奇异谱分析（SSA）与傅里叶幅频分析（FFT）的一个实验

一、原始信号的FFT分析

模仿一个脉搏波（PPG）信号的波形

from signal_process.singular_spectrum_analysis import SSA
import matplotlib.pyplot as plt
import numpy as np


# 模拟一个信号并画出图
def plot_freq_pulse(length, freq1, freq2, freq3, freq4):
    x = np.linspace(0, 15, length)	# 采样频率freq=length/15
    a = 4 * np.sin(2 * np.pi * freq1 * x)  # 频率为freq1，幅度为2，感兴趣信号
    b = 0.5 * np.sin(2 * np.pi * freq2 * x)
    c = 2 * np.sin(2 * np.pi * freq3 * x)
    d = 0.2 * np.sin(2 * np.pi * freq4 * x)
    noise = 0.2 * (np.random.rand(length) - 0.5)  # -0.1~0.1内随机噪声
    f = a + b + c + d + noise
    
    plt.subplot(211)
    plt.plot(x, f)
    q = np.fft.fft(f)
    freq = np.fft.fftfreq(q.size, 15/length)
    plt.subplot(212)
    q = abs(q)
    plt.plot(freq[freq>0], q[freq>0])
    plt.figure()
    plt.plot(x, a, x, b, x, c, x, d, x, noise)
    plt.legend(['a', 'b', 'c', 'd', 'noise'])
    return f

signal = plot_freq_pulse(600, 1.1, 2.0, 2.5, 4.0)

看看这个信号长啥样
看看，是不是很像PPG信号！对于这样的信号，我们一般采用的都是频谱分析，从而尽量还原原始信号。接下来不妨结合频域图看看：
频谱图可以看出信号主要由四个周期信号组成，对应了我们设计的信号。
从频谱转到单个频率下，单个的波形长这样
一般情况下，频谱分析到这里就为止了，因为一般我们的心率都在60到100次/分，在幅频图中，提取1~1.67Hz内的最大频率再乘以60就可以得到心率了。

二、SSA分析

但是在心率提取的时候，会有频谱分析时特殊情况导致提取不到最想要的频率，或者是对波形特征的准确性有了要求。那么频谱变换的使用就会受到一定程度的影响，这个时候可以采用SSA，既保留原始信号特征，又可以去噪等，端的是十分友好。

def ssa_(tseries):
    dfsa = SSA(tseries, 5)		# 序列增维到5个窗口
    dfsa.components_to_df().plot()
    dfsa.orig_TS.plot(alpha=0.4)
    plt.xlabel("$t$")
    plt.ylabel(r"$\tilde{F}_i(t)$")
    plt.title(r"$L=2$ for the Toy Time Series")
    plt.show()
    dfsa.plot_wcorr()
    plt.title("W-Correlation for Toy Time Series, $L=20$")
    plt.show()
signal = plot_freq_pulse(600, 1.1, 2.0, 2.5, 4.0)
ssa_(signal)

看看SSA分解后的图。序列0保留了原始信号的特征而且形状大致相同，在一些较为尖锐的地方都有做平滑，这样对于特征点的识别或峰值选取无疑是有很大帮助的。

按贡献度（重要成分）做了一个相关矩阵，图片显示如下，第0个序列最重要，依次类推

三、两者联系和区别

希望来个搞数学的证明证明，俺是不行了。。。