cm?1 の範囲で一致するピークを抽出）
tolerance = 0.6
common_peaks_detected = set(peak_positions[0])
for peaks in peak_positions[1:]:
common_peaks_detected = {p for p in common_peaks_detected if any(abs(p - q) < tolerance for q in peaks)}
# 結果のプロット
plt.figure(figsize=(8, 5))
for i, spectrum in enumerate(spectra):
plt.plot(x, spectrum, alpha=0.6, label=f"Spectrum {i+1}")
# 共通ピークを強調表示
for p in common_peaks_detected:
plt.axvline(p, color='pink', linestyle='--', label="Common Peak" if p == list(common_peaks_detected)[0] else "")
plt.legend()
plt.xlabel("Wavenumber (cm?1)")
plt.ylabel("Intensity")
plt.title("Detected Common Peaks with Random Peaks")
plt.show()
print("共通ピークの位置:", sorted(common_peaks_detected))
Python（Find_Peaksを使わない）でPeak検出
ｄふぁ
###Find＿Peakを使わない
import numpy as np
import matplotlib.pyplot as plt
# 波数範囲（例: 100-400 cm?1）
x = np.linspace(100, 400, 1000)
# 共通して出るピークの位置
common_peaks_true = [200, 300]
# 各スペクトルのデータを作成
spectra = []
peak_positions = []
for i in range(3):
# 共通ピークの生成
spectrum = sum(np.exp(-((x - p) / 5)**2) for p in common_peaks_true)
# 各スペクトルごとに異なるランダムピークを追加
num_random_peaks = np.random.randint(2, 5) # ランダムピークの数
random_peaks = np.random.uniform(150, 350, num_random_peaks) # 150-350 cm?1の範囲にランダム配置
spectrum += sum(np.exp(-((x - p) / 5)**2) for p in random_peaks)
# ランダムなノイズを追加
spectrum += np.random.normal(0, 0.05, len(x))
# 1次微分を計算
dy = np.diff(spectrum) # y の差分
dx = np.diff(x) # x の差分
slope = dy / dx # 微分値
# ピーク検出 (符号が + → - に変化する場所)
peak_indices = np.where((slope[:-1] > 0) & (slope[1:] < 0))[0] + 1 # +1 で元の配列に戻す
# しきい値（高さ）でフィルタリング
height_threshold = 0.2
peak_indices = [idx for idx in peak_indices if spectrum[idx] > height_threshold]
peak_positions.append(x[peak_indices])
spectra.append(spectrum)
# 共通ピークの検出（±1 cm?1 の範囲で一致するピークを抽出）
tolerance = 1.0
common_peaks_detected = set(peak_positions[0])
for peaks in peak_positions[1:]:
common_peaks_detected = {p for p in common_peaks_detected if any(abs(p - q) < tolerance for q in peaks)}
# 共通ピークを強調表示
plt.figure(figsize=(8, 5))
for p in common_peaks_detected:
plt.axvline(p, color='pink', linestyle='--', label="Common Peak" if p == list(common_peaks_detected)[0] else "")
# 結果のプロット
for i, spectrum in enumerate(spectra):
plt.plot(x, spectrum, alpha=0.6, label=f"Spectrum {i+1}")
plt.legend()
plt.xlabel("Wavenumber (cm?1)")
plt.ylabel("Intensity")
plt.title("Detected Common Peaks without find_peaks")
plt.show()
print("共通ピークの位置:", sorted(common_peaks_detected))
