Banyak pengulangan bunyi
Dalam latihan ini, Anda akan mulai dengan teknik klasifikasi yang mungkin paling sederhana: mengambil rata-rata di seluruh dimensi himpunan data dan meninjau hasilnya secara visual.
Anda akan menggunakan data detak jantung yang dijelaskan pada bab sebelumnya. Beberapa rekaman merupakan aktivitas detak jantung yang bersifat normal, sementara yang lain merupakan aktivitas abnormal. Mari lihat apakah Anda dapat membedakannya.
Dua DataFrame, normal dan abnormal, masing-masing berdimensi (n_times_points, n_audio_files) yang memuat audio untuk beberapa detak jantung tersedia di ruang kerja Anda. Selain itu, frekuensi sampling dimuat ke dalam variabel bernama sfreq. Fungsi bantu pemetaan show_plot_and_make_titles() juga tersedia di ruang kerja Anda.
Latihan ini merupakan bagian dari kursus
Machine Learning untuk Data Deret Waktu di Python
Instruksi latihan
- Pertama, buat larik waktu untuk file audio ini (semua audio memiliki panjang yang sama).
- Lalu, tumpuk nilai dari kedua DataFrame (
normaldanabnormal, dalam urutan tersebut) sehingga Anda memiliki satu larik berdimensi(n_audio_files, n_times_points). - Terakhir, gunakan kode yang disediakan untuk melakukan looping pada setiap item/ sumbu dalam daftar, dan plot audio terhadap waktu pada objek sumbu yang sesuai.
- Anda akan memplot detak jantung normal di kolom kiri, dan yang abnormal di kolom kanan
Latihan interaktif langsung praktik
Cobalah latihan ini dengan melengkapi kode contoh ini.
fig, axs = plt.subplots(3, 2, figsize=(15, 7), sharex=True, sharey=True)
# Calculate the time array
time = np.arange(____) / ____
# Stack the normal/abnormal audio so you can loop and plot
stacked_audio = np.hstack([____, ____]).T
# Loop through each audio file / ax object and plot
# .T.ravel() transposes the array, then unravels it into a 1-D vector for looping
for iaudio, ax in zip(stacked_audio, axs.T.ravel()):
ax.plot(time, iaudio)
show_plot_and_make_titles()