"""通道校准:基线扣除、增益归一化、延时校准与时间重建(仅依赖 numpy)。 校准三步对应 docs/实现方案.md §7.3: 1. 基线扣除(尾段均值 / 显式传入); 2. 增益归一化(参考通道峰值对齐); 3. 延时校准——两种方法供教学比较: - "标定值":使用外部标定得到的延时(模拟器可提供真实延时 + 可调标定残差, 对应原项目误差机制表中"延时标定误差"); - "互相关":仅用采样数据互相关估计(只能分辨 Δt 整数周期, 亚采样相位无法恢复——教学点:互相关校准的粒度限制)。 """ import numpy as np def estimate_baseline(y, tail_frac=0.2): """尾段均值估计基线(若衰减尾部未归零则高估——教学点)。""" y = np.asarray(y, dtype=float) tail_n = max(1, int(len(y) * tail_frac)) return float(np.mean(y[-tail_n:])) def subtract_baseline(y, baseline=None, tail_frac=0.2): """扣除基线;返回 (去基线序列, 基线值)。""" b = baseline if baseline is not None else estimate_baseline(y, tail_frac) return np.asarray(y, dtype=float) - b, float(b) def normalize_gain(y, ref_peak): """以参考峰值对齐通道幅度;返回 (归一化序列, 增益系数)。""" y = np.asarray(y, dtype=float) peak = float(np.max(np.abs(y))) if peak <= 0: return y, 1.0 g = ref_peak / peak return y * g, g def estimate_delay_cross_corr(ref_y, sig_y, dt_ns): """互相关估计相对延时:只能得到 Δt 整数倍的滞(教学点)。""" ref = np.asarray(ref_y, dtype=float) sig = np.asarray(sig_y, dtype=float) m = min(len(ref), len(sig)) cc = np.correlate(sig[:m], ref[:m], mode="full") lag = int(np.argmax(cc) - (m - 1)) return float(lag) * dt_ns, int(lag) def rebuild(t_adc, y, delay_used, dt_ns): """时间重建(Redis):u = t_adc − delay,合并后按时间排序。 delay_used 为每通道使用的延时(名义 / 标定 / 互相关估计)。 """ t_all, y_all = [], [] for k in range(len(t_adc)): u = np.asarray(t_adc[k], dtype=float) - float(delay_used[k]) mask = u >= 0 t_all.append(u[mask]) y_all.append(np.asarray(y[k], dtype=float)[mask]) if not t_all: return np.array([]), np.array([]) t_re = np.concatenate(t_all) y_re = np.concatenate(y_all) order = np.argsort(t_re) return t_re[order], y_re[order] def calibrate_channels(channels, dt_ns, delay_est_ns=None, method="nominal", tail_frac=0.2, do_baseline=True, do_gain=True, baseline_known=None): """三步校准(基线 → 增益 → 延时)并重建统一时间轴。 参数: channels acquisition.run_multi_channel 返回的 channels 列表(dict) dt_ns 采样间隔 delay_est_ns 各通道校准延时(长度=通道数);None 时按 method 选择 method "nominal"(设计延时)/ "cross_corr"(互相关整数粒度) do_baseline 是否做基线扣除(False → 原始信号直接重建,模拟"不校准") do_gain 是否做增益归一(False → 不归一) baseline_known 每通道已知基线(None → 尾段估计;传 0 表示"标定已知无基线") 返回 dict:baselines、gains、delay_used_ns、t_rebuilt、y_rebuilt、 n_points、continuity(相邻点跳变统计)。 """ n = len(channels) t_adc = [ch["t_adc"] for ch in channels] y_meas = [ch["y_samples"] for ch in channels] # 1) 基线 baselines = [] debased = [] for k, y in enumerate(y_meas): if not do_baseline: baselines.append(0.0) debased.append(np.asarray(y, dtype=float)) elif baseline_known is not None: b = float(baseline_known[k]) baselines.append(b) debased.append(np.asarray(y, dtype=float) - b) else: d, b = subtract_baseline(y, tail_frac=tail_frac) baselines.append(b) debased.append(d) # 2) 增益归一化(参考通道 = index 0) ref_peak = float(np.max(np.abs(debased[0]))) if n else 1.0 gains = [] normed = [] for d in debased: if not do_gain: gains.append(1.0) normed.append(d) else: g, fact = normalize_gain(d, ref_peak) gains.append(fact) normed.append(g) # 3) 延时 if delay_est_ns is not None: d_used = [float(v) for v in delay_est_ns] elif method == "cross_corr": d_used = [0.0] for k in range(1, n): d, _ = estimate_delay_cross_corr(normed[0], normed[k], dt_ns) d_used.append(d) else: # nominal:各通道设计延时(含真实误差需另行传入才体现) d_used = [float(ch["delay_ns"]) for ch in channels] # 4) 重建 t_re, y_re = rebuild(t_adc, normed, d_used, dt_ns) return { "n_channels": n, "baselines": baselines, "gains": gains, "delay_used_ns": d_used, "t_rebuilt": t_re, "y_rebuilt": y_re, "n_points": int(len(t_re)), "continuity": continuity_metrics(t_re, y_re), } def continuity_metrics(t, y): """重建曲线不连续度:相邻点归一化跳变的最大/平均统计。""" t = np.asarray(t, dtype=float) y = np.asarray(y, dtype=float) if len(t) < 2: return {"max_jump": 0.0, "mean_jump": 0.0, "rms_jump": 0.0} amp = float(np.max(np.abs(y))) if np.max(np.abs(y)) > 0 else 1.0 jumps = np.abs(np.diff(y)) / amp return { "max_jump": float(np.max(jumps)), "mean_jump": float(np.mean(jumps)), "rms_jump": float(np.sqrt(np.mean(jumps ** 2))), }