Багато повторень звуків
У цій вправі ви почнете з, мабуть, найпростішого прийому класифікації: усереднення за вимірами набору даних і візуальний огляд результату.
Ви використаєте дані серцебиття, описані в попередньому розділі. Деякі записи містять нормальну активність серця, а інші — аномальну. Подивімося, чи зможете ви помітити різницю.
У вашому робочому середовищі доступні два DataFrameʼи, normal і abnormal, кожен із формою (n_times_points, n_audio_files), що містять аудіо кількох серцебиттів. Також частоту дискретизації завантажено у змінну sfreq. Допоміжна функція для побудови графіків show_plot_and_make_titles() також доступна у вашому середовищі.
Ця вправа є частиною курсу
Machine Learning для часових рядів у Python
Інструкції до вправи
- Спочатку створіть масив часу для цих аудіофайлів (усі аудіо мають однакову тривалість).
- Потім обʼєднайте значення двох DataFrameʼів (
normalіabnormal, у такому порядку), щоб отримати єдиний масив форми(n_audio_files, n_times_points). - Нарешті, скористайтеся наданим кодом, щоб пройтися циклом по кожному елементу списку / осі та побудувати графік аудіосигналу в часі у відповідному обʼєкті осей.
- Нормальні серцебиття побудуйте в лівому стовпці, а аномальні — у правому
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
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()