识别聚集成形状的数据

我正在使用Python进行一个项目，以检测和分类一些鸟类歌曲，但发现自己处于将波形文件转换为频率与时间数据的位置。这并不是一个太大的问题，但是为了能够将不同的音节分为几类，我需要编写一些东西来检测何时数据集群为某种形状。为了让您大致了解数据的外观，以下是数据绘制时的图像：

我需要一些方法来获取每个单独的音节（每个形状的两侧都有分隔符）并将其保存到变量或自己的文件中，以便我可以使用SciPy在它们之间运行Pearson相关性。

另外，我更喜欢Python，但是如果您有其他方法可以使用其他语言进行编码，则可以开放。

谢谢！

两个问题：

1 /在8s左右，我们可以观察到100ms左右的稳定音调，然后突然下降直到8.5s。这整个序列（8s至8.5s）是否形成一个实体，还是您认为两个阶段（稳定然后递减）是两个实体？

2 /您是否要在监督下进行工作。您是否事先知道要寻找的“样式”？

• 如果您想在没有监督的情况下工作（例如您已经收集了录音并旨在从录音中提取“结构化表示”），那么第一步就类似于语音活动检测。只需使用信号强度，或者将其与“ pitchiness”度量（例如，在桥接范围内自相关最大值的比率，此处为1kHz-5kHz）结合使用，以检测存在活跃的强音调的段。对结果序列进行中值滤波以使其平滑，然后对其进行阈值处理以得到不同的片段。将信号分解为多个部分后，就可以对它们进行有趣的操作。例如，您可以为它们中的每一个提取音高轨迹（每个FFT帧的频率峰值最强的序列，或者使用真实的音高估计器提取的更鲁棒的东西），使用DTW计算每个块之间的成对距离矩阵，并使用聚类算法（k均值，聚集聚类）来识别相似音高模式的组（8：8.5和10：10.5片段）。无监督的方法可能会过度分割-例如7.6：8.5和9.6：10.5将被识别为两个相同块的重复，而对您来说，它们基本上可以是一个单一的模式，但是您可以使用类似Sequitur具有更高一级的结构。

• 如果您要使用预定义的“模式”词典来标记信号，则最好遵循用于语音识别的方法，唯一的主要区别是语音识别不考虑音高，而在您外壳间距是唯一要考虑的信息！语音识别系统可以在单个FST解码操作中同时处理分段和识别任务。