从音频信号中选择更多信息帧

Question

我正在计算音频信号中的onsets，如附图所示。红点对应于起始曲线包络的局部最大值。

现在我想要的是在多个局部最大值彼此非常接近（就时间而言）的地方取一个起始点。（看看接近7.5s的两个局部最大值，非常接近彼此）。我只想要其中一个。

这样做的好策略/算法是什么？