4、滑动平均滤波：原理介绍、窗口大小选择、边界处理、Python实现与效果对比

滑动平均滤波，说白了就是「取一段数据的平均值」。

我刚开始做手环算法时，第一个接触的滤波方法就是它。为什么？因为简单、直观、效果好。你想想看，加速度计的数据噪声大多是高频抖动，而人的运动信号是低频的。取平均，正好能把高频抖掉。

4.1 原理介绍

滑动平均的核心思想：

• 维护一个固定长度的窗口（比如 N 个点）
• 每次来一个新数据，窗口就往前滑动一格
• 取窗口内所有数据的平均值，作为当前输出

数学公式很简单：

y[k] = (x[k] + x[k-1] + ... + x[k-N+1]) / N

其中 N 是窗口大小，x 是原始数据，y 是滤波后的数据。

我在项目中遇到过一个问题：有人觉得滑动平均就是「简单平均」，其实不是。简单平均是对整段数据取平均，而滑动平均是实时更新的。每来一个点，窗口就动一下，这才是「滑动」的含义。

4.2 窗口大小选择

窗口大小 N 怎么选？这是滑动平均最关键的参数。

窗口大小	滤波效果	延迟	适用场景
N=3	较弱	1-2个点	快速响应，噪声小
N=5	中等	2-3个点	日常步数检测
N=10	较强	4-5个点	静止姿态识别
N=20	很强	9-10个点	低频趋势提取

我个人习惯：手环加速度计采样率一般是 50Hz 或 100Hz。对于步数检测，N=5 到 N=8 比较合适。窗口太大，人走一步都反应不过来，那就尴尬了。

4.3 边界处理

滑动平均有个小麻烦：数据刚开始的时候，窗口还没填满。

比如 N=5，前 4 个点怎么算？

常见的处理方法有三种：

1. 补零法： 前面补 0，凑够 N 个点。简单，但开头几个点会偏小。
2. 截断法： 前 N-1 个点不输出，从第 N 个点开始算。数据完整，但会丢失开头。
3. 变窗口法： 窗口不满时，用已有的点数取平均。开头平滑过渡，我最推荐。

我曾经踩过一个坑：用补零法处理手环数据，结果前几步的加速度幅值被拉低了，步数检测直接漏检。后来改成变窗口法，问题就解决了。

4.4 Python实现

直接上代码。我习惯用 NumPy 实现，效率高、代码短。

import numpy as np
import matplotlib.pyplot as plt

def sliding_average(data, window_size):
    """
    滑动平均滤波
    data: 一维数组，原始信号
    window_size: 窗口大小
    """
    result = np.zeros_like(data)
    
    for i in range(len(data)):
        # 边界处理：变窗口法
        if i < window_size:
            # 窗口不满时，用已有数据
            window = data[:i+1]
        else:
            window = data[i-window_size+1:i+1]
        
        result[i] = np.mean(window)
    
    return result

# 生成测试数据：正弦波 + 噪声
t = np.linspace(0, 2, 200)
clean = np.sin(2 * np.pi * 2 * t)
noise = 0.3 * np.random.randn(len(t))
signal = clean + noise

# 应用滑动平均
filtered = sliding_average(signal, window_size=5)

# 画图对比
plt.figure(figsize=(10, 4))
plt.plot(t, signal, alpha=0.5, label='原始信号（含噪声）')
plt.plot(t, filtered, 'r-', linewidth=2, label='滑动平均后')
plt.plot(t, clean, 'g--', label='理想信号')
plt.legend()
plt.xlabel('时间 (秒)')
plt.ylabel('加速度 (g)')
plt.title('滑动平均滤波效果对比 (N=5)')
plt.grid(True)
plt.show()

这段代码我用了很多次。你直接复制就能跑，数据也是随机生成的，每次结果会略有不同，但趋势一样。

4.5 效果对比

咱们看看不同窗口大小的实际效果：

• N=3： 噪声还有残留，曲线不够平滑。适合对实时性要求高的场景。
• N=5： 噪声基本滤除，波形保留完整。手环步数检测的黄金参数。
• N=10： 波形开始变钝，峰值被削平。适合看趋势，不适合做事件检测。
• N=20： 波形严重滞后，细节全丢。除非你要看慢变信号，否则别用。

嗯，这里要注意：滑动平均不是万能的。它对付高斯白噪声效果很好，但如果噪声是脉冲型的（比如突然跳变），滑动平均反而会把跳变「抹平」，让你误以为没发生什么事。

我记得有一次调试手环的抬腕检测，用了滑动平均后，抬腕动作的峰值被削掉了，导致检测率下降。后来我换成了中值滤波，才把问题解决。这个咱们后面章节会细讲。

总结一下：

• 滑动平均 = 移动窗口取平均
• 窗口大小决定平滑程度和延迟
• 边界处理推荐变窗口法
• 代码实现简单，适合快速验证

下一章咱们聊聊中值滤波，那个对付脉冲噪声更拿手。