带有附加信息的用于时间序列分类的 NN

我有 CNN 输出值的向量来对较长音频的部分进行分类。将这些值分类为唯一输出的好方法是什么？多一点上下文，我使用 CNN 来检测特定声音是否在基于其频谱图的 5'' 段中。现在我正在尝试使用该 CNN 的输出（从 0 到 1 的值数组）对较长的文件进行分类。

我还有一个不同的向量，其中包含每个 5'' 段的噪声测量值，这可能会影响 CNN 的性能。我想知道是否有一种好方法可以将这些测量值也纳入整个音频的分类中。