使用python绘制无边框ECG信号-可用于论文插图-小白版

2024-02-08 16:36

本文主要是介绍使用python绘制无边框ECG信号-可用于论文插图-小白版,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

用python绘制一个心电信号

最近在写大论文,由于自己做的是心电信号难免要做一些心电信号的插图,然后在写论文的时候有的时候要用真实信号有的时候需要用到示意图,这里面的其他部分使用Visio绘制的,但是前面的心电信号部分,如果是写论文截图肯定不是一个好的选择,他一定比插入图片的清晰度要低,如果导入到origin中又有点麻烦,所以我就使用python的心电信号的库结合matplot中的plt中关闭坐标轴显示的方式来打印出一段真实的心电信号,然后后续可以作为插入到论文中的一个素材。

在这里插入图片描述

1.安装pywt库用于生成模拟心电信号

绘制真实的心电信号插图,可能有人想到的就是是不是需要加载一个数据集中的心电信号,然后数据集中的心电信号也不一定是干净的,因此大部分人看别人可能直接画一个示意图就结束了,但是pywt库中,有一段可以直接加载的ecg信号,因此我们可以考虑使用数据库中自带的信号来绘制心电图,或者说也可以后期加载自己的数据库。

直接使用pip命令安装即可

pip install pywt

之后使用pywt中的pywt.data.ecg()来生成一个模拟的心电信号,请添加图片描述
实现的代码如下

import matplotlib.pyplot as plt
import pywtecg = pywt.data.ecg() # 生成心电信号plt.plot(ecg)
plt.show()

2.调整心电信号颜色去掉边框

最终输出的结果是这样的,最后我们只要保存下来就可得到一个无边框的心电信号图像了
在这里插入图片描述
代码如下

import matplotlib.pyplot as plt
import pywtecg = pywt.data.ecg() # 生成心电信号plt.plot(ecg)
plt.plot(ecg,color='black')
# 关闭坐标轴
plt.axis('off')
plt.show()

3.保存图片

保存图片有两种方式一种是直接手动保存,直接点击下面的保存图片即可。
在这里插入图片描述
第二种是在代码里保存,使用plt.savefig(路径+文件名+.jpg/png)保存,如果plt.savefig()中只写文件名字那就是保存在相对路径下,需要将plt.show()替换为plt.savefig('ecg.jpg')
plt.savefig()plt.show()不能同时使用,如果同时使用只会有效一个,例如你先使用plt.show()显示了图片,之后你在想使用plt.show()保存你会发现保存了一张空白图像,这是新手宝宝需要注意的地方

import matplotlib.pyplot as plt
import pywtecg = pywt.data.ecg() # 生成心电信号plt.plot(ecg)
plt.plot(ecg,color='black')
plt.axis('off')
# plt.show()
plt.savefig('ecg.jpg')

保存之后就在目标路径下得到了一张无边框的清晰的心电信号图片
在这里插入图片描述

4.绘制去噪之后的心电信号

心电信号去噪的方式又很多种,包括中值滤波,巴特沃斯,等等,如果你对去噪感兴趣请拜读愚作
心电信号去噪python
在这里我们使用巴特沃斯带通滤波器来获得去噪之后的信号
在这里插入图片描述
代码如下:

import matplotlib.pyplot as plt
import pywt
from scipy import signalecg = pywt.data.ecg() # 生成心电信号def singnal_fliter(data, frequency=256, highpass=20, lowpass=1):[b, a] = signal.butter(3, [lowpass / frequency * 2, highpass / frequency * 2], 'bandpass')Signal_pro = signal.filtfilt(b, a, data)return Signal_proecg = pywt.data.ecg() # 生成心电信号
fliter_ecg = singnal_fliter(ecg)#滤波plt.plot(fliter_ecg,color='black')
plt.axis('off')
# plt.show()
plt.savefig('ecg.jpg')

结束

最后拖到visio里,缩放裁剪随意即可
在这里插入图片描述

这篇关于使用python绘制无边框ECG信号-可用于论文插图-小白版的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/691580

相关文章

中文分词jieba库的使用与实景应用(一)

知识星球:https://articles.zsxq.com/id_fxvgc803qmr2.html 目录 一.定义: 精确模式(默认模式): 全模式: 搜索引擎模式: paddle 模式(基于深度学习的分词模式): 二 自定义词典 三.文本解析   调整词出现的频率 四. 关键词提取 A. 基于TF-IDF算法的关键词提取 B. 基于TextRank算法的关键词提取

python: 多模块(.py)中全局变量的导入

文章目录 global关键字可变类型和不可变类型数据的内存地址单模块(单个py文件)的全局变量示例总结 多模块(多个py文件)的全局变量from x import x导入全局变量示例 import x导入全局变量示例 总结 global关键字 global 的作用范围是模块(.py)级别: 当你在一个模块(文件)中使用 global 声明变量时,这个变量只在该模块的全局命名空

使用SecondaryNameNode恢复NameNode的数据

1)需求: NameNode进程挂了并且存储的数据也丢失了,如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2)故障模拟 (1)kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 (2)删除NameNode存储的数据(/opt/module/hadoop-3.1.4/data/tmp/dfs/na

Hadoop数据压缩使用介绍

一、压缩原则 (1)运算密集型的Job,少用压缩 (2)IO密集型的Job,多用压缩 二、压缩算法比较 三、压缩位置选择 四、压缩参数配置 1)为了支持多种压缩/解压缩算法,Hadoop引入了编码/解码器 2)要在Hadoop中启用压缩,可以配置如下参数

Makefile简明使用教程

文章目录 规则makefile文件的基本语法:加在命令前的特殊符号:.PHONY伪目标: Makefilev1 直观写法v2 加上中间过程v3 伪目标v4 变量 make 选项-f-n-C Make 是一种流行的构建工具,常用于将源代码转换成可执行文件或者其他形式的输出文件(如库文件、文档等)。Make 可以自动化地执行编译、链接等一系列操作。 规则 makefile文件

使用opencv优化图片(画面变清晰)

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化,使其看起来更清晰,同时保持尺寸不变,通常涉及到图像处理技术如锐化、降噪、对比度增强等 影响照片清晰度的因素 影响照片清晰度的因素有很多,主要可以从以下几个方面来分析 1. 拍摄设备 相机传感器:相机传

【Python编程】Linux创建虚拟环境并配置与notebook相连接

1.创建 使用 venv 创建虚拟环境。例如,在当前目录下创建一个名为 myenv 的虚拟环境: python3 -m venv myenv 2.激活 激活虚拟环境使其成为当前终端会话的活动环境。运行: source myenv/bin/activate 3.与notebook连接 在虚拟环境中,使用 pip 安装 Jupyter 和 ipykernel: pip instal

pdfmake生成pdf的使用

实际项目中有时会有根据填写的表单数据或者其他格式的数据,将数据自动填充到pdf文件中根据固定模板生成pdf文件的需求 文章目录 利用pdfmake生成pdf文件1.下载安装pdfmake第三方包2.封装生成pdf文件的共用配置3.生成pdf文件的文件模板内容4.调用方法生成pdf 利用pdfmake生成pdf文件 1.下载安装pdfmake第三方包 npm i pdfma

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss