TopCap：融合拓扑特征的时间序列信号处理方法及其对神经网络的增强研究

《Nature Communications》：Topology-enhanced machine learning for speech signal processing

　　

摘要

在人工智能辅助的信号处理中，现有的深度学习模型通常表现出黑箱结构。在此，我们在概念上超越了频谱分析，证明拓扑方法不仅能有效捕捉内在且复杂的结构信息，还能增强神经网络。我们提供了一种透明化的方法 TopCap，用于捕捉时间序列中固有的拓扑特征，以用于基础机器学习。与先前的方法相比，我们获得了能探测更细微信息（如时间序列的振动）的描述符。值得注意的是，在分类有声和无声辅音的任务中，TopCap 取得的准确率始终能与神经网络模型相媲美。此外，通过将 TopCap 特征整合到这些神经网络中，我们的方法在抗噪声鲁棒性方面优于当前最先进的方法，同时在准确率、稳定性、损失函数收敛性以及可解释性方面也有所提升。