Niveles integrados y estadísticos

Métricas de ruido ambiental calculadas directamente sobre la señal cruda (calibrada).

Leq y LAeq

El nivel continuo equivalente integra la presión al cuadrado durante el tiempo de medición:

$$L_{eq} = 10\log_{10}\left(\frac{1}{T}\int_0^T \frac{p^2(t)}{p_0^2}\ dt\right) \text{ dB}, \qquad p_0 = 20\ \mu\text{Pa}$$

y $L_{Aeq}$ es la misma integral tras ponderar A la señal. $L_N$ es el nivel superado el $N\ \%$ del tiempo — el percentil $(100-N)$ de la distribución del nivel con ponderación temporal.

from phonometry import leq, laeq

# Nivel continuo equivalente de toda la grabación
level = leq(signal, calibration_factor=sensitivity)

# Leq ponderado A (la métrica estándar de ruido ambiental)
la = laeq(signal, fs, calibration_factor=sensitivity)

Ambas aceptan señales 1D (devuelven un escalar) o arrays 2D [channels, samples] (devuelven un nivel por canal), y admiten dbfs=True para análisis digital a fondo de escala (la calibración no aplica en modo dBFS).

¿Por qué la media energética y no la media aritmética de los valores en dB? Porque las dosis sonoras se suman como energía: dos periodos a 60 dB y 80 dB no promedian 70 dB — la mitad a 80 dB domina y $L_{eq}$ = 77 dB. Promediar decibelios directamente subestima cualquier ruido fluctuante. $L_{eq}$ es el nivel del sonido estacionario que transporta la misma energía que el real, fluctuante, y por eso las normativas se redactan en términos de él.

Parámetros de leq() / laeq()

Parámetro	Tipo / forma	Unidades	Rango / valor por defecto	Notas
x	array 1D o 2D	unidades digitales (o Pa si está calibrada)	no vacío	2D es [channels, samples]; devuelve un nivel por canal
fs	int	Hz	> 0 (solo laeq)	leq no necesita frecuencia de muestreo (integral RMS pura)
calibration_factor	float	Pa por unidad digital	por defecto 1.0	De calculate_sensitivity()
dbfs	bool	—	por defecto False	True: 0 dBFS = seno RMS a fondo de escala; ignora la calibración

Niveles percentiles (LN)

ln_levels calcula niveles estadísticos a partir de la envolvente con ponderación temporal: L10 es el nivel superado el 10 % del tiempo (picos de eventos), L50 la mediana y L90 el nivel de fondo.

from phonometry import ln_levels

stats = ln_levels(signal, fs, n=(10, 50, 90), weighting="A")
print(f"LA10={stats[10]:.1f}  LA50={stats[50]:.1f}  LA90={stats[90]:.1f} dB")

L10 sigue los picos de los eventos, L50 el nivel mediano y L90 el fondo.

Opciones: mode selecciona la balística de la envolvente ('fast', 'slow', 'impulse'), weighting aplica antes la ponderación A/C, y calibration_factor/dbfs se comportan como en leq. El transitorio de ataque del integrador (~2τ) se descarta antes de calcular los percentiles.

Formalmente, $L_N$ es el percentil $(100-N)$ de la distribución del nivel con ponderación temporal: la grabación se convierte primero en una envolvente de nivel frente a tiempo (Fast por defecto), y $L_{10}$ es el valor de la envolvente superado el 10 % del tiempo. Eso hace que la elección de la ponderación temporal forme parte de la métrica: un $L_{10}$ con envolvente Slow es sistemáticamente más bajo que con una Fast en ruido impulsivo, por lo que las normativas siempre indican la ponderación temporal.

Parámetros de ln_levels()

Parámetro	Tipo / forma	Unidades	Rango / valor por defecto	Notas
x	array 1D o 2D	unidades digitales	no vacío	2D devuelve diccionarios por canal
fs	int	Hz	> 0	Lo necesita el detector de envolvente
n	tupla de ints	%	por defecto (10, 50, 90)	Cualquier porcentaje de excedencia, p. ej. (1, 5, 95)
mode	str	—	'fast' (por defecto), 'slow', 'impulse'	Ponderación temporal IEC 61672-1 de la envolvente
weighting	str o None	—	'A', 'C', 'G', 'Z', None (por defecto)	Ponderación frecuencial previa a la envolvente
calibration_factor / dbfs	float / bool	—	como leq	Misma semántica que en leq()

Métricas de pico, evento y ocupacionales

from phonometry import lc_peak, sel, sound_exposure, lex_8h

# Pico ponderado C (IEC 61672-1 §5.13): los límites de acción laborales usan esto
peak = lc_peak(signal, fs, calibration_factor=sensitivity)

# Nivel de exposición sonora: nivel del evento normalizado a 1 s (LAE)
lae = sel(event, fs, weighting="A", calibration_factor=sensitivity)

# Dosis diaria de ruido (IEC 61252): exposición en Pa²·h y LEX,8h / LEP,d
E = sound_exposure(shift_sample, fs, duration_hours=8, calibration_factor=sensitivity)
lex = lex_8h(shift_sample, fs, duration_hours=8, calibration_factor=sensitivity)

lc_peak está verificado contra las respuestas de referencia de ciclo único/semiciclo de la Tabla 5 de IEC 61672-1:2013, sel contra la columna LAE de la Tabla 4, y las funciones de dosis contra las anclas de IEC 61252 (3,2 Pa²h ↔ exactamente 90 dB). Con duration_hours, la entrada se trata como muestra representativa de ese periodo de exposición; sin él, la entrada es el evento completo.

SEL: comparar eventos de distinta duración

Un paso de tren de 4 s y otro de 30 s no pueden compararse solo por su $L_{Aeq}$ — el evento más largo entrega más energía al mismo nivel. El nivel de exposición sonora comprime la energía del evento completo en exactamente un segundo:

$$L_E = L_{eq,T} + 10\log_{10}\frac{T}{T_0}, \qquad T_0 = 1\ \text{s}$$

de modo que los eventos de cualquier duración resultan directamente comparables, y $N$ eventos idénticos se suman como $+10\log_{10}N$. Es el bloque básico de los modelos de ruido aeroportuario y ferroviario.

Dosis de ruido: exposición sonora y LEX,8h

Las normativas laborales limitan la dosis diaria, no el nivel. IEC 61252 la expresa como exposición sonora $E$ en pascales al cuadrado por hora — la integral temporal de la presión ponderada A al cuadrado — y el nivel normalizado a 8 h equivalente:

$$E = \int_0^T p_A^2(t)\ dt \quad [\text{Pa}^2\text{h}], \qquad L_{EX,8h} = 10\log_{10}\frac{E}{8\ \text{h} \cdot p_0^2}$$

El ancla que conviene memorizar: 3,2 Pa²h ⇔ exactamente 90 dB durante 8 h (la suite de CI lo verifica). La mitad de dosis son −3 dB; el doble de duración al mismo nivel son +3 dB.

Parámetros de pico / evento / dosis

Función	Parámetros clave	Devuelve	Ancla normativa
lc_peak(x, fs, calibration_factor=1.0, dbfs=False)	dbfs=True referencia el pico a fondo de escala (1.0), no el RMS	LCpeak [dB]	IEC 61672-1 §5.13, ráfagas de tono de la Tabla 5
sel(x, fs, weighting=None, ...)	weighting='A' da el LAE	SEL [dB]	IEC 61672-1 Tabla 4 (columna LAE)
sound_exposure(x, fs, duration_hours=None, ...)	duration_hours trata x como muestra de ese periodo	E [Pa²h]	IEC 61252
lex_8h(x, fs, duration_hours=None, ...)	misma semántica de muestreo	LEX,8h [dB]	IEC 61252 (≡ LEP,d)

Nivel de sonoridad de tonos puros (ISO 226:2023)

Las curvas isofónicas normales relacionan el SPL de un tono puro con su nivel de sonoridad percibido en fonos (el SPL de un tono de 1 kHz igual de fuerte). equal_loudness_contour(phon) evalúa la Fórmula (1) de ISO 226:2023 en las 29 frecuencias preferentes de tercio de octava de la Tabla 1, loudness_level(spl, frequency) es la inversa exacta (Fórmula 2) y hearing_threshold() devuelve la columna del umbral de audición:

from phonometry import equal_loudness_contour, loudness_level

freqs, spl = equal_loudness_contour(40.0)   # la clásica isofónica de 40 fonos
phon = loudness_level(73.0, 63.0)           # 73 dB @ 63 Hz -> 40 fonos

Validez según el apartado 4.1: 20–90 fonos (80 fonos por encima de 4 kHz); la implementación se verifica en CI contra las tablas del Anexo B. Ojo: esto es la sonoridad de tonos puros — la sonoridad de señales arbitrarias (sonos, ISO 532) es una feature distinta, prevista más adelante.

Tonos discretos prominentes (ECMA-418-1)

Los componentes tonales del ruido de maquinaria molestan mucho más de lo que sugiere su nivel. ECMA-418-1:2024 (referenciada por el Anexo D de ECMA-74) define dos métodos FFT para decidir si un tono discreto es prominente: tone_to_noise_ratio() compara el nivel del tono con el ruido enmascarante de su banda crítica (apartado 11) y prominence_ratio() compara la banda crítica centrada en el tono con las dos bandas contiguas (apartado 12). Ambos devuelven un veredicto estructurado frente a los criterios de prominencia dependientes de la frecuencia:

from phonometry import tone_to_noise_ratio, prominence_ratio

tnr = tone_to_noise_ratio(x, fs)            # pico más alto, o tone_freq=...
pr = prominence_ratio(x, fs, tone_freq=1000.0)
print(tnr.ratio_db, tnr.criterion_db, tnr.prominent)

Los métodos se apoyan en la banda crítica — el ancho de banda de análisis del oído, $\Delta f_c = 25 + 75\ [1 + 1.4(f/1000)^2]^{0.69}$ Hz (162 Hz a 1 kHz): a un tono solo lo enmascara el ruido que hay dentro de su banda crítica, así que ambos ratios comparan el tono exactamente con ese ruido, no con todo el espectro.

Un TNR por encima de $8 + 8.33\log_{10}(1000/f_t)$ dB (8 dB de 1 kHz hacia arriba) clasifica el tono como prominente; el criterio del PR es $9 + 10\log_{10}(1000/f_t)$ dB. Las frecuencias bajas reciben umbrales más altos porque unas bandas relativamente más anchas enmascaran más.

ECMA-74 (que delega la evaluación tonal en ECMA-418-1) también fija dónde medir alrededor de un equipo:

Los tonos secundarios próximos en la misma banda crítica se combinan según el apartado 11.6; para complejos armónicos evalúa cada componente (tone_freq=). Ambos métodos trabajan sobre espectros promediados RMS con ventana Hann y no necesitan calibración absoluta (los ratios son diferencias de nivel).

Parámetros de tone_to_noise_ratio() / prominence_ratio()

Parámetro	Tipo	Unidades	Rango / valor por defecto	Notas
x	array 1D	cualquiera (vale sin calibrar)	≥ fs/resolution_hz muestras	Los ratios son diferencias de nivel: la calibración se cancela
fs	int	Hz	> 0
tone_freq	float, opcional	Hz	89,1–11 200; por defecto None	None evalúa el pico más alto del rango de interés
resolution_hz	float	Hz	> 0; por defecto 1.0	La banda del tono debe quedar dentro del 15 % de la banda crítica (apartado 11.2)

Ambos devuelven un ToneAssessment(frequency, ratio_db, criterion_db, prominent).

Ruido ambiental: Lden, Ldn y niveles de evaluación (ISO 1996-1)

La evaluación regulatoria del ruido pondera más las tardes y las noches. lden() implementa el nivel día-tarde-noche de ISO 1996-1:2016 (3.6.4: +5 dB tarde, +10 dB noche, periodos 12/4/8 h por defecto — ajustables, porque cada país los define distinto), ldn() la variante día-noche (3.6.5) y composite_rating_level() el compuesto general de jornada completa del apartado 6.5 (Fórmulas 5-6) para periodos arbitrarios con ajustes por fuente o carácter (Tabla A.1: p. ej. +5 dB impulsivo regular, +12 dB altamente impulsivo, +3 a +6 dB tonos prominentes):

from phonometry import lden, composite_rating_level

l = lden(63.2, 58.1, 51.4)                      # desde LAeq por periodo
r = composite_rating_level([(63.2, 12, 0.0),    # día
                            (58.1, 4, 5.0),     # tarde (+5)
                            (51.4, 8, 10.0)])   # noche (+10) == lden

Parámetros de lden() / ldn() / composite_rating_level()

Función	Parámetros clave	Notas
lden(lday, levening, lnight, hours=(12, 4, 8))	LAeq por periodo [dB]; hours debe sumar 24	+5 dB tarde, +10 dB noche (3.6.4)
ldn(lday, lnight, hours=(15, 9))		+10 dB noche (3.6.5)
composite_rating_level(periods)	iterable de (level_db, hours, adjustment_db)	Fórmulas generales (5)-(6); ajustes según la Tabla A.1

Dónde pones el micrófono cambia el número: ISO 1996-2 fija las posiciones del receptor y sus correcciones de fachada:

Combínalo con laeq() por periodo para ir de grabaciones a Lden, y con tone_to_noise_ratio() / prominence_ratio() para justificar ajustes tonales.

Espectrograma de octavas (niveles vs tiempo)

Análisis de octava fraccional en tiempo corto: un nivel por banda y ventana, alineado en el tiempo entre bandas.

from phonometry import OctaveFilterBank

bank = OctaveFilterBank(fs=48000, fraction=3)
levels, freq, times = bank.spectrogram(signal, window_time=0.125, overlap=0.5)
# levels: (bandas, ventanas) — listo para pcolormesh(times, freq, levels)

Un barrido logarítmico y dos ráfagas de tono, resueltos en el tiempo y en bandas normalizadas de tercio de octava.

• Una entrada multicanal (channels, samples) devuelve (channels, bands, frames).
• times contiene el centro de cada ventana en segundos.
• mode='peak' da niveles de pico por ventana en lugar de RMS.
• zero_phase=True filtra las bandas hacia delante y atrás para que el retardo de grupo por banda no desplace las ventanas (solo análisis offline).

Parámetros de OctaveFilterBank.spectrogram()

Parámetro	Tipo	Unidades	Rango / valor por defecto	Notas
x	array 1D o 2D	unidades digitales	no vacío	2D devuelve (channels, bands, frames)
window_time	float	s	> 0; por defecto 0.125	Longitud de la ventana (0,125 s replica Fast)
overlap	float	—	0 ≤ overlap < 1; por defecto 0.5	Fracción de solape entre ventanas (0 = sin solape)
mode	str	—	'rms' (por defecto) o 'peak'	Detector por ventana
zero_phase	bool	—	por defecto False	Filtrado hacia delante y atrás (solo offline)
calibration_factor / dbfs	—	—	solo constructor	Se fijan en OctaveFilterBank(...), no por llamada

import matplotlib.pyplot as plt

fig, ax = plt.subplots()
mesh = ax.pcolormesh(times, freq, levels, shading="auto")
ax.set_yscale("log")
ax.set_xlabel("Tiempo [s]")
ax.set_ylabel("Frecuencia [Hz]")
fig.colorbar(mesh, label="Nivel [dB]")

Consulta Calibración y dBFS para convertir unidades digitales a SPL físico, y Ponderación temporal para los detalles de la envolvente.