Feature derivate: il tempogramma
Uno dei vantaggi di ripulire i tuoi dati è che puoi calcolare feature più sofisticate. Per esempio, il calcolo dell’inviluppo che hai eseguito è una tecnica comune per ottenere feature di tempo e ritmo. In questo esercizio userai librosa per calcolare alcune feature di tempo e ritmo sui dati dei battiti cardiaci e addestrerai di nuovo un modello.
Nota che le funzioni di librosa tendono a operare solo su array numpy invece che su DataFrame, quindi accederemo ai dati Pandas come array Numpy con l’attributo .values.
Questo esercizio fa parte del corso
Machine Learning per dati di serie temporali in Python
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# 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**10))
# 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)