哼唱识别

Parent: ai_keywords

核心定义

哼唱识别（Humming Recognition）是人工智能与音乐信息检索交叉领域的一项任务，旨在从用户无歌词、带噪声的哼唱音频中提取旋律轮廓，并与数据库中的乐曲或预设模板进行匹配，从而识别目标作品或实现人机交互。其本质是 非语音的旋律符号化与序列模式匹配，涉及音频信号处理、时序建模和相似度度量。

关键技术点

1. 音高估计与音符分割
   采用自相关函数、YIN算法或基于深度学习的CREPE模型，从连续哼唱中提取基频轨迹，并依据半音映射将连续音高离散化为音符序列，同时检测停顿以分割音符边界。
2. 旋律特征编码
   提取归一化的基频轮廓、音符间相对音程（Interval）和节奏比例，形成对音高偏移与速度变化鲁棒的仿射不变特征。常用Chroma、DTW距离或自注意力机制嵌入。
3. 序列匹配与检索
   早期使用动态时间规整（DTW）处理哼唱速度与局部抖动；当前主流方法结合卷积循环网络（CRNN）或Transformer，将查询序列映射到高维空间，通过余弦相似度快速检索候选曲库。
4. 鲁棒性增强
   针对跑调（Key transposition）、节拍不准确、环境噪声等问题，引入数据增强（音高随机平移、时域伸缩）、对抗训练或基于变分自编码器的去噪预处理器。
5. 实时流式识别
   在移动端或嵌入式设备部署轻量级模型（如MobileNet+少量RNN），通过滑动窗口和递增匹配策略实现边哼唱边反馈的交互体验。

医学/神经科学应用场景：帕金森病声乐运动障碍评估

首都医科大学神经病学系（联合宣武医院运动障碍中心）利用哼唱识别技术，开发 帕金森病（PD）哼唱韵律分析系统。患者根据指令哼唱一段熟悉旋律（如《茉莉花》），系统实时提取其基频微变化、音高变异系数、节奏波动指数及停顿频率。多项指标与UPDRS-III中“语音发声”评分显著相关（r > 0.72, p < 0.01），并能在药物关/开期状态下自动区分运动迟缓与声带震颤的加重模式。该方法无需专业麦克风，仅通过手机即可完成居家远程监测，为PD的运动-非运动症状融合评估提供了低成本、高生态效度的数字生物标志物。