我正在使用 Python 进行一个项目来检测和分类一些鸟鸣，我发现自己处于需要将波形文件转换为频率与时间数据的位置。这并不是什么大问题，但是为了能够将不同的音节分类，我需要编写一些东西来检测数据何时聚集成某种形状。为了让您了解数据的外观，以下是绘制时数据外观的图像：
我需要一些方法来获取每个单独的音节（每个形状的两边都有一个分隔符）并将它们保存到一个变量或它们自己的文件中，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，但如果您有其他方法，我愿意使用其他语言进行编码。
谢谢！
两个问题：
1/ 在8s附近，我们可以观察到100ms左右的稳定音高，然后突然增加下降直到8.5s。这整个序列（8s 到 8.5s）是形成一个单一的实体，还是你认为这两个阶段（稳定然后下降）是两个实体？
2/ 你想在有监督的情况下工作还是在没有监督的情况下工作。您事先知道要寻找的“模式”吗？
如果您想在没有监督的情况下工作（假设您已经收集了录音并旨在从中提取“结构化表示”），那么您的问题首先类似于语音活动检测。只需使用信号强度，可能与“音调”度量（例如桥范围内自相关最大值的比率，此处为 1kHz - 5kHz）结合使用，即可检测存在活跃的强音调的片段。对结果序列进行中值滤波以使其平滑，然后对其进行阈值化以获得不同的片段。一旦你将你的信号分解成段，你就可以用它们做一些有趣的事情。例如，您可以为它们中的每一个提取一个音高轨迹（每个 FFT 帧具有最强频率峰值的序列，或者使用真实音高估计器提取的更稳健的序列），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-means，凝聚聚类）来识别相似音高模式的组（8:8.5 和 10:10.5 段）。无监督的方法很可能会过度分割 - 例如 7.6:8.5 和 9.6:10.5 将被识别为两个相同块的重复，而对你来说，它们基本上可以是一个单一的模式，但你可以使用类似的东西Sequitur具有更高一级的结构。
如果你有一个预定义的“模式”字典，你想用它来标记你的信号，你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，而在你的案例间距是唯一需要考虑的信息！语音识别系统在一次 FST 解码操作中处理分割和识别任务。