企业官网建设流程全解析

拿到一列采集回来的信号，波形叠了一堆乱七八糟的东西：整体有个缓慢抬升的趋势，中间夹着一段比较稳定的波动，还有一些毛刺一样的噪声。很多人第一反应是调一下、平滑一下，或者直接塞给滤波器，但真正动手才发现，最该先干的事是“把不该要的低频先拿掉”。如果只让我从MATLAB信号处理工具箱里挑一个最省心的高通滤波入口，我首选highpass函数。它解决的问题很直接：把低于指定截止频率的成分压下去，留下高频部分。这篇文章会把这个函数的用法、参数背后的设计逻辑、实操中的坑，以及和周边方案的选型差异全部讲透。不管你是刚接触信号处理的学生，还是已经写了几年数据处理脚本的工程师，看完应该都能直接拿去用。

1. highpass函数解决什么问题——从信号里的“杂讯”说起

1.1 高通滤波到底在滤什么

所谓高通，就是“让高频通过、让低频滚蛋”。信号里的频率成分不是抽象概念，它对应着波形变化的快慢：变化很慢的漂移属于低频，来回快速振荡属于高频，完全不动的直流分量则是频率为0的特殊存在。实际采集到的原始数据，往往是好几种频率成分叠加在一起的结果。比如一个传感器输出的电压信号，真实有价值的变化可能是每秒几十次的振荡，但电路温漂和环境影响又会让基线慢慢上下移动，这个移动在频域里就是零点几赫兹的低频分量。

高通滤波就是把这两类东西拆开的工具。你可以把它想象成一个筛子：低频的“大颗粒”被挡在筛子上面，高频的“细颗粒”顺利漏下去。highpass函数正是MATLAB里帮你完成这一步的封装函数。它内部会设计出合适的高通滤波器，然后对数据完成滤波，全程只需要你告诉它“截止频率定在哪”。截止频率这个参数很关键，它决定了筛子的孔径：设定得越高，被滤掉的低频成分就越多，剩下的信号也就越“干净”，但同时也可能误伤你原本关心的低频信息。

1.2 什么时候一定得用高通

高通滤波不是所有场景都要上，但它有自己的甜蜜点。我平时用highpass最多的地方，是处理传感器数据里的基线漂移。比如加速度计静止放在桌面上时，输出本应是一条平线，但实际测出来会缓慢上下漂移；这时候如果直接分析微小的振动分量，漂移会彻底淹没真正的信号。用高通滤掉零点几赫兹以下的漂移，整个波形立马回到相对平稳的状态。

再比如生物电信号处理，心电、脑电、肌电这类信号里经常混着呼吸、肢体运动带来的低频干扰，这些干扰的频率往往低于目标信号的频段，高通滤波几乎是标配。音频处理里也常见：一些录音设备会引入直流偏置，或者房间里存在低频轰鸣声，用一个几十赫兹的高通就能让声音清爽很多。振动监测、电力谐波分析、设备故障诊断这些领域就更不用说了，低频趋势不去掉，后面的特征提取全都会被带偏。

2. 语法与参数拆解：一次性把输入输出讲透

2.1 最小调用形式：只给截止频率

最简单的用法是y = highpass(x, wpass)，这里x是输入的信号，wpass是归一化截止频率，取值在0到1之间。注意这里的“归一化”三个字，它表示截止频率相对于奈奎斯特频率的比例，奈奎斯特频率等于采样率的一半。如果不提供采样率，函数只能按默认的数学频率来理解wpass，这是很多新手踩坑的地方，后面我会专门展开。

举个小例子，如果数据采样率是200Hz，奈奎斯特频率就是100Hz。想让10Hz以下的成分被滤掉，归一化截止频率就是 10/100 = 0.1。此时调用y = highpass(x, 0.1)就能完成滤波，输出y和输入x长度一样。这种形式的好处是简洁，适合在不同采样率的数据里只需要“按比例”滤波的场景，比如你想统一把所有信号的最高频率以下5%的部分都去掉，那wpass写死就行，不用关心每条数据采样率是多少。

2.2 带采样率的调用：回到物理世界

实际工程里，我们更关心的往往是物理频率，也就是赫兹。这时候用带采样率的版本：y = highpass(x, wpass, fs)，其中fs是采样率，单位Hz，而wpass这个参数此时也变回普通频率，单位同样为Hz。这句代码的意思是：把x中低于wpassHz的成分滤掉。

比如做心电信号处理时，想滤掉0.5Hz以下的基线漂移，采样率是250Hz，就写y = highpass(ecg, 0.5, 250)。这种写法最直观，也最容易跟实际场景对应，是我在项目里最常用的形式。有了采样率，函数内部会自动把物理频率换算成内部所需的归一化频率，然后完成滤波，不需要你自己做任何换算。

2.3 两个关键的进阶参数

默认参数在很多场景下够用，但highpass还提供两个重要的名称-值参数，熟读它们能让滤波质量上一个台阶。

第一个是'Steepness'，表示过渡带的陡峭程度，默认0.85，取值在0到1之间。过渡带是截止频率附近“从通过到阻挡”的过渡区间，这个区间越窄，滤波器就越接近理想状态，对截止点附近的频率区分就越清晰。代价是滤波器阶数会明显变高，计算变慢，而且信号边缘更容易出现振铃。实际操作中，我一般不会一上来就调到0.95，除非测试确认需要。

第二个是'StopbandAttenuation'，默认60dB，表示阻带里低频成分被压低的程度。默认60dB已经意味着阻带幅度降到原始值的千分之一左右，绝大多数场景下足够。如果你希望低频被压得更狠，比如要做严格的前置处理，再调高到80dB，但要注意阶数也会跟着涨。这两个参数可以一起设置，比如：

y = highpass(x, 10, fs, 'Steepness', 0.9, 'StopbandAttenuation', 80);

2.4 把滤波器对象拿到手

highpass还有一个经常被忽略的调用方式：[y, d] = highpass(x, wpass, fs)。多算出来的d是一个digitalFilter对象，它代表函数内部实际设计出的那个滤波器。拿到它之后能做很多事，比如用fvtool(d)打开滤波器可视化工具，看幅频响应曲线；用freqz(d)直接画幅度和相位响应；甚至拿它继续处理其他数据：y2 = filter(d, x2)。

我特别建议在正式使用highpass之前，先把d拿出来看一眼。因为highpass对你隐藏了滤波器设计的细节，你只给了一个截止频率，但实际设计出来的滤波器长什么样、过渡带有多宽、阻带压制到多少，这些直接决定滤波效果。把d拿出来，等于把函数背后的“设计图”摊开在你面前，调试起来会踏实很多。

3. 设计逻辑与工作原理：把“为什么这样设计”说清楚

3.1 归一化频率的来龙去脉

数字信号处理里，频率这个概念经常要做归一化。离散信号采样后，能表示的最高频率是奈奎斯特频率，也就是采样率的一半。超过这个频率的信息已经被混叠污染，根本无法恢复。因此很多滤波器设计函数干脆以奈奎斯特频率为单位，把频率值归一化到0到1之间，1就代表奈奎斯特频率。

所以highpass(x, wpass)里的wpass=0.5，对应的实际截止频率是fs/4，而不是“信号幅度的一半”。如果采样率是1000Hz，那0.5对应250Hz。很多人第一次用，以为0.5就是0.5Hz，结果滤波后低频全部消失，高频也受到影响，完全不是预期效果，这就是归一化造成的理解偏差。解决办法很简单：能带采样率就带采样率，用物理频率写，既清晰又避免换算错误。

3.2 滤波器阶数、过渡带与波纹的权衡

理想的高通滤波器在频域里应该是一个完美的阶跃：低于截止频率的一段全部置零，高于截止频率的一段全部保留，中间没有过渡。但现实中不存在完美阶跃，因为那对应着无限长的滤波器脉冲响应，没法用有限数据实现。所有实际滤波器都是用有限阶数去逼近这个理想形状，上帝视角里就会看到三个现象：过渡带、通带波纹、阻带衰减。

过渡带的宽度由Steepness控制，越陡则越接近理想，但阶数也随之上升。阻带衰减由StopbandAttenuation控制，它决定低频被压低的程度。通带波纹则相对隐性，通常在设计过程中已经被自动控制住，不需要你显式指定。这三个特性是跷跷板：总希望滤波器又陡、又深、又短，但物理上做不到，必须在某个指标上妥协。highpass的默认参数选取的是一个比较平衡的组合，这就是为什么默认值大多数时候够用。

3.3 零相位滤波：为什么输出没有相位失真

我对highpass最满意的一点，是它默认采用零相位滤波。普通滤波器会让信号产生相位偏移，波形特征会沿着时间轴移动，这在分析波形形态时非常致命。比如心电信号的R波峰值位置一旦被移偏，后面算出的心率和间期全部是错的。零相位滤波的做法是先把信号正向过一遍滤波器，再把这结果倒过来过一遍，两次方向相反的相位偏移互相抵消，最终净相位偏移为零。

代价也有：这种滤波不是因果的，等于说它在处理某一点的时候用到了“未来的数据”，所以严格来说只能在离线处理时使用。另一个代价是边缘效应，信号开头和结尾那一小段，因为双向滤波会经历额外的瞬态过程，可能出现幅度畸变或振铃。实际操作中，很多人看到滤波结果开头结尾不正常就以为代码写错了，其实这是零相位滤波的正常现象，处理方式我后面会专门讲。

4. 实操演示：构造信号、调用函数、对比效果

4.1 构造一段模拟信号

为了把highpass的行为看明白，我建议你手里先有一段能“看见”各种频率成分的信号。下面这段代码在1000Hz采样率下构造了2秒数据，里面同时包含：一个2V直流分量，一个0.5幅值、3Hz的缓慢漂移，一个幅值1、30Hz的有效信号，以及一点随机噪声。

fs = 1000; % 采样率 1000 Hz t = (0:2*fs-1)/fs; % 2 秒时间轴 x = 2 ... % 直流分量 + 0.5*sin(2*pi*3*t) ... % 3 Hz 低频漂移 + sin(2*pi*30*t) ... % 30 Hz 有效信号 + 0.1*randn(size(t)); % 随机噪声

这段信号的时域波形看起来会是“一条上下漂移的波浪线”，30Hz的真实信号被低频漂移“架”在了上面。如果直接观察原始波形，你会觉得它很不稳定，像是有一种慢速起伏在主导整个形态，这正是低频分量在视觉上的表现。

4.2 第一次调用highpass

现在用10Hz作为截止频率做高通滤波，目的是把直流分量和3Hz漂移一起去掉，同时保留30Hz信号。

y = highpass(x, 10, fs);

滤波完成后再对比x和y的频谱，你会看到几个非常直观的变化：频谱最左侧代表直流的那个尖峰消失了，3Hz处原本耸立的谱线被压到几乎看不见，而30Hz附近的谱峰保持完好。如果只看时域波形，y会在0附近振荡，不再有明显的整体漂移，看起来干净很多。

画频谱对比可以用下面这段代码：

N = length(x); f = (0:N-1)*fs/N; X = abs(fft(x)); Y = abs(fft(y)); subplot(2,1,1); plot(f, X); title('滤波前频谱'); subplot(2,1,2); plot(f, Y); title('滤波后频谱');

这个流程是理解高通滤波效果最直接的方式：先构造已知成分的信号，滤波后看时域和频域的变化。

4.3 调整Steepness对比差异

同一个截止频率下，Steepness不同会产生肉眼可见的差别。我用同一个x分别做了两种滤波：

y_soft = highpass(x, 10, fs, 'Steepness', 0.6); y_sharp = highpass(x, 10, fs, 'Steepness', 0.95);

0.6的滤波器过渡带比较宽，3Hz附近被压制的程度不会那么极端，滤波结果相对柔和，信号边缘也更平滑。0.95的滤波器则非常“锋利”，3Hz几乎被彻底清除，但代价是滤波器阶数明显更高，信号的起始和结束段会出现更明显的振铃现象。如果不关心边缘那一点点畸变，只是想最大程度清除低频，0.95没问题；如果后续还要做精细特征分析，我建议先用默认0.85，看到结果再决定要不要调。

4.4 用fvtool检查滤波器特性

调参前最好先看滤波器本身的幅频响应。执行下面代码：

[y, d] = highpass(x, 10, fs); fvtool(d);

弹出的滤波器可视化工具会显示一条从低频到高频的幅度曲线。你能清楚看到10Hz以下被迅速压低，10Hz以上逐渐恢复到接近0dB。这条曲线上的斜坡就是过渡带，斜坡越陡，说明Steepness越高。观察这条曲线，你会发现所谓截止频率并不是一条垂直的线，而是一个平缓下降的区域。理解这一点之后，你对“10Hz高通”的直觉会更准确：它不是10Hz以上完全无损，而是10Hz附近的频率在过渡带上被部分衰减。这个工具调试阶段非常有用，尤其是当你怀疑某个频段滤得不够干净时，先看滤波器曲线，再看数据频谱，定位很快。

5. 踩坑清单：这些坑我基本都踩过

5.1 截止频率传错单位

这是用highpass最经典的坑。y = highpass(x, 50)没给采样率时，50会被当成归一化频率，而归一化频率必须小于1，所以MATLAB直接报错。真正危险的是传一个小于1但不符合预期的值，比如你想滤掉0.5Hz，写了y = highpass(x, 0.5)，代码不会报错，但实际滤掉的是奈奎斯特频率的50%。如果采样率是1000Hz，那滤掉的是250Hz以下，信号几乎被滤光了。这种错误很隐蔽，因为程序跑得很顺利，结果却完全不可用。我的习惯是：传输中数据一律带上采样率参数，写成highpass(x, 0.5, fs)，让函数按赫兹解释，从源头上杜绝单位混淆。

5.2 边缘瞬态：两头波形异常

使用零相位滤波后，信号开头和结尾的样本会经历一段瞬态响应，表现是波形在一头或两头出现明显的凹陷、突起或振荡。你可能会看到滤波后信号开头比中间低一大截，或者结尾处多出一段不应有的波动。这不是bug，是双向滤波的必然结果。

处理方案有三种。第一，如果数据足够长，直接把前5%和后5%的样本当作预热区舍弃，只分析中间平稳段。第二，对数据两端做延拓，比如用反射延拓把信号先扩展一段，滤波后再把延拓部分剪掉。注意不要用零填充延拓，因为高通滤波器会把零填充本身当成一个巨大的低频阶跃，反而引入更严重的边缘问题。第三，如果边缘段含有重要信息，被迫要在边缘附近取分析结果，那就得考虑放弃零相位滤波，改用带相位补偿的因果滤波方案。

5.3 输出长度与数据类型的细节

`highpass` 输出和输入 `x` 长度一定相同，这一点不必担心，但它对输入类型有要求。如果输入是 double 或 single，输出保持同样的类型。如果输入是时间表，函数会保留时间信息，对时间表中的每个数据变量分别滤波。如果输入是矩阵，函数默认对每一列分别滤波。如果你传入的是整数类型，比如 int16，函数可能会报错或提示转换，最稳妥的做法是先转成 double 再处理。

另外，如果x里包含NaN，滤波结果对应位置也会出现NaN，因为滤波器会把这些缺失值当作真实数据参与运算，NaN会一路传播。拿到数据后先检查有没有NaN，有就先插值或剔除，不要直接丢给highpass。

5.4 FIR还是IIR：实时滤波别直接用它

highpass默认的零相位处理对离线数据非常友好，但它不是实时的。所谓“实时”，意思是每来一个新样本就立刻输出一个滤波结果，而零相位滤波要等整段数据都拿到之后才能开始运算，这在概念上就不可能用于实时系统。

如果你的目标是把滤波算法部署到嵌入式设备或在线数据流里，正确做法是：先用highpass返回的滤波器对象d，再用filter(d, x)做因果滤波；或者直接用designfilt按需设计一个FIR或IIR滤波器，再用filter或dsp.HighpassFilter处理流式数据。这样会产生相位延迟，但换来的是实时可用性。选择FIR还是IIR也要看场景：FIR线性相位稳定、数值表现好，但阶数高；IIR阶数低、效率高，但相位非线性、调试时要留意稳定性。

6. 横向对比：highpass和其他滤波方案怎么选

6.1 与designfilt+filter对比

designfilt是更底层的滤波器设计入口，可以指定设计方法、滤波器类型、阶数、通带衰减参数等。用highpass相当于“傻瓜式”自动设计：适合快速验证和批量处理，缺点是内部设计过程被藏了起来，想精确控制某些指标时不够灵活。

如果需求是这样的——指定要一个100阶FIR高通滤波器，截止频率30Hz，采样率1000Hz——用designfilt写出来就是：

d = designfilt('highpassfir', ... 'FilterOrder', 100, ... 'CutoffFrequency', 30, ... 'SampleRate', 1000); y = filter(d, x);

两种途径没有优劣，关键在于需求。追求开发速度和代码可读性，选highpass；需要严格按指标设计滤波器、部署到实时系统或做滤波器对比研究，用designfilt。实际开发里，我喜欢先用highpass快速看清效果，确认截止频率合理之后，再用designfilt把最终方案固定下来。

6.2 与FFT频域截断对比

手工FFT滤波的思路是：对信号做FFT，把低频段的频谱系数直接置零，再IFFT回来。这种方法的优点是速度快、直觉上“想滤哪段滤哪段”，但它有两个明显问题。一是频谱置零相当于在频域乘了一个矩形窗，IFFT回到时域会在边缘产生振铃，也就是Gibbs现象。二是它对非平稳信号的处理很差，因为整段数据的FFT把时间信息抹平了，某一段出现的瞬态低频成分会被平均到整个时间段里。

highpass走的是正经的滤波器设计路线，有平滑的过渡带，不会出现矩形窗那么严重的振铃。相比之下，FFT截断适合一次性去直流或剔除特定窄带干扰，比如去掉50Hz工频，这种明确窄带目标用FFT更快。但通用滤波和形态分析，我基本都用highpass，尤其是在信号边缘形态比较重要的时候。

6.3 与medfilt1、smoothdata等去趋势手段对比

有时候你其实不需要“高通滤波”，只是想把毛刺和趋势去掉。中值滤波medfilt1对脉冲噪声特别有效，smoothdata系列方法可以通过滑动平均、局部回归等方式把曲线磨平。它们的共同点是属于非线性或启发式方法，没有明确的截止频率概念，但你没办法告诉它“保留10Hz以上的部分”。

这里有一个选型判断：如果你关心信号的频率成分，想知道“多少赫兹以上的信息被保留”，那必须用高通滤波器这类频域方法。如果你只是视觉上想去掉漂移、抹平毛刺，对频率没有严格定义，那用medfilt1或smoothdata反而更简单，而且对瞬态特征更友好。一句话总结：频域问题用频域工具，时域形态问题用时域工具。

7. 实战经验片段

7.1 传感器低频漂移消除的完整流程

我处理过不少传感器数据，最典型的流程是这样的：拿到信号后先画频谱图，用pwelch看一下低频部分到底有多大的能量。比如加速度计信号，通常在0.1Hz以下有一大团缓慢漂移的能量，而真正关心的振动频率可能在5Hz以上。这时候我先把截止频率设在1Hz左右，用highpass(x, 1, fs)滤一遍，看看时域波形是否回归到平稳；如果漂移还有残余，就把截止频率往上调到2Hz、3Hz，直到时域波形不再有明显基线起伏。

调截止频率时一定要克制：截止频率越高，滤掉的信息越多，如果真实信号里也有低频成分，会被一并摧毁。比如做倾斜角测量时，加速度计输出的重力分量本身就在0Hz附近，高通滤波会把这种“极低频有效信息”当作漂移滤掉，导致角度计算完全错误。所以每次调整截止频率前，我都会先问一句：这段信号里，哪些低频是噪声，哪些低频是有用的？边界不清时，宁可截止频率设低一点，再配合其他去噪手段。

7.2 音频去直流与低频轰鸣的注意事项

音频处理里我也经常用highpass。麦克风采集的音频如果有直流偏置，波形整体会偏离零线，听起来可能只是轻微的闷响，但对后续的自动增益控制、音量归一化都会造成干扰。用highpass(audio, 20, fs)可以把直流和20Hz以下的低频轰鸣一起去掉，声音立刻干净不少。

但音频领域用高通要格外小心。第一，人耳对相位失真比较敏感，零相位滤波虽然能消除相位偏移，但双向滤波带来的边缘处理在音频流式播放场景中不可行，实时播放入口还是要选因果FIR。第二，截止频率不宜设置过高，比如设在100Hz以上，会把贝斯、低音鼓这些原本有意义的低频内容切掉，声音会变得又干又薄。第三，立体声双声道信号做滤波时，最好对左右声道用完全相同的滤波器结构，避免左右声道相位差发生变化，否则声像定位会受影响。

我在实际使用中还有一个习惯：每次滤波完不会只看一眼时域波形就结束，一定会在频谱上确认“该衰减的确实衰减了，该保留的确实保留了”。同时把滤波前后的边缘段拉出来单独看一眼，确认没有因为零相位处理引入明显的异常。这三步做完，我对最终结果才算是有信心。highpass这个函数本身不复杂，复杂的是你怎么理解手里的信号，以及怎么判断滤波结果到底对不对。把参数含义吃透，把边缘效应和单位陷阱记住，它就是一个可以长期信赖的顺手工具。