Сравните звуковые спектры, чтобы найти различия

Если посмотреть на эти данные в частотно-временной области, на спектрограмме, то различия будут ясно видны. На этом изображении я открыл аудиоклипы в Audacity и переключился на представление спектрограммы (используя выпадающее меню рядом с названием на дорожке).

При нормальной работе (верхний ряд) можно увидеть довольно четкое тональное содержание на частоте ‹400 Гц и очень четкую составляющую на частоте около 2000 кГц. В аномальном состоянии (нижний ряд) наблюдаются периодические всплески энергии, охватывающие весь частотный диапазон.

Эти два шаблона должны быть легко различимы с использованием модели машинного обучения (при наличии достаточного количества данных). Например, небольшая сверточная нейронная сеть или рекуррентная нейронная сеть на спектрограммах. К такому варианту использования обычно подходит настройка обнаружения аномалий, когда модель обучается только на обычных данных. Однако помеченные аномальные данные чрезвычайно полезны для проверки.

Для справки, настройки, которые я использовал в Audacity, были следующими:

С уважением, Джон Нордби, технический директор Soundsensing AS, эксперты в области машинного слуха.

Я бы предложил исследовать разницу сигналов во времени, а не в частоте. Нормализуйте энергию двух сигналов, найдите оптимальный сдвиг, который максимизирует корреляцию между ними, а затем посмотрите на арифметическую разницу между сигналами, чтобы увидеть, объясняет ли это то, что слышат ваши уши.

Надеюсь, что это полезно.