Wiele powtórzeń dźwięków
W tym ćwiczeniu zaczniesz od jednej z najprostszych technik klasyfikacji: uśredniania po wymiarach zbioru danych i wizualnej analizy wyników.
Skorzystasz z danych dotyczących uderzeń serca opisanych w poprzednim rozdziale. Część nagrań przedstawia prawidłową pracę serca, inne – nieprawidłową. Sprawdź, czy uda ci się dostrzec różnicę.
W twoim środowisku dostępne są dwie ramki danych: normal i abnormal, obie o kształcie (n_times_points, n_audio_files), zawierające nagrania audio kilku uderzeń serca. Częstotliwość próbkowania jest zapisana w zmiennej sfreq. Dostępna jest również funkcja pomocnicza show_plot_and_make_titles().
To ćwiczenie jest częścią kursu
Uczenie maszynowe dla danych szeregów czasowych w Pythonie
Instrukcje do ćwiczenia
- Na początku utwórz tablicę czasu dla tych plików audio (wszystkie nagrania mają tę samą długość).
- Następnie połącz wartości obu ramek danych (
normaliabnormal, w tej kolejności), aby uzyskać pojedynczą tablicę o kształcie(n_audio_files, n_times_points). - Na koniec skorzystaj z dostarczonego kodu, aby przejść pętlą przez każdy element listy / oś i wykreślić przebieg audio w czasie na odpowiednim obiekcie osi.
- Prawidłowe uderzenia serca wykreślisz w lewej kolumnie, a nieprawidłowe – w prawej.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
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()