Ableitungsmerkmale: Das Tempogramm
Ein Vorteil des Bereinigens deiner Daten ist, dass du dadurch anspruchsvollere Features berechnen kannst. Die von dir berechnete Hüllkurve ist zum Beispiel eine gängige Technik, um Tempo- und Rhythmus-Features zu bestimmen. In dieser Übung nutzt du librosa, um einige Tempo- und Rhythmus-Features für Herzschlagdaten zu berechnen und erneut ein Modell zu fitten.
Beachte, dass librosa-Funktionen in der Regel nur mit numpy arrays statt mit DataFrames arbeiten. Daher greifen wir auf unsere Pandas-Daten als Numpy-Array über das Attribut .values zu.
Diese Übung ist Teil des Kurses
Maschinelles Lernen für Zeitreihendaten in Python
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Calculate the tempo of the sounds
tempos = []
for col, i_audio in audio.items():
tempos.append(lr.beat.____(y=i_audio.values, sr=sfreq, hop_length=2**6))
# Convert the list to an array so you can manipulate it more easily
tempos = np.array(tempos)
# Calculate statistics of each tempo
tempos_mean = tempos.____(axis=-1)
tempos_std = tempos.____(axis=-1)
tempos_max = tempos.____(axis=-1)