Source: https://jmrplens.github.io/phonometry/es/guides/multichannel/ La mayoría de las sesiones de medición reales producen más de un canal: los dos oídos de una cabeza binaural, la pareja de micrófonos de una sonda de intensidad, las varias posiciones de un muestreo de sala, las cápsulas de un array de conformación de haz. La convención para todos ellos es un único array con forma `(canales, muestras)` procesado en una sola llamada: cada función actúa sobre el último eje (el tiempo) y conserva el eje inicial de canales, de modo que cada fila se analiza exactamente como si fuera la única. Esa garantía por canal es normativa, no solo cómoda. Los filtros de banda aplicados a cada fila son los diseños de IEC 61260-1 y las ponderaciones y balísticas del detector son las de IEC 61672-1, sin cambios respecto a la ruta monocanal; la vectorización agrupa la aritmética entre filas (un diseño de filtro, una llamada a SciPy) y nunca las mezcla. Es el procedimiento de libro de texto para múltiples registros de datos (Bendat y Piersol 2010, §10.4.2): analizar primero cada registro por separado y calcular lo conjunto como un paso aparte y explícito. Usa esta página cuando tus canales sean grabaciones paralelas con el mismo reloj y quieras espectros o niveles por canal. Cuando la pregunta sea *entre* canales (cuál es el retardo de A a B, cuánta parte de B se explica por A), eso es análisis cruzado: consulta [Correlación y retardo](/phonometry/es/guides/correlation-delay/) y [Coherencia múltiple y parcial](/phonometry/es/guides/miso-coherence/), las implementaciones de la correlación cruzada y de los modelos de múltiples entradas de Bendat y Piersol. ## Un análisis estéreo en una llamada *Análisis simultáneo de una señal estéreo: canal izquierdo (ruido rosa) vs canal derecho (barrido senoidal logarítmico).*

Mostrar el código de esta figura

```python from scipy.signal import chirp from phonometry import metrology # Señal estéreo de prueba: ruido rosa a la izquierda, barrido logarítmico a la derecha fs, duration = 48000, 5 t = np.linspace(0, duration, fs * duration, endpoint=False) rng = np.random.default_rng(42) spec = np.fft.rfft(rng.standard_normal(t.size)) spec[1:] /= np.sqrt(np.arange(1, spec.size)) # conformado 1/f: ruido rosa left = np.fft.irfft(spec, t.size) right = chirp(t, f0=50, t1=duration, f1=10000, method="logarithmic") x = np.stack([left, right]) # (2, n_samples) spl, freq = metrology.octave_filter(x, fs, fraction=3, limits=[20, 20000]) fig, axes = plt.subplots(2, 1, figsize=(9, 7), sharex=True) for ax, levels, name in zip(axes, spl, ["Izquierdo: ruido rosa", "Derecho: barrido logarítmico"]): ax.semilogx(freq, levels, marker="o", label=name) ax.set_ylabel("Nivel [dB]") ax.grid(True, which="both", alpha=0.3) ax.legend() axes[-1].set_xlabel("Frecuencia [Hz]") plt.show() ```

La convención es consistente en toda la librería: el tiempo siempre es el **último eje**. Aplica a `octave_filter`, `OctaveFilterBank`, `weighting_filter`, `time_weighting`, `leq`, `laeq`, `ln_levels` y `spectrogram`. ```python from phonometry import metrology # Dos canales calibrados en Pa para que la guía funcione por sí sola fs = 48000 t = np.arange(fs) / fs left = 0.2 * np.sin(2 * np.pi * 1000 * t) right = 0.1 * np.sin(2 * np.pi * 500 * t) stereo = np.stack([left, right]) # (2, n_samples) spl, freq = metrology.octave_filter(stereo, fs, fraction=3) # spl tiene forma (2, n_bands): una fila por canal ``` ## Formas aceptadas, de un vistazo | Entrada | Se interpreta como | Salida típica | | :--- | :--- | :--- | | Array 1D `(n,)` | un canal | nivel escalar / `(bands,)` | | Array 2D `(ch, n)` | `ch` canales de `n` muestras cada uno | niveles `(ch,)` / `(ch, bands)` | | lista de floats | un canal (se convierte) | como 1D | | `(ch, n)` en `spectrogram` | STFT multicanal | `(ch, bands, frames)` | Todo se vectoriza a lo largo del eje inicial de canales: un único diseño de filtro se aplica a todos los canales en una sola llamada a SciPy, así que 8 canales cuestan mucho menos que 8 ejecuciones separadas. Convención: **canales primero**, como la mayoría del código DSP (`soundfile` devuelve `(n, ch)`: transpón con `x.T`). ## Semántica por canal El procesado multicanal es estrictamente por canal: nunca se mezcla, suma ni promedia nada a través del eje de canales. Tres consecuencias que conviene explicitar: - **Combinar canales es decisión tuya.** Los niveles vuelven uno por canal. Si necesitas un nivel promedio del array (por ejemplo los niveles promediados por posición de las normas de acústica de salas), combina energías tú mismo: `10 * np.log10(np.mean(10 ** (spl / 10), axis=0))`, nunca la media aritmética de los valores en dB (ver [Niveles](/phonometry/es/guides/levels/) para el porqué). - **Un `calibration_factor` significa una sensibilidad.** El factor escalar multiplica todos los canales, lo que solo es correcto si todos comparten la misma sensibilidad. Para un array de micrófonos con calibraciones individuales, escala primero las filas, `x * factors[:, None]`, y deja `calibration_factor` en 1. - **Las clases con estado guardan un estado por canal.** En el procesado por bloques el array de estado se ajusta al número de canales y un cambio del número de canales lo reinicia; ver [Procesado por bloques](/phonometry/es/guides/block-processing/). ## Rendimiento: vectorización y caché `OctaveFilterBank` es la herramienta para el análisis repetido o en streaming: un banco diseña sus filtros una vez y los aplica a cada trama, y el broadcasting de NumPy cubre todos los canales de una trama en una sola llamada de filtrado por banda, sin bucle Python sobre canales. ```python from phonometry import metrology # Dos canales calibrados en Pa para que la guía funcione por sí sola fs = 48000 t = np.arange(fs) / fs left = 0.2 * np.sin(2 * np.pi * 1000 * t) right = 0.1 * np.sin(2 * np.pi * 500 * t) stereo = np.stack([left, right]) # (2, n_samples) bank = metrology.OctaveFilterBank(fs=48000, fraction=3, filter_type='butter') # Propiedades calculadas # bank.freq (centros), bank.freq_d (bordes inferiores), bank.freq_u (superiores), bank.sos # Procesar múltiples señales de forma eficiente stream = [stereo] # tu secuencia de tramas multicanal for frame in stream: # detrend=True (por defecto) elimina el offset DC y mejora la precisión en graves spl, freq = bank.filter(frame, detrend=True) ``` Notas adicionales de rendimiento: - **Caché de diseño**: `octave_filter()` reutiliza los diseños del banco entre llamadas con parámetros idénticos (caché LRU de 32 entradas), así que llamarla en bucle no rediseña el banco cada vez. `OctaveFilterBank` te da control explícito sobre el ciclo de vida del diseño. - **Diezmado multitasa**: las bandas graves se filtran a una frecuencia diezmada, lo que es a la vez más rápido y numéricamente más estable (consulta [Teoría](/phonometry/es/reference/theory/signal-analysis/)). - **numba opcional**: el kernel del modo `impulse` de la ponderación temporal se compila JIT cuando numba está instalado (`pip install phonometry[perf]`). ## Qué cubre esta guía **Cubierto.** La IEC 61260-1:2014 y la IEC 61672-1:2013 en lo que condicionan cada fila de un array `(canales, muestras)`: los filtros de banda, las ponderaciones y la balística del detector aplicados por canal son los mismos diseños monocanal sin cambios, y el soporte multicanal no añade contenido normativo propio. La convención misma sigue el procedimiento de Bendat y Piersol para registros de datos múltiples (apartado 10.4.2): analizar cada registro individualmente primero, y tratar lo conjunto como un paso aparte y explícito. **No cubierto.** Las preguntas entre canales, como el retardo entre dos canales o cuánto de uno explica el otro, quedan deliberadamente fuera: `octave_filter`, `weighting_filter` y `time_weighting` nunca mezclan ni combinan filas. Consulta [Correlación y retardo](/phonometry/es/guides/correlation-delay/) y [Coherencia múltiple y parcial](/phonometry/es/guides/miso-coherence/) para las herramientas entre canales construidas sobre la correlación cruzada y los modelos de entrada múltiple de Bendat y Piersol. ## Véase también - [Correlación y retardo](/phonometry/es/guides/correlation-delay/): las preguntas cruzadas en el dominio del tiempo (retardo, alineación) que la ruta por canal deja deliberadamente en tus manos. - [Coherencia múltiple y parcial](/phonometry/es/guides/miso-coherence/): cuál de varios canales correlados excita realmente una respuesta (Bendat y Piersol, cap. 7). - [Procesado por bloques](/phonometry/es/guides/block-processing/): la contrapartida en streaming, con un estado de filtro por canal. - [Niveles](/phonometry/es/guides/levels/): las métricas de nivel por canal, y por qué los dB se combinan energéticamente. - Referencia de la API: [`phonometry`](/phonometry/es/reference/api/filters/phonometry/) y [`metrology.core`](/phonometry/es/reference/api/filters/core/).