Question

我正在尝试开发一种在Weka中使用MFCC对音频进行分类的方法。我生成的MFCC的缓冲区大小为1024，因此每个音频录制都有一系列MFCC系数。我想将这些系数转换为Weka的ARFF数据格式，但我不确定如何解决这个问题。

我还问了一个question about merging数据，因为我觉得这可能会影响到ARFF格式的数据转换。

我知道对于ARFF，数据需要通过属性列出。 MFCC的每个系数应该是单独的属性还是系数的数组作为单个属性？每个数据应该代表一个MFCC，一个时间窗口，还是整个文件或声音？下面，我写出了我认为如果仅考虑一个MFCC应该是什么样子，我认为它不能将整个声音分类。

@relation audio

@attribute mfcc1 real
@attribute mfcc2 real
@attribute mfcc3 real
@attribute mfcc4 real
@attribute mfcc5 real
@attribute mfcc6 real
@attribute mfcc7 real
@attribute mfcc8 real
@attribute mfcc9 real
@attribute mfcc10 real
@attribute mfcc11 real
@attribute mfcc12 real
@attribute mfcc13 real
@attribute class {bark, honk, talking, wind}

@data
126.347275, -9.709645, 4.2038302, -11.606304, -2.4174862, -3.703139, 12.748064, -5.297932, -1.3114156, 2.1852574, -2.1628475, -3.622149, 5.851326, bark

非常感谢任何帮助。

修改：我使用ARFF files根据openSMILE网站上的方法使用Weka生成了一些this，但我不确定这些数据将如何用于对音频进行分类，因为每行数据为10来自同一文件的毫秒音频。每行的name属性为＆＃34; unknown，＆＃34;我假设是数据试图分类的属性。如何将整体声音（而不是10毫秒）分类并将其与其他几种整体声音进行比较？

编辑＃2：成功！

在更彻底地阅读了我找到的website后，我看到了Accumulate脚本和Test and Train数据文件。 accumulate脚本将所有文件生成的每组MFCC数据从单独的音频文件一起放入一个ARFF文件中。他们的文件由大约200个属性组成，其中包含12个MFCC的统计数据。虽然我无法使用OpenSmile检索这些统计信息，但我使用Python库来执行此操作。统计数据是最大值，最小值，峰度，范围，标准差等。我在Weka中使用BayesNet和Multilayer Perceptron准确地对我的音频文件进行了分类，两者都为我提供了100％的准确度。

Answer 1

我对MFCC了解不多，但如果您尝试对音频文件进行分类，那么@data下的每一行都必须代表一个音频文件。如果您在@data下为每一行使用了时间窗口或只有一个MFCC，那么Weka分类器将尝试对时间窗口或MFCC进行分类，这不是您想要的。如果您不熟悉格式（只是链接，因为我看到您将音频文件的功能放在与@data相同的行），这里是example，其中每一行代表一个虹膜植物：

% 1. Title: Iris Plants Database
% 
% 2. Sources:
%      (a) Creator: R.A. Fisher
%      (b) Donor: Michael Marshall (MARSHALL%PLU@io.arc.nasa.gov)
%      (c) Date: July, 1988
% 
@RELATION iris

@ATTRIBUTE sepallength  NUMERIC
@ATTRIBUTE sepalwidth   NUMERIC
@ATTRIBUTE petallength  NUMERIC
@ATTRIBUTE petalwidth   NUMERIC
@ATTRIBUTE class        {Iris-setosa,Iris-versicolor,Iris-virginica}

@DATA
5.1,3.5,1.4,0.2,Iris-setosa
4.9,3.0,1.4,0.2,Iris-setosa
4.7,3.2,1.3,0.2,Iris-setosa
4.6,3.1,1.5,0.2,Iris-setosa
5.0,3.6,1.4,0.2,Iris-setosa
5.4,3.9,1.7,0.4,Iris-setosa
4.6,3.4,1.4,0.3,Iris-setosa
5.0,3.4,1.5,0.2,Iris-setosa
4.4,2.9,1.4,0.2,Iris-setosa
4.9,3.1,1.5,0.1,Iris-setosa

就解决你应该用于音频文件的属性的问题而言，它听起来（没有双关语）就像使用MFCC系数一样可行（假设每个音频文件具有相同数量的MFCC，因为每个数据/音频文件必须具有相同数量的属性）。我会尝试一下，看看它是怎么回事。

编辑：如果音频文件的大小不同，您可以：

剪切音频文件的时间超过最短音频短片。基本上你是在丢弃音频文件末尾的数据。
使属性数量足够高以适应最长的音频文件，并将任何MFCC系数表示静音，用于短于最长音频文件的音频文件的未填充属性。
如果MFCC值始终在某个范围内（例如-10到10或类似的范围），那么可以使用"bag of words"模型。您的属性将表示MFCC系数落入音频文件的特定范围内的次数。因此，第一个属性可能表示MFCC系数的数量介于-10和-9.95之间，第二个属性为-9.95到-9.90。因此，如果你有一个非常短的音频文件有两个MFCC（不太可能，仅作为示例），一个系数是10而另一个是-9.93那么你的最后一个属性的值是1，你的第二个属性将有一个值1，但所有其他属性的值都为0.该方法的缺点是不考虑MFCC系数的顺序。但是，这种方法适用于文本分类，即使单词顺序被忽略，所以谁知道，也许它适用于音频。
除此之外，我会看到你在合并问题上得到任何好的答案。

如何在Weka中使用MFCC进行音频分类？

1 个答案: