Многократные повторения звуков
В этом упражнении вы начнёте с одного из самых простых методов классификации: усреднения по измерениям набора данных и визуального анализа результата.
Вы будете работать с данными сердцебиения, описанными в предыдущей главе. Часть записей отражает нормальную активность сердечного ритма, другие — аномальную. Попробуйте найти различия.
В вашем рабочем пространстве доступны два DataFrame — normal и abnormal — каждый с формой (n_times_points, n_audio_files), содержащие аудиозаписи нескольких ударов сердца. Кроме того, частота дискретизации загружена в переменную sfreq, а вспомогательная функция построения графиков show_plot_and_make_titles() также доступна в вашем рабочем пространстве.
Это упражнение является частью курса
Машинное обучение для данных временных рядов на Python
Инструкции к упражнению
- Сначала создайте массив времени для этих аудиофайлов (все записи имеют одинаковую длину).
- Затем объедините значения двух DataFrame (
normalиabnormal, именно в таком порядке), чтобы получить единый массив формы(n_audio_files, n_times_points). - Наконец, используйте предоставленный код для перебора каждого элемента списка / оси и постройте график аудиосигнала по времени в соответствующем объекте оси.
- Нормальные сердечные ритмы отображайте в левом столбце, аномальные — в правом.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
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()