829939

@CMLab 和弦识别算法传统数字信号领域算法通常的使用 chroma 特征做类似模板匹配，还有一些 NMF 相关的算法，这些传统经典算法和深度学习相结合，在这块目前发表的一些 paper 都有不错的识别效果。

@chatWell1 你说的问题类似谐波打击乐分离(HPSS)，项目中的 hpss 相关算法可以测试下效果。

@chancat
@SevenElevenZ

感谢支持！
如果你对这个项目感兴趣或有意向加入其中，非常欢迎你的加入，和我一起完善这个项目。

@yingdashi 计算机人工智能方向，业务上使用的话不需要，深度开发的要掌握一些

@james0517 大佬提的这个业务属于音源分离，一般常用的做法是频域掩码，最简单的就是二值化掩码，有很多这块定向算法的研究，典型的如 NMF 算法相关的有很多种，很多也取得不错的效果，但效果好的还是使用深度学习训练频域掩码，也是这些年音频领域研究的热点之一。

腾讯是真流氓。
我以前的域名邮箱 没转成企业微信 早已不能用了。

@stanwanng ECG 属于时序信号，频率非常低，侦测上突变相关的特征非常重要，可以采用 CWT(分析突变的好手)二维频谱数据直接走 CNN 卷积网络分类训练。

至于是否可用项目中 audio 特征，从信号领域来看都是一样，但 ECG 和 audio 本身而言差异还是比较明显，具体这块我也不太专业，推荐比较有名的，针对生物信号的 NeuroKit 开源项目可以研究下。

@beneo 我用的 PPT 。 工具了解的不多。app.diagrams.net 这个在线工具可以试下

@butterls 1. “希望通过音频数据生成基础触感数据”，音频有很多特征数据可以驱动马达，如果要求是特定强度的频率震动跟随音乐鼓点的话，端点和当前范围内功率谱就可以， 是否类似音乐播放可视化震动这种效果？

2. “非规律音频” 有很多，如你所说枪声，脚步这些的区分，时域上典型的有包络，频域上有频谱、mfcc 等，如果短时突变信号多的话，可以用 CWT ，至于如何映射，这个具体和你的业务测试情况相关了，可以尝试常见的 mel/bark/erb 这些听觉刻度模型映射测验小效果。