def filtDesign(self):
'''
Design a low pass filter and a high pass filter
'''
order, self.lowpass = filter_design(
self.__fs, locutoff=0, hicutoff=50, revfilt=0)
order, self.highpass = filter_design(
self.__fs, locutoff=5, hicutoff=0, revfilt=1)
def recibir_filter(filename): #funcion que recibe un archivo de audio(.wav) y devuelve la senal filtrada linealmente
y, sr = librosa.load(filename) #signal and sampling rate
fs = sr;
order, lowpass = filter_design(fs, locutoff = 0, hicutoff = 1000, revfilt = 0); #filtro pasabajas
order, highpass = filter_design(fs, locutoff = 100, hicutoff = 0, revfilt = 1); #filtro pasa-altas
y_hp = signal.filtfilt(highpass, 1, y); #aplicacion de filtro
y_bp = signal.filtfilt(lowpass, 1, y_hp); #aplicacion de filtro
data = np.asfortranarray(y_bp)
return(data,sr)
def recibirsenal(filename):
import scipy.signal as signal
y, sr = librosa.load(filename) #signal and sampling rate
fs = sr
order, lowpass = filter_design(fs, locutoff=0, hicutoff=1000, revfilt=0)
order, highpass = filter_design(fs, locutoff=100, hicutoff=0, revfilt=1)
y_hp = signal.filtfilt(highpass, 1, y)
y_bp = signal.filtfilt(lowpass, 1, y_hp)
y_bp = np.asfortranarray(y_bp)
return (y_bp, sr)
def filtrar_senal(senal_f, fs):
"Esta funcion recibe la señal sin filtar y la frecuencia de muestreo y retorna la señal filtrada"
order, lowpass = filter_design(fs, locutoff=0, hicutoff=1000, revfilt=0)
# implementación del filtro pasa bajas con filter_design
order, highpass = filter_design(fs, locutoff=100, hicutoff=0, revfilt=1)
# implementación del filtro pasa altas con filter_design
senal_hp = signal.filtfilt(highpass, 1, senal_f)
# implementacion del diseño del filtro
senal_lp = signal.filtfilt(lowpass, 1, senal_hp)
return senal_lp
def filtradofir(senal, Fmuestreo):
order, lowpass = filter_design(Fmuestreo,
locutoff=0,
hicutoff=1000,
revfilt=0)
order, highpass = filter_design(Fmuestreo,
locutoff=100,
hicutoff=0,
revfilt=1)
#Se definen las frecuencias bajas y altas para el diseño de el filtro pasabanda
y_hp = signal.filtfilt(highpass, 1, senal)
y_bp = signal.filtfilt(lowpass, 1, y_hp)
#función filt filt
y_bp = np.asfortranarray(y_bp)
return y_bp, Fmuestreo
def cargar_filtrar(filename):
file, sr = librosa.load(filename)
order, lowpass = filter_design(sr, locutoff=0, hicutoff=2000, revfilt=0)
#frecuencia de muestreo sr
order, highpass = filter_design(sr, locutoff=100, hicutoff=0, revfilt=1)
file_paltas = signal.filtfilt(highpass, 1, file)
file_pbajas = signal.filtfilt(lowpass, 1, file_paltas)
file_filt = np.asfortranarray(file_pbajas)
return file_filt, sr
def Carga_Filt(y, sr):
"""
Funcion que permite filtrar la señal de audio y tomar las frecuencias de interes
Ingresa una señal de audio y su frecuencia de muestreo.
"""
fs = sr
# Frecuencia de muestreo
# Diseño de filtros pasa bajas y altas para tomar la frecuencia de interes
order, lowpass = filter_design(fs, locutoff=0, hicutoff=1000, revfilt=0)
order, highpass = filter_design(fs, locutoff=100, hicutoff=0, revfilt=1)
# Se aplica la funcion de filtrado filtfilt a los 2 diseños de filtro para
#evitar desfases en la señal
y_hp = signal.filtfilt(highpass, 1, y)
y_bp = signal.filtfilt(lowpass, 1, y_hp)
y_bp = np.asfortranarray(y_bp)
# Convierte la salida del filtro en una matriz en orden Fortran
return (y_bp) # salida de la funcion
def textos_y_audios(ruta_audio_y_textos): #funcion que me retorna listas con las señales cargada, filtradas, sr, archivo txt, etc.
lista_archivos=os.listdir(ruta_audio_y_textos)# carga los archivos en la consola para mirarlos y los almacena en una lista.
lista = []
y_vacia = []
sr_vacia = []
y_filtrada = []
x_ft = []
txt =[]
for i in np.arange(920,1840,2): #ciclo for para cargar los audios y los txt de la base de datos cargada.
filename = ruta_audio_y_textos + '/' + lista_archivos[i+1] #carga de audio
filetxt = ruta_audio_y_textos + '/' + lista_archivos[i] #carga de texto
lista.append(filename) #agrega un audio a la lista que almacena todos los audios.
txt.append(filetxt) #agrega un txt a la lista que almacena todos los audios.
for j in np.arange(0,len(lista)): #ciclo for para cargar los audios
y, sr = librosa.load(lista[j]) #obtiene la señal de audio con sus valores y la frecuencia de muestreo.
y_vacia.append(y)#agrega los valores de cada señal de audio a la lista
sr_vacia.append(sr)
for m in np.arange(0,len(y_vacia)): #ciclo for que ejecuta la cantidad de veces de audios cargados.
#diseño de filtros paso bajo y alto de la señal para eliminar frecuencias o ruido indeseado.
order, lowpass = filter_design(22050, locutoff = 0, hicutoff = 1000, revfilt = 0);
order, highpass = filter_design(22050, locutoff = 100, hicutoff = 0, revfilt = 1);
y_hp = signal.filtfilt(highpass, 1, y_vacia[m]);
y_bp = signal.filtfilt(lowpass, 1, y_hp);
y_bp1 = np.asfortranarray(y_bp)
#despues del filtrado de cada señal se agrega a la lista que contiene todas la señales de audio filtradas con las especificaciones de los filtros creados (pasa bajas y altas)
#y luego se aplica el comanado filt filt para realizar el filtrado de cada señal.
y_filtrada.append(y_bp1);
for g in np.arange(0,len(y_filtrada)): #cilco for que se ejecute la cantidad de audios de la base de datos,
#definicion de funciones que se necesitan para realizar el filtrado wavelet
def wthresh(coeff,thr):
y = list();
s = wnoisest(coeff);
for i in range(0,len(coeff)):
y.append(np.multiply(coeff[i],np.abs(coeff[i])>(thr*s[i])));
return y;
def thselect(y_bp1):
Num_samples = 0;
for i in range(0,len(y_bp1)):
Num_samples = Num_samples + y_bp1[i].shape[0];
thr = np.sqrt(2*(np.log(Num_samples)))
return thr
def wnoisest(coeff):
stdc = np.zeros((len(coeff),1));
for i in range(1,len(coeff)):
stdc[i] = (np.median(np.absolute(coeff[i])))/0.6745;
return stdc;
plt.figure(g)
LL = int(np.floor(np.log2(y_filtrada[g].shape[0])));
coeff = pywt.wavedec( y_filtrada[g], 'db6', level=LL );
thr = thselect(coeff);
coeff_t = wthresh(coeff,thr);
x_rec = pywt.waverec( coeff_t, 'db6');
x_rec = x_rec[0:y_filtrada[g].shape[0]];
#plt.plot(y_vacia[i][0:5000],label='Original')
#plt.plot(x_rec[0:5000],label='Umbralizada por Wavelet y aplicada filtros ')
x_filt = np.squeeze(y_filtrada[g] - x_rec); #resta de la señal con filtros pasabajo y pasa altos menos esa misma señal pero aplicado wavelet para obtner las señales respiratorias
x_ft.append(x_filt)
#plt.plot(x_filt[0:5000],label='Original - Umbralizada')
#plt.legend(loc="upper right")
return y_vacia,x_ft,sr_vacia,lista,txt
def filtrar_senal(senal_f, fs):
order, lowpass = filter_design(fs, locutoff=0, hicutoff=1000, revfilt=0)
order, highpass = filter_design(fs, locutoff=100, hicutoff=0, revfilt=1)
senal_hp = signal.filtfilt(highpass, 1, senal)
senal_lp = signal.filtfilt(lowpass, 1, senal_hp)
return senal_lp