① 如何使用python處理心音信號
在了解了linux的信號基礎之 後，Python標准庫中的signal包就很容易學習和理解。signal包負責在Python程序內部處理信號，典型的操作包括預設信號處理函數，暫 停並等待信號，以及定時發出SIGALRM等。要注意，signal包主要是針對UNIX平台(比如Linux, MAC OS)，而Windows內核中由於對信號機制的支持不充分，所以在Windows上的Python不能發揮信號系統的功能。
信號（signal）-- 進程之間通訊的方式，是一種軟體中斷。一個進程一旦接收到信號就會打斷原來的程序執行流程來處理信號。
定義信號名
signal包定義了各個信號名及其對應的整數，比如：
import signal
print(signal.SIGABRT)
print(signal.SIG_DFL)
Python所用的信號名與Linux一致，可以通過$ man 7 signal 查詢
預設信號處理函數
signal包的核心是使用signal.signal()函數來預設(register)信號處理函數，如下所示：
singnal.signal(signalnum, handler)
signalnum為某個信號，handler為該信號的處理函數。我們在信號基礎里提到，進程可以無視信號，可以採取默認操作，還可以自定義操作。當handler為signal.SIG_IGN時，信號被無視(ignore)。當handler為singal.SIG_DFL，進程採取默認操作(default)。當handler為一個函數名時，進程採取函數中定義的操作。
import signal
# Define signal handler function
def myHandler(signum, frame):
print('I received: ', signum)
# register signal.SIGTSTP's handler
signal.signal(signal.SIGTSTP, myHandler)
signal.pause()
print('End of Signal Demo')
# 有問題待測試
在主程序中，我們首先使用signal.signal()函數來預設信號處理函數。然後我們執行signal.pause()來讓該進程暫停以等待信號， 以等待信號。當信號SIGUSR1被傳遞給該進程時，進程從暫停中恢復，並根據預設，執行SIGTSTP的信號處理函數myHandler()。 myHandler的兩個參數一個用來識別信號(signum)，另一個用來獲得信號發生時，進程棧的狀況(stack frame)。這兩個參數都是由signal.singnal()函數來傳遞的。
上面的程序可以保存在一個文件中(比如test.py)。我們使用如下方法運行:
$python test.py
以便讓進程運行。當程序運行到signal.pause()的時候，進程暫停並等待信號。此時，通過按下CTRL+Z向該進程發送SIGTSTP信號。我們可以看到，進程執行了myHandle()函數, 隨後返回主程序，繼續執行。(當然，也可以用$ps查詢process ID, 再使用$kill來發出信號。)
(進程並不一定要使用signal.pause()暫停以等待信號，它也可以在進行工作中接受信號，比如將上面的signal.pause()改為一個需要長時間工作的循環。)
我們可以根據自己的需要更改myHandler()中的操作，以針對不同的信號實現個性化的處理。
定時發出SIGALRM信號
一個有用的函數是signal.alarm()，它被用於在一定時間之後，向進程自身發送SIGALRM信號:
import signal
# Define signal handler function
def myHandler(signum, frame):
print("Now, it's the time")
exit()
# register signal.SIGALRM's handler
signal.signal(signal.SIGALRM, myHandler)
signal.alarm(5)
while True:
print('not yet')
我們這里用了一個無限循環以便讓進程持續運行。在signal.alarm()執行5秒之後，進程將向自己發出SIGALRM信號，隨後，信號處理函數myHandler開始執行。
發送信號
signal包的核心是設置信號處理函數。除了signal.alarm()向自身發送信號之外，並沒有其他發送信號的功能。但在os包中，有類似於linux的kill命令的函數，分別為
os.kill(pid, sid)
os.killpg(pgid, sid)
分別向進程和進程組(見Linux進程關系)發送信號。sid為信號所對應的整數或者singal.SIG*。
實際上signal, pause，kill和alarm都是Linux應用編程中常見的C庫函數，在這里，我們只不過是用Python語言來實現了一下。實際上，Python 的解釋器是使用C語言來編寫的，所以有此相似性也並不意外。此外，在Python 3.4中，signal包被增強，信號阻塞等功能被加入到該包中。我們暫時不深入到該包中。
總結
signal.SIG*
signal.signal()
signal.pause()
signal.alarm()
② C、C++、Python處理音頻用什麼第三方庫
C與C++的編解碼庫用ffmpeg，python不熟悉
ffmpeg跨平台，源碼是linux的，windows要使用的話先交叉編譯出dll
希望對你有幫助
③ Python中有沒有類似Matlab中VoiceBox的語音處理工具箱
哥倫比亞大學LabROSA實驗室開發的用於語音信號處理的庫，維護的比較好，有可以直接計算stft、MFCC、簡單的Onset detection等，比較可惜的是沒有LPC。
④ python機器學習庫怎麼使用
1. Scikit-learn（重點推薦）
www .github .com/scikit-learn/scikit-learn
Scikit-learn 是基於Scipy為機器學習建造的的一個Python模塊，他的特色就是多樣化的分類，回歸和聚類的演算法包括支持向量機，邏輯回歸，樸素貝葉斯分類器，隨機森林，Gradient Boosting，聚類演算法和DBSCAN。而且也設計出了Python numerical和scientific libraries Numpy and Scipy2、Keras（深度學習）
https://github.com/fchollet/keras
Keras是基於Theano的一個深度學習框架，它的設計參考了Torch，用Python語言編寫，是一個高度模塊化的神經網路庫，支持GPU和CPU。
3、Lasagne（深度學習）
不只是一個美味的義大利菜，也是一個和Keras有著相似功能的深度學習庫，但其在設計上與它們有些不同。
4.Pylearn2
www .github .com/lisa-lab/pylearn2
Pylearn是一個讓機器學習研究簡單化的基於Theano的庫程序。它把深度學習和人工智慧研究許多常用的模型以及訓練演算法封裝成一個單一的實驗包，如隨機梯度下降。
5.NuPIC
www .github .com/numenta/nupic
NuPIC是一個以HTM學習演算法為工具的機器智能平台。HTM是皮層的精確計算方法。HTM的核心是基於時間的持續學習演算法和儲存和撤銷的時空模式。NuPIC適合於各種各樣的問題,尤其是檢測異常和預測的流數據來源。
6. Nilearn
www .github .com/nilearn/nilearn
Nilearn 是一個能夠快速統計學習神經影像數據的Python模塊。它利用Python語言中的scikit-learn 工具箱和一些進行預測建模，分類，解碼，連通性分析的應用程序來進行多元的統計。
7.PyBrain
www .github .com/pybrain/pybrain
Pybrain是基於Python語言強化學習，人工智慧，神經網路庫的簡稱。 它的目標是提供靈活、容易使用並且強大的機器學習演算法和進行各種各樣的預定義的環境中測試來比較你的演算法。
8.Pattern
www .github .com/clips/pattern
Pattern 是Python語言下的一個網路挖掘模塊。它為數據挖掘，自然語言處理，網路分析和機器學習提供工具。它支持向量空間模型、聚類、支持向量機和感知機並且用KNN分類法進行分類。
9.Fuel
www .github .com/mila-udem/fuel
Fuel為你的機器學習模型提供數據。他有一個共享如MNIST, CIFAR-10 (圖片數據集), Google's One Billion Words (文字)這類數據集的介面。你使用他來通過很多種的方式來替代自己的數據。
10.Bob
www .github .com/idiap/bob
Bob是一個免費的信號處理和機器學習的工具。它的工具箱是用Python和C++語言共同編寫的，它的設計目的是變得更加高效並且減少開發時間，它是由處理圖像工具,音頻和視頻處理、機器學習和模式識別的大量軟體包構成的。
11.Skdata
www .github .com/jaberg/skdata
Skdata是機器學習和統計的數據集的庫程序。這個模塊對於玩具問題，流行的計算機視覺和自然語言的數據集提供標準的Python語言的使用。
12.MILK
www .github .com/luispedro/milk
MILK是Python語言下的機器學習工具包。它主要是在很多可得到的分類比如SVMS,K-NN,隨機森林，決策樹中使用監督分類法。 它還執行特徵選擇。 這些分類器在許多方面相結合,可以形成不同的例如無監督學習、密切關系金傳播和由MILK支持的K-means聚類等分類系統。
13.IEPY
www .github .com/machinalis/iepy
IEPY是一個專注於關系抽取的開源性信息抽取工具。它主要針對的是需要對大型數據集進行信息提取的用戶和想要嘗試新的演算法的科學家。
14.Quepy
www .github .com/machinalis/quepy
Quepy是通過改變自然語言問題從而在資料庫查詢語言中進行查詢的一個Python框架。他可以簡單的被定義為在自然語言和資料庫查詢中不同類型的問題。所以，你不用編碼就可以建立你自己的一個用自然語言進入你的資料庫的系統。
現在Quepy提供對於Sparql和MQL查詢語言的支持。並且計劃將它延伸到其他的資料庫查詢語言。
15.Hebel
www .github .com/hannes-brt/hebel
Hebel是在Python語言中對於神經網路的深度學習的一個庫程序，它使用的是通過PyCUDA來進行GPU和CUDA的加速。它是最重要的神經網路模型的類型的工具而且能提供一些不同的活動函數的激活功能，例如動力，涅斯捷羅夫動力，信號丟失和停止法。
16.mlxtend
www .github .com/rasbt/mlxtend
它是一個由有用的工具和日常數據科學任務的擴展組成的一個庫程序。
17.nolearn
www .github .com/dnouri/nolearn
這個程序包容納了大量能對你完成機器學習任務有幫助的實用程序模塊。其中大量的模塊和scikit-learn一起工作，其它的通常更有用。
18.Ramp
www .github .com/kvh/ramp
Ramp是一個在Python語言下制定機器學習中加快原型設計的解決方案的庫程序。他是一個輕型的pandas-based機器學習中可插入的框架，它現存的Python語言下的機器學習和統計工具（比如scikit-learn,rpy2等）Ramp提供了一個簡單的聲明性語法探索功能從而能夠快速有效地實施演算法和轉換。
19.Feature Forge
www .github .com/machinalis/featureforge
這一系列工具通過與scikit-learn兼容的API，來創建和測試機器學習功能。
這個庫程序提供了一組工具，它會讓你在許多機器學習程序使用中很受用。當你使用scikit-learn這個工具時，你會感覺到受到了很大的幫助。（雖然這只能在你有不同的演算法時起作用。）20.REP
www .github .com/yandex/rep
REP是以一種和諧、可再生的方式為指揮數據移動驅動所提供的一種環境。
它有一個統一的分類器包裝來提供各種各樣的操作，例如TMVA, Sklearn, XGBoost, uBoost等等。並且它可以在一個群體以平行的方式訓練分類器。同時它也提供了一個互動式的情節。
21.Python 學習機器樣品
www .github .com/awslabs/machine-learning-samples用亞馬遜的機器學習建造的簡單軟體收集。
22.Python-ELM
www .github .com/dclambert/Python-ELM
這是一個在Python語言下基於scikit-learn的極端學習機器的實現。
23.gensim
主題模型python實現
Scalable statistical semantics
Analyze plain-text documents for semantic structureRetrieve semantically similar documents
⑤ python中音頻圖像識別和網頁相關的庫合集！
1、OpenCV
OpenCV是最常用的圖像和視頻識別庫。毫不誇張地說，OpenCV能讓Python在圖像和視頻識別領域完全替代Matlab。
OpenCV提供各種應用程序介面，同時它不僅支持Python，還支持Java和Matlab。OpenCV出色的處理能力使其在計算機產業和學術研究中都廣受好評。
2、Librosa
Librosa是一個非常強大的音頻和聲音處理Python庫。Librosa可以用來從音頻段中提取各個部分，例如韻律，節奏以及節拍。
像Laplacia分割這樣極度復雜的演算法，在使用了Librosa之後只需幾行代碼就能輕而易舉的運用。
Python在被廣泛運用於數據科學領域前，曾經可是網頁開發領域的寵兒。因此也有很多用於網頁開發的庫。
3、Django
要想使用Python來開發一個網頁服務後端，Django一直都是不二之選。Django的設計理念便是，能用幾行代碼就建立一個網站的高級框架。
Django直接與大多數知名資料庫相連，這樣使用者就可以省下建立連接和數據模型開發的時間。Django的使用者只需專注於業務邏輯而不需擔心受創建、更新、讀取和刪除（Create,update,retrieve and delete, CURD）的操控，因為Django是一個由資料庫驅動的框架。
4、Flask
Flask是一個用於Python的輕量級網頁開發框架。其最寶貴的特點是能夠輕而易舉地進行能夠滿足任何需求的定製化處理。
有很多提供網站UI的知名Python庫和Python工具都是使用Flask構建的，例如Plotly Dash和Airflow。這些網站之所以使用Flask，正是由於其輕量級的特點。
誠然，還有許多優秀的Python庫應當被提及，但上述這些庫就足夠你研究好一陣子了。人生苦短，及時Python！
更多python知識，請關注python視頻教程！！
⑥ 用Python做一個信號分析處理軟體
做信號處理，開源的著名軟體是scilab，octave等，用C寫的
用python寫的，比較少，速度慢，做信號處理不好。
如果用他調用信號處理的庫，做一些前期或後期的處理工作，還是又有優勢的。
⑦ python3.5scipy包怎樣讀取wav文件
用語音處理的庫
樓主找找
pyb 提供了簡潔的高層介面，極大的擴展了python處理音頻文件的能力，pyb可能不是最強大的Python音頻處理庫，但絕對是Python最簡潔易用的音頻庫只要，非要說有什麼弊端，大概只有高度依賴ffmpeg，Linux安裝起來不太方便吧。
⑧ 如何獲得BPM和節奏在Python音頻功能
ython綁定豐富，雖然安裝迴音巢可鎮痛作為球隊似乎並沒有能夠建立堅實的安裝程序。
然而，它並不做局部處理。 相反，它計算的音頻指紋，並上傳歌曲使用他們不公開演算法的信息提取迴音巢伺服器。
這個答案來自一年後，但無論如何，備案。 我發現Python綁定，從音頻提取特徵三個音頻庫。 他們不是那麼容易安裝，因為他們是真正在C和您需要正確編譯python綁定，並將它們添加到要導入的路徑，但在這里，他們是：
Yaafe
Aubio
LibXtract
好吧，我最近遇到Vampy來到這是包裝的插件，使您可以使用任何妖女主機用Python編寫的妖女插件。 鞋面是用於提取音頻數據描述信息的插件音頻處理插件系統。 希望它幫助。
⑨ Python中常用的音頻處理庫有哪些
python的庫太多了，標准庫裝好python就會有，比如os,sys,re等，三方庫就更多了，你需要什麼庫可以在 https://pypi.python.org/ 上找。
⑩ 目前在python3下有哪些音樂處理庫
python3下音樂處理庫:midi, pretty-midi, fluidsynth3, mingus等
還有第三方庫：eyeD3, pyb, PyAudio, librosa等