detectar número de picos na gravação de áudio


12

Estou tentando descobrir como detectar o número de sílabas em um corpus de gravações de áudio. Eu acho que um bom proxy pode ter picos no arquivo wave.

Aqui está o que eu tentei com um arquivo meu falando em inglês (meu caso de uso real é em kiswahili). A transcrição deste exemplo de gravação é: "Sou eu tentando usar a função timer. Estou olhando para pausas, vocalizações". Há um total de 22 sílabas nesta passagem.

arquivo wav: https://www.dropbox.com/s/koqyfeaqge8t9iw/test.wav?dl=0

O seewavepacote em R é ótimo e existem várias funções em potencial. Primeiramente, importe o arquivo wave.

library(seewave)
library(tuneR)
w <- readWave("YOURPATHHERE/test.wav")  
w
# Wave Object
# Number of Samples:      278528
# Duration (seconds):     6.32
# Samplingrate (Hertz):   44100
# Channels (Mono/Stereo): Stereo
# PCM (integer format):   TRUE
# Bit (8/16/24/32/64):    16

A primeira coisa que tentei foi a timer()função. Uma das coisas que retorna é a duração de cada vocalização. Esta função identifica 7 vocalizações, o que está muito aquém de 22 sílabas. Uma rápida olhada na trama sugere que as vocalizações não são iguais às sílabas.

t <- timer(w, threshold=2, msmooth=c(400,90), dmin=0.1)
length(t$s)
# [1] 7

insira a descrição da imagem aqui

Eu também tentei a função fpeaks sem definir um limite. Ele retornou 54 picos.

ms <- meanspec(w)
peaks <- fpeaks(ms)

insira a descrição da imagem aqui

Isso representa a amplitude por frequência e não por tempo. A adição de um parâmetro de limite igual a 0,005 filtra o ruído e reduz a contagem para 23 picos, o que é bem próximo do número real de sílabas (22).

insira a descrição da imagem aqui

Não sei se essa é a melhor abordagem. O resultado será sensível ao valor do parâmetro threshold, e eu tenho que processar um grande lote de arquivos. Alguma idéia melhor sobre como codificar isso para detectar picos que representam sílabas?


2
Essa é uma pergunta muito interessante, mas você pode obter uma ajuda melhor sobre os métodos no site de Perguntas e respostas sobre Processamento de Sinais do Stack Exchange .
precisa saber é o seguinte

ok obrigada irá verificar se ninguém responder. muito apreciado.
Eric Green

Apenas uma ideia, mas valeria a pena considerar a realização de uma análise de ponto de mudança ? A análise pode ser realizada facilmente em R com o uso da changepointembalagem. Simplificando, a análise do ponto de mudança se concentra na detecção de alterações, o exemplo vinculado se refere aos dados comerciais, mas pode ser interessante aplicar essa técnica aos dados sólidos.
Konrad

Vou aceitar a resposta que tem mais votos, que é a minha tentativa de implementar outra idéia de currículo. Penso, no entanto, que a questão central permanece: como usar os recursos das gravações para detectar com precisão um número de picos que corresponde ao número de sílabas faladas. Obrigado por todas as idéias. Vou postar aqui quando tiver uma solução.
Eric Green

Respostas:


5

Eu não acho que o que se segue é a melhor solução, mas o @ eipi10 teve uma boa sugestão para verificar esta resposta no CrossValidated . Então eu fiz.

Uma abordagem geral é suavizar os dados e encontrar picos comparando um filtro máximo local com o suave.

O primeiro passo é criar a argmaxfunção:

argmax <- function(x, y, w=1, ...) {
  require(zoo)
  n <- length(y)
  y.smooth <- loess(y ~ x, ...)$fitted
  y.max <- rollapply(zoo(y.smooth), 2*w+1, max, align="center")
  delta <- y.max - y.smooth[-c(1:w, n+1-1:w)]
  i.max <- which(delta <= 0) + w
  list(x=x[i.max], i=i.max, y.hat=y.smooth)
}

Seu valor de retorno inclui os argumentos dos máximos locais (x) - que respondem à pergunta - e os índices nas matrizes x e y onde esses máximos locais ocorrem (i).

Fiz pequenas modificações na testfunção de plotagem: (a) para definir explicitamente x e y e (b) para mostrar o número de picos:

test <- function(x, y, w, span) {
  peaks <- argmax(x, y, w=w, span=span)

  plot(x, y, cex=0.75, col="Gray", main=paste("w = ", w, ", span = ", 
                                              span, ", peaks = ", 
                                              length(peaks$x), sep=""))
  lines(x, peaks$y.hat,  lwd=2) #$
  y.min <- min(y)
  sapply(peaks$i, function(i) lines(c(x[i],x[i]), c(y.min, peaks$y.hat[i]),
                                    col="Red", lty=2))
  points(x[peaks$i], peaks$y.hat[peaks$i], col="Red", pch=19, cex=1.25)
}

Como a fpeaksabordagem que mencionei na minha pergunta original, essa abordagem também requer uma boa dose de ajuste. Não saberei a resposta "certa" (isto é, o número de sílabas / picos) entrando nisso, por isso não tenho certeza de como definir uma regra de decisão.

par(mfrow=c(3,1))
test(ms[,1], ms[,2], 2, 0.01)
test(ms[,1], ms[,2], 2, 0.045)
test(ms[,1], ms[,2], 2, 0.05)

insira a descrição da imagem aqui

Neste ponto, fpeaksparece um pouco menos complicado para mim, mas ainda não é satisfatório.


Pode ser insatisfatório porque seus parâmetros de loess não atenuam o suficiente. A escolha de mais suave precisa ser orientada pela natureza dos dados e dos objetivos; não é algo a ser deixado para o que é oferecido pela plataforma de computação e os valores padrão que ela fornece.
whuber

Estes não são padrões. Apenas exemplos. Estou intrigado com o desafio maior do aprendizado não supervisionado neste caso. Não sei o número de sílabas nas gravações, então não sei como ajustar um lote de arquivos. Os parâmetros constantes provavelmente não fazem sentido, mas não tenho certeza de como configurar outras regras de decisão (por exemplo, outras métricas da onda que poderiam ser usadas para determinar os valores ideais para esses parâmetros). Estou pensando que preciso criar um conjunto de treinamento que ajude algum algoritmo a definir esses parâmetros. Não tenho certeza.
Eric Green

No seu comando para loess, não vejo argumentos explicitamente dados para o grau de suavização. Na verdade, há pouco sentido em correr loess sobre uma janela em movimento: isso já é feito internamente.
whuber

Eu entendo o seu ponto. Presumi que isso wfosse um argumento na suavização. Foi assim que o autor da solução original descreveu a função: "Há dois parâmetros a serem ajustados às circunstâncias: w é a meia largura da janela usada para calcular o máximo local ... Outro - não está explícito neste código - é o argumento de extensão do loess mais suave. "
Eric Green

Esse autor incluiu wcomo um dos parâmetros, porque ele tinha em mente uma abordagem muito geral na qual o mais suave poderia não ser menos flexível, mas talvez fosse uma mediana em janelas, ou Hanning, ou qualquer outra coisa considerada apropriada para o comportamento estatístico dos dados e dos dados. objetivos do analista. As propriedades de muitas dessas mães dependem da largura da janela.
whuber

1

Eu tive problemas semelhantes para analisar perfis de eletroforese de proteínas. Eu os resolvi aplicando algumas das funções do pacote msprocess R nos segundos derivados dos perfis (consulte https://fr.wikipedia.org/wiki/D%C3%A9pouillement_d 'une_courbe # Position_et_hauteur_du_pic). Isto foi publicado aqui: http://onlinelibrary.wiley.com/doi/10.1111/1755-0998.12389/abstract;jsessionid=8EE0B64238728C0979FF71C576884771.f02t03

Não tenho idéia se uma solução semelhante pode funcionar para você. Boa sorte


obrigado, @ user17493.bis. parabéns a você por publicar com material suplementar. tornará muito mais fácil tentar esta ideia!
Eric Green

0

Aqui está uma biblioteca em Python que usei anteriormente ao tentar estimar a periodicidade encontrando picos na função de autocorrelação.

Ele usa diferenças de primeira ordem / derivadas discretas para detecção de pico e suporta o ajuste por parâmetros de limite e distância mínima (entre picos consecutivos). Pode-se também aprimorar a resolução de pico usando a estimativa e interpolação da densidade gaussiana (ver link).

Funcionou muito bem para mim, sem muitos ajustes, mesmo para dados barulhentos. De uma chance.


Obrigado, @ tool.ish. Parece uma boa alternativa aos métodos R que citei. Eu acho que ainda teria o desafio de ajustar, no entanto.
Eric Green

0

Gostaria de sugerir uma solução utilizando o changepointpacote. O exemplo simplista abaixo tenta identificar picos, definidos aqui como pontos de mudança , observando um canal a partir dos dados disponíveis.

Exemplo

Fonte de dados

# Libs
library(seewave)
library(tuneR)

# Download
tmpWav <- tempfile(fileext = ".wav")
download.file(url = "https://www.dropbox.com/s/koqyfeaqge8t9iw/test.wav?dl=0",
              destfile = tmpWav)

# Read
w <- readWave(filename = tmpWav)

Preparação de dados

# Libs
require(changepoint)

# Create time series data for one channel as an example
leftTS <- ts(data = w@left)

## Preview
plot.ts(leftTS)

Gráfico gerado pela plot.tschamada: Canal como série temporal

Análise de ponto de mudança

O changepointpacote fornece várias opções para identificar alterações / picos nos dados. O código abaixo fornece apenas um exemplo simples de localização de 3 picos usando o método BinSeg :

# BinSeg method (example)
leftTSpelt <- cpt.var(data = leftTS, method = "BinSeg", penalty = "BIC", Q = 3)
## Preview
plot(leftTSpelt, cpt.width = 3)

Gráfico obtido: Alguns pontos de mudança Também é possível obter valores:

cpts(leftTSpelt)
[1]  89582 165572 181053

Notas laterais

O exemplo fornecido se preocupa principalmente em ilustrar como a análise do ponto de mudança pode ser aplicada aos dados fornecidos; deve-se ter cuidado com relação aos parâmetros passados ​​para a cp.varfunção. Uma explicação detalhada do pacote e das funcionalidades disponíveis é fornecida no seguinte documento:

Killick, Rebecca e Eckley, Idris (2014) changepoint: um pacote R para análise de changepoint. Journal of Statistical Software, 58 (3). 1-19.

ecp

ecp, é outro vale a pena mencionar o pacote R. A ecpanálise de ponto de mudança facilita compromisso não paramétrico multivariada, o que pode ser útil se a um gostaria de identificar pontos de mudança que ocorrem em vários canais.


Obrigado, @konrad. Eu não conhecia nenhum dos pacotes, então obrigado por dedicar um tempo para a demonstração. Acho que o desafio fundamental que tenho com todos esses pacotes é que não sei quantos picos procurar, por isso não tenho certeza de como ajustar os parâmetros. Ainda parece uma situação em que tenho que usar algum algoritmo para determinar como definir os parâmetros para identificar com precisão o número correto de picos (ou seja, sílabas).
Eric Green

@EricGreen Principalmente, a análise do ponto de mudança permitiria identificar seus picos apenas observando a distribuição. Seria uma questão de aplicar um método adequado, multas e assim por diante. Sugiro que você dê uma olhada no site vinculado no meu comentário anterior, uma vez que descreve o processo em detalhes.
319 Konrad

Não tenho certeza se você literalmente quer dizer globo ocular da distribuição. Eu tenho 2000 arquivos e preciso de uma maneira de automatizar isso. Mesmo se eu pudesse examinar cada arquivo, acho difícil ver o número de sílabas como picos. Talvez eu esteja sendo denso e virei para ver os méritos dessa abordagem. Ainda estou preso à necessidade de uma maneira de ajustar automaticamente os parâmetros de cada arquivo, para que o número resultante de picos detectados seja um proxy preciso do número de sílabas.
Eric Green

@EricGreen Não, não é literário, é claro. Se você descobrir os parâmetros apropriados que devem ser passados ​​para uma das funções cpt , poderá executá-lo em qualquer número de objetos. Como não tenho experiência em lingüística, não sei se as sílabas corresponderiam aos picos comuns observados nos dados de séries temporais.
Konrad

Peguei vocês. Acho que estou encontrando a etapa "descobrir os parâmetros apropriados" para este caso de uso específico. Mas apreciei todas as idéias e aprendi sobre alguns novos pacotes que podem ser boas alternativas para as que experimentei.
Eric Green
Ao utilizar nosso site, você reconhece que leu e compreendeu nossa Política de Cookies e nossa Política de Privacidade.
Licensed under cc by-sa 3.0 with attribution required.