Caractéristiques dérivées : le tempogramme
L’un des avantages de nettoyer vos données est que cela vous permet de calculer des caractéristiques plus sophistiquées. Par exemple, le calcul de l’enveloppe que vous avez effectué est une technique courante pour extraire des caractéristiques de tempo et de rythme. Dans cet exercice, vous allez utiliser librosa pour calculer des caractéristiques de tempo et de rythme à partir de données de battements cardiaques, puis entraîner de nouveau un modèle.
Notez que les fonctions de librosa fonctionnent généralement uniquement sur des tableaux numpy et non sur des DataFrames. Nous accéderons donc à nos données Pandas sous forme de tableau Numpy avec l’attribut .values.
Cet exercice fait partie du cours
Machine Learning for Time Series Data in Python
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# 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)