第2章声波信号采集

第2章声波信号采集：水听器原理、采样率选择、信号预处理

各位同学，欢迎来到第二章。上一章我们聊了海豚声波的物理特性，今天咱们来点实在的——怎么把水里的声音“抓”到电脑里来。

说白了，声波信号采集就是三个核心问题：用什么抓？抓多快？抓完怎么处理？我一个个讲。

2.1 水听器原理：水下耳朵的秘密

水听器，英文叫hydrophone，就是水下麦克风。但你别以为它跟空气麦克风一样，差别大了去了。

空气麦克风靠振膜振动，水听器呢？靠的是压电效应。嗯，这里要注意——压电材料受到声波压力时，会产生电荷。压力越大，电荷越多。这就是水听器的基本原理。

我在项目中遇到过一件事：有次在浅海做实验，水听器绑在浮标上，结果浪太大，水听器被拽得晃来晃去。数据里全是低频噪声，根本没法用。后来我才意识到，水听器对加速度也敏感，晃动会产生伪信号。所以固定水听器，一定要稳。

核心参数：

灵敏度：单位是dB re 1V/μPa。数值越负，越不灵敏。比如-170 dB比-190 dB灵敏。
频率响应：海豚声波范围是1 kHz到150 kHz，所以水听器至少要覆盖这个范围。
指向性：全向还是定向？全向的适合监听，定向的适合定位。

你想想看，如果水听器频响只到20 kHz，那海豚的高频哨叫声就全丢了。这不是白忙活吗？

2.2 采样率选择：Nyquist定理不是闹着玩的

采样率怎么选？教科书会告诉你：采样率必须大于信号最高频率的两倍。这叫Nyquist采样定理。

但实际工程中，我建议至少取最高频率的3到5倍。为什么？

举个例子。海豚的click信号，频率能到150 kHz。按Nyquist，300 kHz就够了。但我个人习惯用500 kHz甚至1 MHz。原因有二：

抗混叠滤波器不是理想砖墙，需要留过渡带。
高采样率能保留更多波形细节，后续分析更准。

实战建议：

我曾经在实验室里对比过300 kHz和500 kHz采样的海豚click数据。300 kHz的波形看起来还行，但做时频分析时，高频成分明显被削了。换成500 kHz，细节全出来了。所以，采样率宁高勿低。

当然，采样率高了，数据量也大。1 MHz采样，16 bit精度，一小时就是7.2 GB。存储和传输都是问题。所以要根据实际场景权衡。

信号类型	最高频率	推荐采样率	数据率（16 bit）
海豚click	150 kHz	500 kHz - 1 MHz	1 - 2 MB/s
海豚whistle	20 kHz	100 - 200 kHz	200 - 400 KB/s
环境噪声	10 kHz	50 kHz	100 KB/s

2.3 信号预处理：去噪与归一化

原始信号直接拿来用？别闹。水里噪声多着呢——船引擎、波浪、虾兵蟹将的咔嚓声。预处理是必须的。

2.3.1 去噪

去噪方法很多，我挑三个最常用的：

带通滤波：最简单。海豚声波集中在1-150 kHz，那就滤掉这个范围以外的。用Butterworth滤波器，阶数4-6就够了。
中值滤波：对付脉冲噪声（比如虾的爆裂声）特别有效。窗口长度选信号周期的1-2倍。
小波去噪：效果最好，但计算量大。适合离线分析。

注意：

滤波会改变信号相位。如果你要做到达时间差估计，一定要用零相位滤波（比如scipy.signal.filtfilt）。我曾经因为用了普通滤波，导致定位误差大了好几米，排查了半天才发现是相位问题。

2.3.2 归一化

归一化就是把信号幅度调整到统一范围。为什么要做？

因为不同水听器灵敏度不同，同一水听器在不同深度接收到的信号幅度也不同。不归一化，后续比较就没意义。

我常用的归一化方法：

最大值归一化：除以信号绝对值的最大值。简单粗暴。
标准差归一化：减去均值，除以标准差。适合统计特征分析。
能量归一化：除以信号总能量的平方根。适合比较不同信号的波形形状。

import numpy as np
import scipy.signal as signal

def preprocess_hydrophone(data, fs, lowcut=1000, highcut=150000):
    """
    水听器信号预处理
    data: 原始信号
    fs: 采样率 (Hz)
    """
    # 1. 带通滤波
    nyq = 0.5 * fs
    low = lowcut / nyq
    high = highcut / nyq
    b, a = signal.butter(4, [low, high], btype='band')
    filtered = signal.filtfilt(b, a, data)  # 零相位滤波
    
    # 2. 去直流
    filtered = filtered - np.mean(filtered)
    
    # 3. 归一化（最大值归一化）
    normalized = filtered / np.max(np.abs(filtered))
    
    return normalized

这段代码我用了很多年，基本没出过问题。你拿去改改参数就能用。

2.4 知识体系总览

下面这张图，把本章的核心逻辑串起来了。从水听器到采样，再到预处理，每一步都有坑，每一步也都有解法。

这张图你看懂了吗？从左到右，从物理原理到数字信号，每一步都环环相扣。水听器选错了，后面再好的算法也救不回来。采样率设低了，高频信息就永远丢了。预处理做不好，分析结果全是噪声。

我的经验：

做海豚声波采集，最忌讳的就是“先采了再说”。我见过太多人，拿个水听器就往水里扔，回来一看数据全是低频干扰。所以，动手之前，先把这三个问题想清楚：用什么水听器？采样率设多少？预处理流程怎么走？想清楚了再开机。

好了，这一章就到这里。下一章我们讲时频分析，到时候你会看到，预处理做得好，时频图有多漂亮。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录