把自适应滤波器的内部状态直接送进注意力：睡眠声音事件检测的置信融合

英文题目：Sleep Sound Event Detection Powered by Learnable Multi-Resolution Adaptive Line Enhancer

会议身份：conference:interspeech:2026:conference-paper-id:park26_interspeech

来源为官方会议 PDF；图片依据原页像素，表格数字依据原文引用。PDF 文字层不视为原始 TeX，未可靠恢复的结构不作推断。

会议来源：官方记录 · 官方 PDF

标签：#医疗音频 #自适应滤波 #注意力机制 #单通道 #音频事件检测

评分：6.1/10 | 创新 1.4/2 | 技术严谨 1.2/1.5 | 实验充分 0.8/1.5 | 清晰度 0.7/1 | 影响力 0.7/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.0/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Chanwoo Park：机构信息未能从会议 PDF 纯文本可靠映射
• Chanwoo Kim：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本文处理睡眠声音事件检测（Sound Event Detection, SED），输入为床头单麦克风整夜环境音频，输出为鼾声（snoring）、低通气（hypopnea）与阻塞性呼吸暂停（obstructive apnea）三类的逐帧独立概率，难点在于医院谐波设备噪声与伪周期鼾声交织且呼吸暂停边界模糊。所提ALE-置信度融合声音事件检测（ALE-Confidence Fusion Sound Event Detection, ACF-SED）先以多分辨率自适应线增强器组并行分离周期与非周期成分并生成置信图，再由双流卷积编码器分别处理增强流与噪声流，随后经可学习置信池化压缩为时间置信迹，最后由置信引导交叉路径块完成事件建模与噪声上下文门控融合。与仅把增强谱送入网络的传统做法不同，该框架把滤波器内态作为注意力偏置与特征调制增益，提供了无需额外标注的信号处理先验。在音频多导睡眠呼吸暂停分析（Audio-Polysomnography Sleep Apnea Analysis, APSAA）评测集上，ACF-SED以事件F1值0.7105超过最强基线音频谱Transformer（Audio Spectrogram Transformer, AST）的0.6710，同时在片段F1与PSDS上保持领先，并可由预测事件计数直接估计呼吸暂停低通气指数（Apnea-Hypopnea Index, AHI）。当前验证局限于单中心32例西班牙睡眠实验室数据且测试仅4例，跨设备跨人群泛化尚未验证，AHI估计呈系统性低估。原文披露了训练优化配置但未披露推理阈值与部署成本。

🔗 开源与复现资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。 可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

🧭 深度解读

输入是什么，目标是什么，本文要解决哪一步？

本文输入是整夜环境麦克风录制的单通道波形，目标是逐帧判断是否存在鼾声、低通气和阻塞性睡眠呼吸暂停 3 类事件，并进一步由检出的呼吸暂停与低通气计数除以记录时长估计呼吸暂停低通气指数。呼吸暂停低通气指数是原文明确的临床严重度标尺，正常、轻度、中度、重度的划分阈值分别为小于 5、5 到小于 15、15 到小于 30、30 及以上。

研究动机是多导睡眠监测需要多传感器贴身过夜、成本高且等待久，而多导描记缺少脑电会低估实际睡眠时间，因此作者希望只用麦克风完成可筛查的事件检测。本文输出是每帧每类的独立概率，阈值后形成事件起止，再计数估计指数。需要保留的关键信息是采样与分帧条件、数据集划分、基线与指标定义，因为它们决定结果能否复述。

后续按任务与相关路线、方法全景、组件计算、训练与推理、实验条件、结果与反证、复现收束展开，教学举例会明确标为例子，不虚构效果数字。

同任务同监督的相关路线有哪些差异？

声音事件检测的主流路线包括卷积循环网络、变换器与弱监督学习。卷积循环网络用卷积提取局部时频不变特征，用循环层建模长期上下文，曾在多声部检测中成为常用基座。音频频谱变换器把语谱图切块后完全用注意力建模，在通用音频分类上表现强，但缺少针对睡眠窄域噪声的信号先验。弱监督与多实例学习只用片段级标签，把音频包看作帧实例集合，用注意力池化聚合到片段输出，解决强标注稀缺问题。

自监督预训练则用大规模无标注数据学习通用表示再微调。本文与上述路线同属音频事件建模，但在同运行阶段引入了不同监督来源：除了分类交叉熵的帧级强监督，还利用自适应滤波过程自带的周期与非周期分离信号作为无标注偏置，不增加标注量。原文还提到医院设备谐波噪声与睡眠呼吸的多尺度周期性，这是通用预训练难以覆盖的窄域特性，也是作者主张需要专用前端的依据。

为什么单靠增强谱或单靠注意力不够？

一个直观的教学例子是这样的，例子：把含风扇谐波的鼾声先做 1 次降噪再送入检测器，如果降噪把鼾声高次谐波也削掉，检测器就失去了判别线索；反之只用注意力看原始语谱图，模型要在有限睡眠数据里同时学会区分设备周期噪声与呼吸非周期停顿，边界容易碎裂。原文指出的问题正在于此：已有 ALE 管线只把增强梅尔谱往后传，丢弃了滤波器内态的逐帧置信图；纯序列建模则缺少区分周期与非周期的归纳偏置。

因此本文要验证的不是更大的主干，而是把置信图同时注入注意力分数与特征幅度，并用双流结构保留噪声上下文，让呼吸暂停与静默间隙在有并发背景参照时更易区分。该判断的成立依赖后文的多分辨率覆盖、门控融合与主结果对照，不能仅凭动机得出。

沿一个样本走完输入到输出的主路径

取一批波形样本，记批量为 B、波形点数为 N，先做 1 次短时傅里叶变换得到共享时频系数，帧移为 10 毫秒。3 个并行归一化最小均方滤波器在同一系数上运行，分别输出事件分量与噪声分量以及对应的置信图，覆盖短、中、长 3 种时间尺度。事件分量与噪声分量各自转梅尔谱并沿分辨率通道堆叠，得到增强梅尔与噪声梅尔。

双流卷积编码器分别处理两者，频率维逐步池化而时间维保持，剩余频率维自适应平均池化为一，得到事件序列与噪声序列，维度为批量乘时间帧数乘 128。可学习置信池化器把 3 个分辨率与全部梅尔频带的置信张量加权求和为标量置信迹。随后堆叠的置信引导交叉路径块交替更新事件流与噪声流，再经交叉注意力门控融合与特征调制，最后两层感知机加 Sigmoid 输出每帧 3 类的独立概率。

时间帧数由波形点数除以跳长决定，类别数为 3，分别对应鼾声、低通气和阻塞性呼吸暂停。

下面先看单通道 ALE 的基本回路，理解延迟参考、预测相减与自适应更新的位置关系，再看全文框架如何把该回路扩展为多分辨率组与双路径融合。

看图路径： 1. 先从左侧信号源与噪声源找到叠加得到混合谱的位置；2. 再看延迟分支如何进入自适应滤波器形成预测分量；3. 最后确认误差相减输出与自适应算法回路的箭头方向

论文图 1。原论文 Figure 1：“Block diagram of STFT domain adaptive line en- hancer (ALE) system.”。

上图显示信号源与噪声源叠加为混合谱，延迟分支进入自适应滤波器得到预测分量，再与原混合相减得到误差输出，同时误差驱动自适应算法回路更新滤波器系数。这对应后文每个 NLMS 滤波器的单步逻辑：用延迟输入预测可预测的周期部分，残差保留非周期事件部分，置信则由两者能量比构造。下图把该单滤波器扩展为 3 个并行分支与后续双路径建模，阅读时注意中间堆叠谱的分支数与右侧事件查询噪声的箭头方向。

看图路径： 1. 先沿左侧标注数据经麦克风波形到 STFT 再到三个 NLMS 滤波器的主路径走一遍；2. 再对比中间多分辨率组输出的堆叠谱与右侧事件路径和噪声路径的分叉；3. 最后看交叉注意力、门控融合、特征调制到分类器的纵向顺序

论文图 2。原论文 Figure 2：“Architecture of the ALE-Confidence fusion framework.”。

该框架图从左到右依次是标注数据采集、短时变换与 3 个去相关延迟分别为 1、3、6 的滤波器组、特征编码，以及右侧事件路径查询噪声路径的交叉注意力、门控融合、感知调制与分类器。主路径保持时间维不变，最终输出维度为批量乘时间乘类别。理解这张图后，下一节再拆每个模块的计算目标与原文给出的参数选择理由。

多分辨率滤波器组如何分工与聚合？

去相关延迟的白话含义是滤波器参考当前帧之前多少帧的信号，延迟乘以帧移即对应的时间滞后。短延迟对快速振荡敏感，能隔离鼾声瞬态起振与高频设备谐波；中延迟对准鼾声基频常见的 60 到 300 赫兹附近的中频周期与呼吸谐波；长延迟对准缓慢呼吸节律与临床环境中慢变谐波，残差更能代表非周期的呼吸暂停。原文给出的 3 组参数是延迟 1 配阶数 8、延迟 3 配阶数 15、延迟 6 配阶数 24，分别命名短、中、长尺度。

每个滤波器的步长经 Sigmoid 参数化为可学习标量，通过分类交叉熵反向传播联合优化，短时傅里叶变换只算 1 次共享，因此额外开销小。每点置信定义为事件能量除以事件能量加噪声能量加小常数，趋近 1 表示非周期事件样，趋近 0 表示周期噪声样。增强与噪声梅尔谱沿分辨率堆叠为批量乘 3 乘频带乘时间，供双流编码器使用。

原文还用对照说明只用单一延迟的代价：只用短延迟会残留中低频周期噪声，只用长延迟会漏掉快速鼾声成分并抬高误检，这些是多分辨率并行的直接动机。

多分辨率 ALE 组 × 去相关延迟： 去相关延迟决定滤波器对哪个时间尺度的自相关保持敏感，短延迟抓快速谐波与鼾声瞬态，长延迟抓缓慢呼吸节律与临床谐波噪声；多分辨率 ALE 组让 3 个并行 NLMS 滤波器分别取不同延迟与阶数并行工作，搭配理由是睡眠事件持续时间跨度大，组合意义是用并行覆盖加可学习池化同时抑制多尺度周期干扰。

双流卷积编码器各用 3 阶段卷积、批归一化、激活与频率维 2 乘 1 池化，事件流容量大于噪声流，最终都得到 128 维帧序列。可学习置信池化器用两组经 Softmax 归一化的可学习权重分别控制分辨率与频率贡献，初始为零向量，随分类目标优化，作用是上权最具判别力的频带与尺度，这是简单平均做不到的。

自适应线性增强器 × 声音事件检测： 自适应线性增强器负责在时频域用延迟参考分离周期性噪声与非周期目标，给出增强谱与逐帧置信；声音事件检测负责把帧序列映射为鼾声、低通气、阻塞性呼吸暂停 3 类的逐帧概率与边界，二者搭配的理由是前者提供无须额外标注的周期先验，后者提供判别与定位能力，组合意义是让滤波器内态直接偏置注意力与特征缩放，而不是只做预处理。

置信如何同时改变注意力与特征幅度？

对称置信偏置注意力的输入是标量置信迹，输出是每头每帧的偏置。计算上先把置信经线性投影为每头偏置，再对称加到点积分数的查询侧与键侧，并用可学习门控系数调节强度。对称的含义是查询高置信、键高置信或两者皆高都会抬高分数，持续呼吸暂停内的高置信帧因此获得双重增强，有利于长程事件内依赖。事件路径采用夹心式块，把自注意力替换为上述注意力，再加卷积模块与两段前馈，残差均带训练时随机丢路径。

卷积模块依次为层归一化、点卷积扩维加门控线性单元、核长 31 的深度卷积、批归一化、激活与点卷积投影回原维。噪声路径只有一个轻量前馈子层，刻意保持小容量，避免在判别性较弱的噪声信号上过拟合。交叉融合时事件流作查询、噪声流作键值，用半数注意力头降低跨路径参数，帧级门控在事件自表示与检索到的噪声上下文之间插值，清晰事件帧门控趋近 1，模糊边界趋近 0 以引入更多上下文。

融合后特征再经 ALE 感知调制，按置信经线性投影与 Sigmoid 缩放后加 1 相乘，保证低置信直通、高置信放大。

对称置信偏置多头注意力 × ALE 感知特征调制： 对称置信偏置多头注意力负责把标量置信迹投影为每头偏置并对称加到查询与键位置上，增强高置信帧之间的长程关联；ALE 感知特征调制负责在门控融合后按置信对融合特征做通道级放大，低置信直通、高置信增强，二者分工是前者改关联权重、后者改特征幅度，组合起来实现注意力与表示的双路置信注入。

事件路径 × 噪声路径： 事件路径用对称置信注意力加卷积子层与前馈夹心块建模目标事件序列，容量大；噪声路径用轻量前馈子层只提供背景呼吸与残留鼾声的上下文线索，不独立建模事件，搭配理由是区分呼吸暂停与静默间隙需要同时看到并发背景，组合意义是通过交叉注意力加帧级门控让事件流在边界模糊处选择性引入噪声上下文。

训练更新什么，冻结什么，监督从哪里来？

训练阶段更新全部网络权重与 3 个 NLMS 步长、置信池化器的分辨率与频率 logits、注意力偏置投影与门控系数。原文明确每个滤波器步长独立可学习，经 Sigmoid 后参与前向滤波，再通过分类交叉熵的反向传播更新，没有为滤波器设置单独的重构或预测损失。优化器为 AdamW，初始学习率为 1e-4，调度器为 OneCycleLR 并设初始缩放 0.001，梯度裁剪范数为 1.0，批量 32，训练 100 轮。短时分析窗 25 毫秒、跳长 10 毫秒，采样率统一为 4000 赫兹。硬件为至强 Silver 4410Y 中央处理器与 RTX 5090 图形处理器。

监督来源是经多导睡眠人工标注的帧级 3 类标签，数据集按受试者划分为训练 25 人、验证 3 人、测试 4 人，比例约 8 比 1 比 1。原文未报告滤波器系数是否每句重置、卷积与变换器是否有阶段性冻结、以及早停 patience 等细节，这些缺项在复现时需按默认实现补齐并记录，不能从模型名推定。推理时对整段录音逐帧输出 3 类概率，再由事件计数除以小时数得到估计指数，不使用任何生理传感器。

数据、划分、指标与基线条件是什么？

数据为音频多导睡眠呼吸暂停分析集，含 32 名受试者的整夜同步音频与多导睡眠记录，录音地点为西班牙哈恩的睡眠实验室，时间为 2021 年 9 月到 2022 年 4 月，录音设备置于头顶约 30 厘米，原始采样 44100 赫兹后转单通道降采样到 4000 赫兹。标注先用自动呼吸事件检测再经医生监督按美国睡眠医学会指南人工校正，目标为鼾声、低通气和阻塞性呼吸暂停，文中配有 3 类语谱示例，鼾声呈低频突发高能量，低通气与呼吸暂停更弥散或低能量。

评价指标包括事件 F1、片段 F1、错误率与多声部检测分数，其中多声部检测分数基于检测与真值的交集比、检测容忍、真值准则与交叉触发代价积分得到，越高越好。基线为卷积循环网络、Conformer、BEATs 加 Conformer、音频频谱变换器，均在同一测试集上比较。原文脚注给出代码仓库链接，但本次资源状态为未发现可验证的可用资源，因此不能写代码已公开或可运行，只能说原文声明了地址而本次未能确认可达。复现需固定同一划分与同一采样分帧，否则帧数与边界容差不可比。

主结果测了什么，谁在什么条件下更优？

下面整理基线对比的核心数字，聚焦事件级与片段级 F1 以及多声部检测分数，以便后文逐项解释差距来源与边界条件。

表后解释如下。原文报告本文方法事件 F1 为 0.7105，片段 F1 为 0.6930，多声部检测分数为 0.7633，在三项上均高于所列基线。主要收益来自两处：相对最强基线音频频谱变换器的 0.6710 事件 F1 与 0.7435 分数，本文方法分别高出约 0.0395 与 0.0198；相对卷积循环网络的 0.6148 事件 F1 与 0.7175 分数，提升更明显。具体代价是结构更复杂，需要维护双流编码与交叉融合。

未胜出项与边界同样重要：纯 Conformer 分数仅 0.5015，说明无信号前端的变换器在此窄域不足；BEATs 预训练把事件 F1 提到 0.6364 仍不及卷积循环的分数，支持通用预训练收益有限的判断；临床指数估计在个别受试者上低估明显，例如 1 例参考 40.79 而估计 19.05，严重度由重度判为中度，说明帧级最优不等于指数无偏。

事件 F1 × PSDS： 事件 F1 负责按事件级匹配衡量检出与边界精度，对起止误差敏感；PSDS 负责在容忍交叉触发与不稳定代价下积分 ROC 曲线，更反映多声部场景下的可用工作点，二者搭配的理由是单一阈值 F1 不能刻画误触发代价，组合意义是同时报告定位精度与系统级检测 trade-off，避免只看一类指标得出片面结论。

下面看代表性整夜片段的帧级预测可视化，确认连续性与边界对齐是否与数字改进一致。

看图路径： 1. 先确认顶部频谱图的时间轴与下方三类事件条带的对应关系；2. 再对比上下两面板中鼾声与低通气预测条带与标注条带的重叠长度；3. 最后观察静默段与边界处多余预测块在下方面板是否减少

论文图 4。原论文 Figure 4：“Qualitative comparison of frame-level sleep sound event detection on a representative test recording. (a) predic- tions from AST [20]. (b) predictions from the proposed ACF- SED.”。

该图上下两面板共享同一顶部频谱与时间轴，下方分别为鼾声、低通气、阻塞性呼吸暂停的标注与预测条带。上方面板对应基线，下方面板对应本文方法，可见后者在标注阴影内的预测更连续，静默与背景呼吸段的多余激活更少，3 类条带分离更干净。这与事件 F1 对时间精度的敏感性一致，但像素不能读出精确起止秒数，边界改善仍以 PSDS 数字为准，不把单样本可视推广为全程保证。

延迟与域选择是否支持多分辨率设计？

为解释单延迟与多分辨率在事件级与片段级指标上的差异，下面先整理原文报告的 4 组量化对照，再讨论互补覆盖与边界精度。

表后解释如下。原文报告统一延迟 1 时事件 F1 为 0.7016、片段 F1 为 0.6981，但分数 0.7487 低于多分辨率基线；多分辨率 1、3、6 组合的事件 F1 同样为 0.7016，但分数达到 0.7633，为全部统一配置中最高。收益是分数提升约 0.0146，支持多尺度并行能互补覆盖短暂鼾声到数十秒呼吸暂停的判断。代价是需要 3 个滤波器与池化权重，调参面增大。

反例是统一取 3 或 6 会使三指标全面下降，原文定性指出长延迟收敛慢、不利于短事件，但未在连续句中给出可引用的具体数值，因此表中不列该两行。另一组对照是时域与短时域 ALE 的可视化：时域差分谱仍显现原信号结构，提示有信号损失；短时域差分谱只呈不规则噪声，支持逐频带自适应更能选择性抑制背景并保留原信息。该结论来自谱图形态描述，未给出信噪比数字，因此只能记为支持而非量化证明。

此外步长收敛曲线显示 3 个步长从 0.05 出发走向分化，中尺度上扬、短尺度略降、长尺度平稳，支持按尺度学习不同适应速率的必要性，但像素纵轴刻度有限，不硬读精确终值。

哪些验证还没有做，不能承诺什么？

首先是指标与统计的边界。原文报告了事件与片段 F1 及多声部检测分数，但未报告错误率的具体数值、置信区间、显著性检验与多次种子的方差，因此不能把 0.01 量级的分数差直接说成统计显著，只能说在本次划分与单次报告下最优。其次是临床外推的边界。指数估计仅在 4 例代表性受试者上展示对照，存在低估且跨严重度误判的例子，未报告全测试集的平均绝对误差与分级混淆矩阵，因此不能承诺筛查灵敏度或分级准确率得到改善。第三是成本与延迟的缺项。

原文给出训练硬件与批量轮数，但未报告参数量、每秒浮点运算、实时因子与输出帧率，训练趋势不等于推理延迟可接受，部署前需补测。第四是资源可达性。本次未能确认代码与数据的可达状态，复现前必须先验证链接与授权，不能默认可下载即用。最后是因果表述的克制。多分辨率与置信注入和指标提升同时出现，支持设计有效，但未做拿掉门控或只保留单路调制的完整反事实分解，不能说每一处改动必然带来多少增益。

要复述方法并复现，先做什么？

先固定数据管线。按原文把音频转单通道降采样到 4000 赫兹，用 25 毫秒窗、10 毫秒跳长做短时变换，保持帧移 10 毫秒以复现延迟与时间的对应关系。按受试者划分训练 25 人、验证 3 人、测试 4 人，不要按片段随机打散，否则整夜上下文与说话人泄漏会虚高分数。再实现可学习多分辨率组。共享 1 次短时变换，并行运行延迟 1 阶数 8、延迟 3 阶数 15、延迟 6 阶数 24 的归一化最小均方滤波，步长经 Sigmoid 参数化并随分类损失更新，初始值设 0.05，置信按事件能量比构造。

然后搭建双流编码与融合。事件与噪声梅尔分别经 3 阶段卷积编码到 128 维，置信经分辨率与频率加权池化为标量迹，事件路径用对称置信偏置注意力加卷积夹心块，噪声路径用轻量前馈，交叉注意力取半数头，帧级门控融合后再做加 1 的置信调制，最后两层感知机输出 3 类独立概率。训练用 AdamW、初始学习率 1e-4、OneCycleLR 初始缩放 0.001、梯度裁剪 1.0、批量 32、100 轮。验证时同时看事件 F1 与多声部检测分数，前者看边界精度，后者看工作点可用性。

出现碎裂预测先检查置信池化权重是否坍缩到单一分辨率，再检查门控是否长期饱和。常见误解是把增强谱当作唯一输出，本文的关键恰是被丢弃的置信图；另一个误解是把通用预训练当作万能前端，原文显示它在此窄域收益有限。

何时值得尝试这种置信融合？

当任务同时满足 3 个条件时值得尝试：输入是单麦克风的整夜连续音频，干扰中含有可预测的周期或慢变谐波成分，目标事件本身偏非周期且持续时间跨度大。此时把滤波器内态作为偏置比单纯增大主干更直接，因为它不依赖额外标注就提供了周期先验。若干扰以非周期突发噪声为主，或已有强标注足以让注意力自行学到分离，则该结构的边际收益可能下降，需用消融确认。

收束时保留可核对的要点：三延迟 3 阶数配置、步长初始 0.05 联合优化、128 维双流、半数头交叉注意力与加 1 调制、4000 赫兹采样与 25 毫秒窗 10 毫秒跳长、AdamW 与上述调度批量轮数、APSAA 的 32 人划分与三指标定义。未补的验证包括全集指数误差、多次种子方差、参数量与实时因子，以及代码数据可达性确认，这些是把实验室最优变为可用筛查工具前必须补齐的环节。

⚖️ 评分明细

评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。

• 评分规则：type-aware-v1
• 评分模型：muse-spark-1.3-contributor
• 评分请求协议：openai_responses

← 返回 interspeech-2026 论文汇总