我目前正在研究对长度为 1024 个元素并以 120 kHz 采样的短非平稳音频信号进行分类的任务。

我想知道是否有任何特殊的技术或模型可以对此类信号进行分类。据我所知，这类任务的大多数解决方案都依赖于 FFT/MFCC 或频谱图的计算。但是由于特征的非平稳性质，我无法计算统计上可靠的基于频率的特征。

使用样本级 CNN 架构的基于原始波形的音频分类一文中描述的 CNN 方法也显示了有希望的结果，但仍然不够好。

谁能建议我另一种方法或想法从哪里开始？将不胜感激任何帮助！