Lung-SRAD: Spectral-Aware Regularized Audio DASS with Dual-Axis Patch-Mix Contrastive Learning for Respiratory Sound Classification

📄 arXiv: 2606.11922v1 📥 PDF

作者: Hemansh Shridhar, Miika Toikkanen, June-Woo Kim

分类: cs.SD, cs.AI

发布日期: 2026-06-10

备注: Accepted to Interspeech 2026

🔗 代码/项目: GITHUB

💡 一句话要点

提出Lung-SRAD以解决呼吸声音分类中的局部异常检测问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 呼吸声音分类 状态空间模型 谱感知正则化 对比学习 音频处理 深度学习 医疗应用

📋 核心要点

  1. 现有的呼吸声音分类方法主要依赖于自注意力架构，存在对局部异常模式敏感性不足的问题。
  2. 本研究提出使用状态空间模型（SSMs）作为新的骨干网络，并引入谱感知层正则化和双轴Patch-Mix对比学习。
  3. 在ICBHI基准测试中，提出的方法达到了64.48%的得分，较AST基线提升了5%。

📝 摘要（中文）

近年来，呼吸声音分类（RSC）研究主要依赖于基于CLS-token的自注意力架构，如音频谱变换器（AST）。尽管在建模全局上下文方面有效，但近期分析表明其存在低通滤波行为，可能降低对局部异常模式的敏感性。本研究探讨了状态空间模型（SSMs）作为RSC的替代骨干，利用蒸馏音频状态空间模型分析中间表示，通过谱响应曲线观察到中高频空间成分的更强保留。基于这些观察，我们引入了使用高斯卷积的谱感知层正则化，并提出了针对SSM音频模型的双轴Patch-Mix对比学习，以实现稳健的表示学习。在ICBHI基准测试中的实验表明，我们的方法达到了64.48%的得分，超越了AST基线5%。代码可在https://github.com/RSC-Toolkit/Lung-SRAD获取。

🔬 方法详解

问题定义：本论文旨在解决现有呼吸声音分类方法在局部异常模式检测中的不足，特别是基于自注意力架构的低通滤波行为导致的敏感性降低问题。

核心思路：论文提出使用状态空间模型（SSMs）作为新的骨干网络，利用其对中高频成分的更强保留能力，结合谱感知层正则化和双轴Patch-Mix对比学习，以增强模型的表示学习能力。

技术框架：整体架构包括使用蒸馏音频状态空间模型进行特征提取，应用高斯卷积进行谱感知层正则化，以及实施双轴Patch-Mix对比学习来提升模型的鲁棒性。

关键创新：最重要的技术创新在于引入了谱感知层正则化和双轴Patch-Mix对比学习，这些方法与传统的自注意力架构相比，能够更有效地捕捉局部异常特征。

关键设计：在模型设计中，采用高斯卷积作为正则化手段，选择特定层进行处理，同时在对比学习中设计了双轴Patch-Mix策略，以增强模型对不同音频片段的区分能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，Lung-SRAD方法在ICBHI基准测试中达到了64.48%的得分，较传统的AST基线提升了5%。这一显著的性能提升表明，所提出的谱感知层正则化和双轴Patch-Mix对比学习策略在呼吸声音分类任务中具有重要的应用价值。

🎯 应用场景

该研究在医疗领域具有广泛的应用潜力，尤其是在呼吸疾病的早期诊断和监测中。通过提高对呼吸声音中异常模式的检测能力，能够为临床医生提供更准确的诊断工具，进而改善患者的治疗效果。未来，该方法还可以扩展到其他音频分类任务中，提升模型的表现。

📄 摘要（原文）

Recent respiratory sound classification (RSC) studies largely rely on CLS-token driven self-attention architectures such as the Audio Spectrogram Transformer (AST). While effective at modeling global context, recent analyses suggest a low-pass filtering behavior that may reduce sensitivity to localized abnormal patterns. In this work, we investigate State Space Models (SSMs) as an alternative backbone for RSC. Using the Distilled Audio State Space model, we analyze intermediate representations through spectral response curves and observe stronger preservation of mid-to-high spatial-frequency components. Based on these observations, we introduce spectral-aware layer regularization using Gaussian convolution applied to selected layers. We further propose Dual-Axis Patch-Mix contrastive learning tailored to SSM-based audio models for robust representation learning. Experiments on the ICBHI benchmark show that our approach achieves 64.48% score, outperforming the AST baseline by 5%. Code is available at https://github.com/RSC-Toolkit/Lung-SRAD.