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 以 1024 的缓冲区大小生成，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，但我不确定如何处理这个问题。
我还问了一个关于合并数据的问题，因为我觉得这可能会影响数据转换为 ARFF 格式。
我知道对于 ARFF 数据需要通过属性列出。MFCC的每个系数应该是一个单独的属性，还是一个系数数组作为一个单一属性？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，我写了我认为如果只考虑一个MFCC应该是什么样子，我认为它无法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
任何帮助将不胜感激。
编辑： 我按照本网站的方法使用 openSMILE 使用 Weka 生成了一些 ARFF 文件，但我不确定如何使用这些数据对音频进行分类，因为每行数据是来自同一文件的 10 毫秒音频。每行的 name 属性是"未知"，我假设这是数据尝试分类的属性。我如何能够对整体声音(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找到的网站后，我看到了累积脚本和测试和训练数据文件。累加脚本将来自单独音频文件的每组 MFCC 数据生成的所有文件一起放入一个 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检索这些统计数据，但我使用Python库来做到这一点。统计数据包括最大值、最小值、峰度、范围、标准偏差等。我在Weka中使用BayesNet和多层感知器准确地对音频文件进行了分类，这两者都为我带来了100%的准确性。
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。如果您使用时间窗口或@data下的每一行只有一个 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。以防万一您不熟悉格式(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(，下面是一个示例，其中每行代表一个鸢尾花植物：
% 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
在解决您应该为音频文件使用哪些属性的问题方面，听起来(没有双关语(就像使用 MFCC 系数可以工作(假设每个音频文件都有相同数量的 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，看看进展如何。
编辑： 如果音频文件的大小不同，您可以：
- 剪切音频文件比最短的音频短。基本上，您会丢弃音频文件末尾的数据。
- 使属性的数量足够高以适合最长的音频文件，并放置任何 MFCC 系数表示音频文件的未填充属性的静音，这些属性比最长的音频文件短路。
- 如果 MFCC 值总是在某个范围内(例如 -10 到 10 或类似的东西(，那么可以使用"词袋"模型。您的属性将表示 MFCC 系数落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，第二个属性表示介于 -9.95 到 -9.90 之间的 MFCC 系数的数量。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，仅出于示例目的(，并且一个系数为 10，另一个系数为 -9.93，则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。这种方法的缺点是不考虑MFCC系数的顺序。但是，即使忽略了单词顺序，此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，我会看看你是否在你的合并问题上得到任何好的答案。