Честно - не сильно понятен вопрос. Снимаете в режиме реального времени данные с микрофона, вычленяете нужную частоту (программно - БПФ, аппаратно - фильтры конднесаторами), если уровень сигнала на этой частоте превысил некий эпсилон - то вот он возврат. Для точности можете не просто один раз сигнал посылать, а какой то условной сигнатурой.
