基于Soergel距离的高效语音信号特征选择方法用于增强移动设备上的语音认证

《Array》：Efficient Voice Signal Feature Selection Approach based on Soergel Distance for Enhanced Voice Authentication on Mobile Devices

　　

本研究引入了一种基于Soergel距离（SD）的高效特征选择方法用于语音欺骗检测。诸如粒子群优化（PSO）等包装方法需要大量迭代，依赖随机探索，并且在分类过程中常常保留无关或无效的特征，从而增加了计算成本。相比之下，所提出的SD方法作为一种过滤方法，通过将特征划分为每个块包含10到70个样本的块，并在10%到70%的选择比率下进行分析，系统地评估特征。这一过程仅保留一个有效且高度一致的特征子集。在特征提取方面，采用了常数Q倒谱系数（CQCC），生成了30个语音特征作为初始输入。使用包括决策树（DT）、朴素贝叶斯（NB）、K近邻（KNN）、自助聚合（Bagging）和随机森林（RF）在内的标准分类器进行的实验结果表明，所提出方法的有效性，其中KNN在ASVspoof 2019逻辑访问（LA）数据集上达到了最高准确率99.28%，等错误率（EER）为0.72%，最小串联检测代价函数（min-tDCF）为0.053。与PSO相比，准确率提升范围为0.16%到0.73%，而所提出的方法仅保留21个特征，特征缩减比例比PSO高出3.3%。所提出的SD方法的效率通过改进的分类性能、降维以及降低的计算成本得到证明。该方法使得轻量级机器学习模型能够用于低功耗设备和实时语音认证系统。

**论文解读：基于Soergel距离的高效语音信号特征选择方法用于增强移动设备上的语音认证**

**研究背景与问题**
语音作为生物识别技术，在个人身份识别和人机交互中日益普及，如Google Home和Apple Siri等系统支持语音命令。然而，基于语音的技术面临严重的安全威胁，包括文本到语音（TTS）合成、语音转换（VC）和重放攻击等欺骗攻击，这些攻击可生成高度逼真的语音样本，模仿合法用户，导致声纹盗窃、隐私泄露和金融欺诈。尽管自动说话人验证（ASV）方法已高度复杂，但仍易受欺骗攻击。语音输入的音调、音高和频率持续变化，且欺骗证据往往短暂细微，使得检测欺骗极具挑战性。传统机器学习（ML）分类器（如RF、KNN、Bagging、NB、DT）因计算快、实现简单而流行，但若直接使用所有提取的特征，由于语音信号的动态性，许多特征可能冗余或无助于分类，导致计算成本增加和分类准确率下降。特征选择旨在识别并仅保留最具区分性的特征。包装方法如粒子群优化（PSO）虽流行，但计算昂贵，依赖随机探索和多次迭代，不保证最优子集。为解决这些问题，研究人员提出了一种基于Soergel距离（SD）的高效特征选择方法。该研究旨在开发一种轻量级、低计算成本的特征选择框架，用于移动设备上的实时语音认证，以增强欺骗检测能力。论文发表在《Array》。

**关键技术方法**
研究人员采用以下主要技术方法：首先，使用常数Q倒谱系数（CQCC）从ASVspoof 2019逻辑访问（LA）数据集中提取语音特征，共30个特征，并进行Min-Max归一化。然后，提出基于Soergel距离（SD）的特征选择方法：将每个特征划分为多个块（每个块包含10-70个样本），计算块对之间的SD值，累加后作为特征稳定性指标，按升序排列，仅保留预设选择比率（10%-70%）内SD值低的特征。最终保留21个特征（70%选择比率、30个样本/块为最优配置）。使用五种ML分类器（DT、NB、KNN、Bagging、RF）进行训练和评估，比较完整特征集、PSO选择特征（22个特征）和SD选择特征的效果。样本来源为ASVspoof 2019 LA数据集（平衡后共22,814个音频样本，由20个说话人贡献，时长1-13秒）。

**研究结果**
**4.1 使用所有提取语音特征的ML分类器评估**：无特征选择时，KNN表现最佳，准确率98.70%，F1-score 98.72%；RF准确率98.31%；NB最差，准确率80.42%。所有30个特征均被使用。

**4.2 使用传统PSO特征选择方法的ML分类器评估**：PSO从30个特征中选出22个（缩减比26.6%），KNN准确率提升至99.12%，F1-score 99.13%；RF准确率98.66%；NB准确率83.16%。PSO改善了性能。

**4.3 使用所提出SD特征选择的ML分类器评估**：最佳配置为70%选择比率（21个特征）、30个样本/块。KNN准确率达99.28%，F1-score 99.28%；RF准确率99.06%；Bagging准确率98.27%；DT准确率94.81%；NB准确率83.89%。所有分类器准确率均高于完整特征集和PSO。

**4.4 ML模型在不同特征选择场景下的比较评估**：与PSO相比，SD在各分类器上准确率提升0.16%-0.73%，且仅用21个特征（PSO用22个），缩减比例更高（30% vs 26.6%）。混淆矩阵显示KNN错误最少（27个假样本和6个真样本误分类）。计算复杂度：PSO需约3.72×10⁸次操作，SD仅需约1.50×10⁷次，计算成本约为PSO的1/25。训练时间、测试时间和内存占用均低于PSO。

**4.5 使用标准反欺骗指标的所提出SD方法评估**：KNN取得最低EER（0.72%）和min-tDCF（0.053），RF次之（EER 0.83%，min-tDCF 0.056），NB最差（EER 16.15%，min-tDCF 0.177）。

**4.6 所提出SD特征选择的统计显著性分析**：使用10个随机种子进行配对Wilcoxon符号秩检验，RF、KNN、NB、Bagging的准确率提升均具有统计显著性（p<0.01），DT提升不显著（p=0.695）。

**4.7 所提出SD方法与基线特征选择方法的比较**：与Fisher Score和mRMR相比，SD在KNN、RF、Bagging和DT上均取得最高准确率，KNN稳定在99.28%，RF稳定在99.06%。

**4.8 所提出方法与近期方法的比较**：与现有方法相比，SD方法仅用21个特征（小特征集）即达到99.28%准确率，优于多数使用39-6,373个特征的方法（如BiLSTM 98.8%、SSL+SL 99.0%、1D-CNN+LSTM 99.11%），且计算成本更低。

**结论与讨论**
研究结论部分翻译：本研究提出了一种基于SD的高效特征选择技术，用于选择有效的语音欺骗检测特征。所提出的方法通过将每个特征划分为多个块（每个块包含10到70个样本）并跨不同选择比率（从10%到70%的特征）评估其一致性，使用基于距离的度量来捕获块间的和谐程度。与依赖随机探索且需要大量迭代和粒子寻找最优特征子集的标准PSO相比，所提出的方法系统地评估特征，仅选择那些具有高一致性和区分能力的特征。使用标准分类器（DT、NB、KNN、Bagging和RF）的实验结果表明，所提出的基于SD的特征选择在ASVspoof 2019 LA数据集上始终优于使用所有特征的基线和标准PSO方法。所提出的方法得到一个更小的特征集（30个特征中保留21个，占70.0%），但准确率高于PSO（PSO选择22个特征，占73.3%）。尽管选择的特征更少，但使用所提出方法的所有分类器准确率均更高：DT准确率94.82%，NB准确率84.70%，Bagging准确率98.28%，RF准确率99.06%，KNN准确率99.28%。除了改进分类性能外，所提出的算法通过消除无关特征提高了计算效率。性能最快的KNN分类器训练时间为0.0019秒，每样本测试时间为0.0885毫秒，内存需求为1.90 MB。这些计算参数使得所提出的算法成为在受限和实时环境中实现语音认证的潜在工具。然而，该算法存在若干局限性：评估仅基于ASVspoof 2019 LA数据集，且使用平衡版本，未反映实际应用中的不平衡场景；该方法对其他语音欺骗数据库的泛化能力以及对未见欺骗技术的鲁棒性尚待研究。未来研究将在跨数据库场景下测试所提出框架，以进一步验证其泛化能力。