Sinc-Mamba-KAN：一种用于婴儿哭前发声自动识别的紧凑混合架构

《IEEE Access》：Sinc-Mamba-KAN: A Hybrid Learnable-Filter, Selective State-Space, and Kolmogorov–Arnold Network for Interpretable Infant Pre-Cry Classification

　　

摘要：

婴儿哭前发声的自动识别有望促成看护人更早的响应及无创发育筛查，但进展受到小型、异质语料库以及既不稳健也不具备可解释性的模型的制约。我们提出了 Sinc-Mamba-KAN，这是一种紧凑的混合架构，统一了四种互补的归纳偏置：(i) 可学习的 sinc 滤波器组 (SincNet)，直接从原始波形中提取具有生理意义的声学频段；(ii) 选择性状态空间 (Mamba) 模块，以线性复杂度对这些频段的时序动态进行建模；(iii) 一个并行分支，包含 213 个手工构建的声学描述符，并通过互信息特征选择进行筛选；以及 (iv) 一个具有可学习 B 样条激活函数的 Kolmogorov–Arnold 网络 (KAN) 分类器，用于融合这两种表示。在五个经专家标注的邓斯坦婴儿语言 (DBL) 类别上，Sinc-Mamba-KAN 在录音室语料库 (337 个片段) 上达到 90.3% 的准确率，在更大的、生态多样的语料库 (1,214 个片段) 上，基于分层五折交叉验证达到 91.7 ± 2.4% (平衡准确率 89.4%, 宏平均 F1 值 0.888, 宏平均 AUC 0.956)，优于九个竞争基线模型。在婴儿不相交的组分层协议下（即训练折与测试折之间不共享任何婴儿标识符），准确率保持在 90.9 ± 1.4%，排除了身份泄露是导致该结果的因素。一项跨数据集研究量化了从录音室到自然场景的领域差距（在各迁移方向上准确率降至 60.1–71.2%）。我们进一步提供了多方法可解释性分析——包括内在学习滤波器检查、直接在网络上计算的集成梯度 (Integrated Gradients) 和分支遮挡归因，以及针对代理模型（其对该网络的保真度已量化，留出集一致性约为 88%）的 SHAP (SHapley Additive exPlanations) 和 LIME (Local Interpretable Model-agnostic Explanations) 分析——这些方法一致性地识别出低阶倒谱包络、光谱对比度和音高/v...

显示更多