XVAE-WMT: Explainable Wavelet-Temporal Variational Autoencoder for Blind Source Separation of Heart and Lung Sounds

XVAE-WMT переносит непрерывное вейвлет-преобразование в слепое разделение сердечных и лёгочных звуков и потому интересна не только для биомедицинского звука, но и как опыт по выбору адаптивного частотно-временного представления. Основной ход состоит в том, чтобы совместить вариационный автокодировщик с вейвлет-входом, временной регуляризацией, выходной маской и объяснением скрытого пространства.

Метод. Вместо спектрограммы STFT с 256 частотными отсчётами используется CWT с вейвлетом Mexican Hat и 200 масштабами. Автокодировщик строит 128-мерное скрытое представление, временная составляющая штрафа согласует соседние отрезки, а маска подавляет остаток второго источника на выходе. SHAP ранжирует скрытые координаты; для итогового анализа авторы оставляют верхние 75% координат без заявленной потери качества разделения.

Результаты. На первом корпусе полный XVAE-WMT получает SDR 26,8 дБ, SIR 32,8 дБ и SAR 28,6 дБ против 8,7/7,9/17,2 дБ у исходного XVAE. Вейвлет-вход также повышает введённые авторами показатели эффективности TEM с 0,217 до 0,532 и CEM с 0,058 до 0,122. На втором корпусе преимущество компонентов уже не монотонно: полный вариант даёт SDR 15,1 дБ, тогда как сочетание только вейвлет-входа и временной регуляризации достигает 16,8 дБ.

Ограничения. Это не речь, а сердечно-лёгочная аускультация. Смеси построены случайным сложением отдельных записей и разбиты на отрезки по одной секунде; второй корпус получен на клиническом манекене. Поэтому результат ещё не показывает работу на настоящей одновременной записи пациента, а сопоставимость с опубликованными внешними системами по единому протоколу описана недостаточно подробно.

Фишка из статьи. Выходная маска помогает на первом корпусе, но на втором меняет баланс между подавлением помехи и искажением полезного источника не в лучшую сторону.

Как это читать: на втором корпусе маска лучше отделяет помеху по SIR, но одновременно увеличивает искажения, поэтому SDR и SAR падают. Это полезное предупреждение: компоненты частотно-временного тракта нельзя считать независимо полезными только по среднему результату одного корпуса.