Audio 如何在Weka中使用MFCC进行音频分类？

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。我拥有的MFCC是以1024的缓冲区大小生成的，因此每个音频记录都有一系列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

我还问了一个关于数据的问题，因为我觉得这可能会影响数据到ARFF格式的转换

我知道，对于ARFF，需要通过属性列出数据。MFCC的每个系数是单独的属性还是作为单个属性的系数数组？每个数据应该表示单个MFCC、时间窗口还是整个文件或声音？下面，我写下了如果只考虑一个MFCC，我认为它应该是什么样子，我不认为它能够对整个声音进行分类

@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

任何帮助都将不胜感激

编辑： 我已经使用Weka从网站中使用以下方法生成了一些数据，但我不确定如何使用这些数据对音频进行分类，因为每行数据都是来自同一文件的10毫秒音频。每行的name属性都是“unknown”，我假设这是数据试图分类的属性。我如何才能对一个整体声音（而不是10毫秒）进行分类，并将其与其他几个整体声音进行比较

---

编辑#2：成功

---

在更彻底地阅读了我发现的内容之后，我看到了累积脚本以及测试和训练数据文件。累积脚本将从单独的音频文件生成的每组MFCC数据的所有文件放在一个ARFF文件中。他们的文件由大约200个属性和12个MFCC的统计数据组成。虽然我无法使用OpenSmile检索这些统计数据，但我使用Python库来检索。统计数据包括最大值、最小值、峰度、范围、标准差等。我使用BayesNet和Weka中的多层感知器对我的音频文件进行了准确分类，这两种方法都为我提供了100%的准确度。

我对MFCC了解不多，但如果您试图对音频文件进行分类，则

@data

下的每一行必须代表一个音频文件。如果您对

@data

下的每一行使用时间窗口或仅一个MFCC，则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。为了防止您不熟悉该格式（只是链接，因为我看到您将音频文件的功能与

@data

放在同一行中），下面是一个示例，其中每一行代表一种虹膜植物：

% 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

在回答您关于音频文件应使用哪些属性的问题时，听起来（没有双关语）使用MFCC系数是可行的（假设每个音频文件具有相同数量的MFCC，因为每个片段数据/音频文件必须具有相同数量的属性）。我会尝试一下，看看效果如何

编辑： 如果音频文件大小不同，您可以：

• 剪切比最短音频长度长的音频文件。基本上你会把音频文件末尾的数据扔掉
• 使属性的数量足够高，以适合最长的音频文件，并为短于最长音频文件的音频文件的未填充属性放置表示静音的MFCC系数
• 如果MFCC值始终在某个范围内（例如-10到10或类似的值），则可以使用模型。您的属性将表示MFCC系数在音频文件的特定范围内的次数。因此，第一个属性可能表示介于-10和-9.95之间的MFCC系数的数量，第二个属性为-9.95到-9.90。因此，如果您有一个非常短的音频文件，其中包含两个MFCC（不太可能，仅用于示例目的），其中一个系数为10，另一个系数为-9.93，那么最后一个属性的值为1，第二个属性的值为1，但所有其他属性的值均为0。这种方法的缺点是没有考虑MFCC系数的顺序。然而，即使忽略了词序，这种方法也适用于文本分类，所以谁知道呢，也许它适用于音频
• 除此之外，我会看看你的问题是否有好的答案

---

谢谢您的来信。我编辑了数据的格式。不幸的是，每个音频文件的MFCC数量确实有所不同，我不确定它将如何包含我想要分类的整个文件或声音。每个MFCC有13个不同频率的系数，基于一个帧，我相信是23.27毫秒。我不明白这与其他音频相比会如何。我对我的答案做了一些编辑。很抱歉，我无法提供更多帮助。感谢您的编辑，我尝试进行一些更改，看看效果如何。