您的方法对于第一次尝试来说还不错。

但是，以下方法往往效果更好：

1. 搜索局部最大值
2. 检查接近的最大值（2 或 3 个 bin 间距）并将它们合并
3. 创建一些关于基频的假设。您目前假设最高峰是基频，这是一种假设。您还应该检查最高峰是一次谐波的可能性，即在主峰频率的一半处有一个较小的峰值。您可能还需要考虑其他情况，利用您对手头问题的了解（干扰？心跳不规则？）。
4. 假设这些假设中的每一个，通过将抛物线拟合到每个谐波峰值来找到地面频率。由于噪声，每个峰值都会产生略微不同的估计，但这些误差是不相关的并且是平均的。其中一个假设将导致更好的拟合，选择该假设预测的地面频率。
5. 使用您在步骤 4 中找到的地面频率作为给定值，重新拟合每个峰值周围的抛物线以估计峰值的高度。请注意，峰值可能位于两个箱之间。
6. 您现在有了基波及其谐波的位置和强度，但没有相位。找到基波的相位，减去它，找到一次谐波的相位等可能是最容易的。

这样做效果更好的核心原因是第 4 步。当您试图在预测的谐波位置附近拟合峰值时，任何关于接地频率的错误假设都会严重失败。假设您在 2 Hz 处有一个峰值。这可以是接地频率或一次谐波。当您测试“一次谐波假设”时，即地面频率是否实际上是 1 Hz，您将抛物线拟合到 1、2、3、4、5 ... Hz 附近的数据。如果这个假设是错误的，你会在 1,3,5 Hz 左右得到垃圾。如果正确，您可能会在 1.1 Hz、2.2、3.3、4.4 和 5.6 附近发现峰值——这表明实际地面频率为 1.12 Hz。

您正在寻找迭代谱减法。这是Alexander Lerch的内容分析书中的一些一般信息。

我建议对您的周期图进行自相关。您可以根据相关性产生的基频的倍数构建陷波或负峰化滤波器。

这段代码帮助我创建了一个很好的自相关图（倒谱是另一种很好的方法，当谐波的功率大于基波时） http://note.sonots.com/SciSoftware/Pitch.html

1. Automatically detect the fundamental frequency corresponding to the heartbeat, and all of its harmonics

您可以通过 DFT 取局部平均值来查找心跳。如果该组中的某个点大于threshold并且在其周围某个范围内的最大值，则它是心跳或谐波。

2. Filter the data so as to remove the fundamental and all harmonics.

您可以只使用先前定位的心跳索引并线性缝合它们。如果这对你来说不是太粗糙的话。

这部分操作的目的是什么？这是一种需要没有心跳来寻找其他（可能）隐藏数据的医学分析吗？还是这个标准只是为了美观？

我想梳状滤波器会有点无法控制。这将需要仔细调整反馈参数。它可能是可行的。

编辑：您需要音高检测算法吗？几年前，我通过忽略（接近）DC 项并找到第一个局部最大值来写其中一个。然后使用任一侧的箱，我可以使用二次插值并找到最大频率的位置，比箱本身的频率所允许的分辨率更准确。

使用谐波会更准确吗？它可能只会增加出错的机会。尽管您可以尝试使用此方法获取基本值，并在双倍、三倍等处找到最大值，然后使用与以前类似的方法：

1. 找到局部最大值 2. 二次插值以找到频率的 bin 间值。

如果您否决二次步骤并仅采用局部最大值，您将无法获得准确的频率，并且向上移动谐波会有所帮助。