APRIL：面向呼吸音域增量学习的歧义感知专家路由

自动呼吸音分类能够实现持续、无创的呼吸评估，但由于录音设备和采集时期不断变化所导致的域偏移，长期部署仍面临挑战。当隐私和治理法规禁止重放历史数据时，序列学习很容易覆盖此前获得的知识。保留专用域专家可以防止参数干扰，但在声学分布相互重叠且缺少域标签的情况下，推理时难以选择正确的专家。为解决这一困境，我们提出了 APRIL，一种无需样本回放的呼吸音分类（RSC）域增量框架。APRIL 构建于共享且冻结的 BEATs 主干网络之上，通过依次继承并隔离低秩专家，使模型能够适应新域，同时不改变早期模型。多级原型路由器检索排名前二的候选专家，并通过融合域路由后验概率与分类置信度动态选择最终模型，其权重根据匹配歧义程度自适应调整。我们在 ICBHI 和 SPRSound 数据集上，针对正向和反向域顺序，建立了标准化的设备增量与时间增量基准。在五个随机种子下进行评估时，与所比较的持续学习方法相比，APRIL 在所有设置中均取得了最高的最终会话平均 Score：在 ICBHI 上，正向和反向序列分别达到 64.4% 和 65.4%；在 SPRSound 上分别达到 83.1% 和 82.2%。更为重要的是，在所有协议下，平均遗忘率均保持在 1.0% 以下，表明无需数据回放即可实现稳健的域适应和长期知识保持。总体而言，APRIL 为在真实世界医疗场景中部署持续呼吸音分类提供了一种可靠且保护隐私的范式。