音频分类
Parent: ai_keywords
音频分类
核心定义
音频分类是指利用机器学习或深度学习技术，从音频信号中提取判别性特征，并自动将其归入预定义类别（如语音、音乐、环境声、病理声）的过程。在医学与神经科学交叉领域，其核心目标是实现非侵入式、可量化的生理声学信号分析与辅助诊断。
关键技术点
- 特征提取：从原始波形中提取时频域表征，如梅尔频率倒谱系数（MFCC）、滤波器组能量、频谱特征（基频、共振峰）。针对病理语音，需额外计算抖动（jitter）、闪烁（shimmer）、谐噪比等声学参数。
- 深度神经网络：卷积神经网络（CNN）处理频谱图，序列模型（LSTM、Transformer）捕获时间依赖性。端到端模型（如Wav2Vec、HuBERT）直接从原始波形学习，无需手动特征设计。
- 数据增强：针对医学数据稀缺问题，采用时间拉伸、音高偏移、背景噪声叠加、频谱掩蔽等策略，提升模型泛化能力。
- 迁移学习：利用大规模音频预训练模型（如AudioMAE）微调至医学任务，显著降低标注需求，尤其适用于罕见病声学标记。
- 多模态融合：将音频特征与临床指标（如量表评分、神经影像）对齐，形成联合诊断框架，提升分类可解释性。
医学/神经科学应用场景
帕金森病语音障碍的早期筛查（结合首都医科大学宣武医院神经内科研究背景）：帕金森病患者因基底节区多巴胺能神经元退行性变，导致声带运动协调性受损，产生特征性发声震颤、音调单一和响度下降。临床团队采集患者朗读标准化词组的录音，提取基频变异系数、谐噪比及声门闭合参数，输入支持向量机或深度分类模型，实现与健康对照及多系统萎缩患者的区分。该技术已用于社区筛查，准确率超90%，并可量化疾病进展（UPDRS III 评分关联）。此外，癫痫患者发作期间的自发性发声异常（如尖叫声、呢喃）也可通过实时音频分类触发监测警报，辅助临床决策。
