classifySound
对音频信号中的声音进行分类
语法
描述
分类声音(___）如果没有输出参数，则在音频信号中创建一个识别声音的词云。
此函数需要音频和音频™ 深度学习工具箱™.
例子
下载classifySound
下载并解压缩音频工具箱™对YAMNet的支持。金宝app
如果没有安装对YAMNet的Audio T金宝appoolbox支持，那么对该函数的第一次调用将提供到下载位置的链接。要下载模型，请单击链接。解压文件到MATLAB路径上的一个位置。
或者，执行以下命令将YAMNet模型下载并解压缩到临时目录。
downloadFolder = fullfile (tempdir,“YAMNetDownload”); loc=websave（下载文件夹，“https://ssd.mathworks.com/金宝appsupportfiles/audio/yamnet.zip”）;YAMNetLocation = tempdir;YAMNetLocation解压(loc)目录(fullfile (YAMNetLocation,“yamnet”）)
识别有色噪声
假设采样率为16khz，生成1秒的粉色噪声。
fs = 16 e3;x = pinknoise (fs);
调用classifySound用粉色噪声信号和采样率。
identifiedSound = classifySound (x, fs)
identifiedSound = "粉红噪音"
及时识别和定位声音
读入音频信号。调用classifySound返回检测到的声音和相应的时间戳。
[audioIn, fs] = audioread (“多路音频-16-16-mono-18秒波形”）;(声音、时间戳)= classifySound (audioIn fs);
绘制音频信号并标记检测到的声音区域。
t =(0:元素个数(audioIn) 1) / fs;情节(t, audioIn)包含(“时间(s)”)轴([t(1)，t(end)，-1,1]) textHeight = 1.1;为patch([timeStamps(idx,1)，timeStamps(idx,1)，timeStamps(idx,2)，timeStamps(idx,2)]，...(1, 1, 1, 1),...(0.3010 0.7450 0.9330),...“FaceAlpha”，0.2）；文本（时间戳（idx，1），文本高度+0.05*（-1）^idx，声音（idx））结束
选择一个区域并仅收听所选区域。
sampleStamps =地板(时间戳* fs) + 1;soundEvent =3.；isolatedSoundEvent = audioIn (sampleStamps (soundEvent 1): sampleStamps (soundEvent 2));声音(isolatedSoundEvent, fs);显示器('检测到的声音= '+声音(soundEvent))
“检测到的声音=打鼾”
只识别特定的声音
读入包含多个不同声音事件的音频信号。
[audioIn, fs] = audioread (“多路音频-16-16-mono-18秒波形”）;
调用classifySound与音频信号和采样率。
(声音,~,soundTable) = classifySound (audioIn fs);
的听起来字符串数组包含每个区域中最可能的声音事件。
听起来
听起来=1×5弦“流”“机枪”“打鼾”“吠叫”“喵喵”
的soundTable包含关于在每个区域检测到的声音的详细信息，包括分析信号的得分均值和最大值。
soundTable
soundTable =5×2表时间戳结果{uuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuu0 3.92{4×3表}4.0425 6.0025{3×3表}6.86 9.1875{2×3表}10.65812.373{4×3表}12.98516.66{4×3表}
查看上次检测到的区域。
soundTable。结果{end}
ans=4×3表声音平均得分最高0.79514 0.99941“家畜、宠物”0.80243 0.99831“猫”0.8048 0.99046“喵喵”0.639042
调用classifySound一次。这一次,IncludedSounds到动物所以这个函数只保留了动物检测到声音类。
[声音，时间戳，声音表]=classifySound（音频输入，fs，...“IncludedSounds”，“动物”）;
声音数组仅返回指定为包含的声音听起来数组现在包含两个实例动物对应于声明为吠叫和猫叫之前。
听起来
听起来=1×2字符串“动物”“动物”
声音表仅包括检测到指定声音类别的区域。
soundTable
soundTable =2×2表时间戳的结果 ________________ ___________ 12.985 - 16.66 10.658 - 12.373{4×3桌}{4×3表}
中最后检测到的区域soundTable．结果表仍然包含该区域中所有检测到的声音的统计数据。
soundTable。结果{end}
ans=4×3表声音平均得分最高0.79514 0.99941“家畜、宠物”0.80243 0.99831“猫”0.8048 0.99046“喵喵”0.639042
探索受支持的声音类金宝appclassifySound,使用yamnetGraph．
排除特定的声音
读入音频信号并呼叫classifySound检查按探测时间顺序排列的最可能的声音。
[audioIn, fs] = audioread (“多路音频-16-16-mono-18秒波形”）;听起来= classifySound (audioIn fs)
听起来=1×5弦“流”“机枪”“打鼾”“吠叫”“喵喵”
调用classifySound再接再厉ExcludedSounds到猫叫排除声音猫叫从结果。之前分类为猫叫现在被归类为猫，这是它在AudioSet本体中的直接前身。
听起来= classifySound (audioIn fs,“排除声音”，“喵喵”）
听起来=1×5弦“流”“机枪”“打鼾”“吠叫”“猫”
调用classifySound再次,ExcludedSounds到猫．当您排除一个声音时，所有后继者也将被排除。这意味着排除声音猫也不包括声音猫叫.原分类为猫叫现在被归类为家畜、宠物的直接前身猫在AudioSet本体中。
听起来= classifySound (audioIn fs,“排除声音”，“猫”）
听起来=1×5弦“流水”“机关枪”“打呼”“吠叫”“家畜、宠物”
调用classifySound再接再厉ExcludedSounds到家畜、宠物.声音课，家畜、宠物是两者的前身吗吠叫和猫叫，所以通过排除它，之前被识别为吠叫和猫叫现在都被认为是家畜、宠物，即动物．
听起来= classifySound (audioIn fs,“排除声音”，“国内的动物,宠物”）
听起来=1×5弦“流”“机枪”“打鼾”“动物”“动物”
调用classifySound再接再厉ExcludedSounds到动物．声音类动物没有前辈。
听起来= classifySound (audioIn fs,“排除声音”，“动物”）
听起来=1×3的字符串“流水”“机关枪”“鼾声”
如果你想避免被发现猫叫和它的前辈，但继续检测相同前辈下的后辈，使用IncludedSounds选择权yamnetGraph获取所有受支持类的列表。金宝app删除猫叫和它的前任类数组中的所有类，然后调用classifySound一次。
(~、类)= yamnetGraph;classesToInclude = setxor(类,“喵喵”，“猫”，“国内的动物,宠物”，“动物”]);听起来= classifySound (audioIn fs,“IncludedSounds”classesToInclude)
听起来=1×4串“流水”“机关枪”“打鼾”“吠叫”
生成词云
读入音频信号并收听。
[audioIn, fs] = audioread (“多路音频-16-16-mono-18秒波形”); 声音（音频输入，fs）
调用classifySound没有输出参数来生成检测到的声音的字云。
classifySound (audioIn fs);
修改的默认参数classifySound探究对词云的影响。
门槛=0．1；minimumSoundSeparation =
0.92；minimumSoundDuration =
1．02；classifySound (audioIn fs,...“门槛”阈值,...“最小声音间隔”minimumSoundSeparation,...“MinimumSoundDuration”, minimumSoundDuration);
输入参数
输出参数
算法
的classifySound函数使用YAMNet将音频片段分类为AudioSet本体所描述的声音类。的classifySound函数对音频进行预处理，使其符合YAMNet要求的格式，并使用使结果更易于解释的常见任务对YAMNet的预测进行后处理。
后处理
将已识别的重叠50%或更多的声音区域合并为单个区域。区域开始时间是组内所有声音中最小的开始时间。区域结束时间是组内所有声音中最大的结束时间。函数返回时间戳、声音类以及区域内声音类的平均置信度和最大置信度结果表．
属性可以设置声音分类的特异性级别具体水平选择。例如，假设在一个声音组中有四个声音类，它们在声音区域的平均分数如下:
水––0.82817流––0.81266细流,运球––0.23102倒––0.20732
声音类,水，流，细流,运球,倒位于AudioSet本体中，如图所示:
类中的声音组返回声音类听起来的输出参数具体水平：
“高”(默认)——在此模式下，流是首选水,细流,运球是首选倒．流在区域上的平均分数更高，那么函数返回流在听起来该区域的产出。“低”—在此模式中，返回对区域具有最高平均置信度的声音类的最一般的本体论类别。为细流,运球和倒，最普遍的类别是声音的东西对于流和水，最普遍的类别是自然的声音．因为水在声音区域上具有最高的平均置信度，则函数返回自然的声音．“没有”——在此模式下，函数返回具有最高平均置信度的声音类，在本例中为水．
参考文献
[1] Gemmeke, Jort F.， et al. <音频集:用于音频事件的本体和人类标记数据集>。2017 IEEE声学、语音和信号处理国际会议(ICASSP)， IEEE, 2017, pp. 776-80。DOI.org (Crossref), doi: 10.1109 / ICASSP.2017.7952261。
Hershey, Shawn, et al. < CNN大规模音频分类架构>。2017 IEEE声学、语音和信号处理国际会议(ICASSP)， IEEE, 2017，第131-35页。DOI.org (Crossref), doi: 10.1109 / ICASSP.2017.7952132。
