用于基于 Kalman 滤波的声学反馈消除的轻量状态检测模型：实现反馈路径突变后的快速恢复

该研究面向声学反馈消除（AFC），提出带轻量状态检测模型的 Kalman 滤波算法 KF-SD，以改善反馈路径突变后滤波器的跟踪与重新收敛能力。基于摘要分析，研究对象是声学反馈路径估计，并非 EEG 解码或 BCI 验证。 分块频域 Kalman 滤波器（PBFDKF）具有收敛快、稳态失调低的特点，但进入稳态后，面对反馈路径突变可能出现“死锁”与跟踪能力下降。KF-SD 将反馈回波损耗增强量（FRLE）作为状态检测模型的输入，再将检测结果融入 Kalman 滤波过程。作者给出的检测模型参数量为 789，并提出细化训练标签以提高模型鲁棒性；摘要未说明标签构造、网络结构及检测结果如何具体调节滤波器。 作者报告，在声学反馈路径突变实验中，KF-SD 具有较高真阳性率、较低误报率和较短检测延迟，相较常用的 shadow filter 策略，可实现更快的重新收敛与更好的声音质量。摘要未提供具体指标数值；数据来源、路径变化条件、训练与测试划分、计算开销、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移的假设是，状态检测器可能帮助 EEG 自适应伪迹消除器识别耦合关系突变，并触发重新跟踪，而不是直接提升脑活动解码。可借鉴检测与滤波联动机制，但需重新定义 EEG 适用的输入特征、状态标签和更新规则，不能假定声学 FRLE 可直接使用。低信噪比、跨被试差异及少量突变样本可能造成误触发，甚至误消除真实脑活动。一个小规模可证伪实验是在具有已知干净信号的 EEG 伪迹注入数据中设置耦合突变，对比原自适应滤波器与加入检测器后的恢复时间、误触发率及神经信号保真度。已有 EEG 相关工作尚未检索确认。