把构音无力从混合嗓音里剥出来：用健康 EMA 学一维运动轴 Za 再算 AWI

英文题目：Toward an Articulatory Weakness Index for Speech Kinematics in Parkinson’s Disease

会议身份：conference:interspeech:2026:conference-paper-id:baligar26_interspeech

来源为官方会议 PDF；图片依据原页像素，表格数字依据原文引用。PDF 文字层不视为原始 TeX，未可靠恢复的结构不作推断。

会议来源：官方记录 · 官方 PDF

标签：#语音生物标志物 #统计分析 #发声与构音 #语音 #病理语音评估

评分：5.6/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 0.8/1.5 | 清晰度 0.8/1 | 影响力 0.7/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.8/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Shrishail Baligar：机构信息未能从会议 PDF 纯文本可靠映射
• Ahmed Yousef：机构信息未能从会议 PDF 纯文本可靠映射
• Daryush Mehta：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该工作输入为连续语音声学波形，输出为标量构音弱化指数，难点在于声学指标混叠呼吸、喉与构音贡献而无法直接度量声道运动受限。方法链分为四环：先用固定音频到电磁发音图反演模型由音频预测6线圈轨迹，再在250 ms滑窗内提取位移幅度与速度及颌舌协调共29维运动学特征，接着经健康USC-TIMIT数据学习的标准化加主成分分析得到一维构音状态时间序列\(Za(t)\)，最后经线性校准并在语音段取均值等泛函形成指数。相对通用嗓音质量主成分的机制差异在于主成分基完全由真实运动学位移与速度方差定义且方向被固定为运动越小越慢则值越高。与年龄性别匹配对照相比，帕金森组帧级\(Za\)均值约2.5而对照约-1.5且9对全部同向升高，在21例帕金森队列中\(AWI\)与UPDRS Part III的Spearman相关为0.53。该指数仅在英语朗读语料和单一反演架构下验证，对自发语音与其他构音障碍及跨库通道差异的外推尚未验证。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。 可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

🧭 深度解读

为什么帕金森语音不能只看波形算个总分？

输入是这篇 Interspeech 2026 论文的正文与官方原图，目标是让刚进入语音病理方向的研究生能复述方法并知道实验边界。必须保留的信息包括数据集构成、窗口与特征定义、主成分分析学习方式、仿射校准做法、4 个 AWI 变体定义、匹配对照与相关系数的具体数值。本文输出按学习依赖展开，先讲任务与路线，再讲全景与组件计算，然后讲构造与实验条件，最后讲结果反证与复现。

帕金森的低运动性构音障碍同时涉及呼吸驱动减弱、喉功能变化与构音器运动幅度变小，白话说就是气不够、声门振动受影响、舌唇颌动得小而慢。英文术语是 respiratory-laryngeal-articulatory subsystems，缩写 R-L-A，意为呼吸、喉、构音 3 个子系统。多数声学指标如微扰、频谱比、倒谱指数都直接从声波算，3 个子系统的贡献混在一起，无法回答在喉功能固定时构音器到底弱了多少。教学例子是只测响度下降，你分不清是呼吸推力小还是舌头没到位，这正是本文要拆解的动机。

直接看构音运动的方法是电磁构音图，英文 electromagnetic articulography，缩写 EMA。它在舌唇颌贴小线圈并用电磁场跟踪位置，能给出位移与速度。但它需要实验室硬件、被试少、临床不常用。另一条路线是音频到构音反演，英文 audio-to-articulatory inversion，即从声音预测 EMA 轨迹的神经网络。本文选择 EMA 打地基、音频做部署的折中：先在健康 EMA 上学出可解释的 1 维弱运动轴，再用固定反演模型把纯音频映射到同一尺度。这不是分类器，作者明确说不做诊断标签，只提供连续的构音偏向描述子，未来与呼吸指数、喉指数拼成 R-L-A 分解。

已有路线各解决了什么，又缺了哪块拼图？

同输入同目标的第一类工作是 EMA 运动捕捉研究。输入是唇颌舌的多线圈位置，目标是量化协同发音、工作空间与协调。论文引用的帕金森 EMA 发现包括唇颌开度变小、舌位移减小、峰值速度变慢、颌舌协调改变，并与可懂度和发声方式操控有关。这类工作的局限按原文是多传感器多指标、小队列、受控实验室环境，难以直接搬到诊室。

同目标但同声学监督的第二类是纯声学客观指标。输入是声波，目标是关联帕金森严重度。非线性分析、连接语音与持续元音的定量声学分析都报告过与临床严重度的映射，但它们是子系统不可知的，英文 subsystem agnostic，即一个数值里混着呼吸、喉与声道三部分，无法单独解释构音。

同运行阶段的第三类是深度音频到 EMA 反演与声学隐变量。输入是声学特征，目标是预测多线圈 EMA 或经主成分分析得到嗓音质量坐标。论文指出预测 EMA 通常被当作语音识别与合成内部隐表示，而基于主成分的声学指数仍是子系统不可知。据作者所知，还没有同时满足 3 条的工作：以真实构音运动学可解释、能从预测轨迹经音频算出、且与帕金森运动负担相关。本文的增量正在于补这一块，并明确评估对照是临床量表与已知的帕金森与对照差异，而不是先验的构音弱真值，因为后者并不存在。

本文要回答的三个可检验问题是什么？

论文把缺口转成 3 个可检验问题。第一，构音无力指数 AWI 能否区分帕金森与年龄性别匹配的健康对照，要求用可比的连贯语音而非持续元音。第二，AWI 是否追踪临床运动与参与量表，包括统一帕金森病评定量表，英文 Unified Parkinson’s Disease Rating Scale，缩写 UPDRS，含总量表与第三部分运动检查，以及嗓音障碍指数 Voice Handicap Index 即 VHI 与沟通参与 CPIB。第三，AWI 是否对性别、响度与喉部病理相对稳定，为此引入声带高功能，英文 vocal hyperfunction，即主要影响喉而非构音的嗓音障碍作为特异性对照。

形式化上，对任意一段话，先得到逐窗构音状态时间序列 Za，英文 articulatory-state coordinate，值越大表示越受限。然后只在语音窗集合 S 上求标量汇总，主指标是均值。论文强调这是连续运动状态描述子，不是二分类标签。评估逻辑是敏感性看帕金森是否系统性偏高，特异性看喉病人是否基本不动，临床效度看与 UPDRS 的单调关联。若三者同时成立，才支持它是构音偏向而非通用严重度。

从一段录音到一个 AWI 数字要走哪几步？

先沿着一个样本走完全程。输入是一段典型连贯语音录音。第一步得到构音轨迹：若有同步 EMA 就直接用真实位置，若只有音频就调用已训练好的 Wu 等人音频到 EMA 反演模型，输出同样 6 个构音器的预测位置，该网络被当作固定替代传感器，不改结构不重训。第二步做窗口运动学：每 250 毫秒开窗、100 毫秒跳步，对每窗算位移幅度与速度统计并拼成 29 维特征。第三步过健康 PCA 模型得到 1 维 Za 时间序列，并经全局仿射校准拉到真实 EMA 尺度。第四步只保留语音窗，对 Za 求均值即 AWI，另有 90 分位、5 到 95 分位极差与大于 0 比例 3 个次级汇总。

下面这张总览图把橙色已有模块与绿色本文贡献分开，读图时先看主路径再看校准分支，这是后面复现时搭管线的依据。

看图路径： 1. 先从左侧人头发声图标沿 Audio 方框向右追踪到橙色反演框；2. 再看绿色 Speech kinematics 向下长箭头如何回到 PCA 方框；3. 确认 calibration 箭头只连向 Za 汇总指标框而不回写反演模型；4. 对照正文确认绿色为本文贡献、橙色为固定已有模型

论文图 1。原论文 Figure 1：“Overview of the articulatory weakness index (AWI) pipeline.”。

该图左侧是发声人头与 Audio 蓝框，向右进入橙色 Audio to EMA inversion 框，再进入绿色 Speech kinematics 框，然后一条长箭头折返到绿色 PCA 方框，经 calibration 箭头进入 Za 汇总指标框。橙色只有反演模型，绿色包括多线圈运动特征、经主成分分析的 1 维 Za 学习与 AWI 系列汇总。关键是校准不更新反演权重，只校正 Za 轴的斜率与截距，从而让真实 EMA 与音频估计的指数落在公共尺度。这解释了为什么同一套 PCA 变换能同时处理两种来源的轨迹。

六线圈位置如何变成 29 维窗口特征？

先讲白话。位移幅度是当前帧位置相对中性位置的欧氏距离，中性位置取该构音器整句时间中位数，意在去掉绝对摆放偏差只看偏离多远。位移空间速度是相邻帧位移幅度差除以采样间隔，首帧记零，反映动得多快。窗口统计是在每个窗口内对位移与速度序列算极差、均速、峰速与标准差，分别捕捉活动范围、平均快慢、爆发能力与波动性。

具体到 6 个标准上声道线圈：上唇 UL、下唇 LL、颌 JAW、舌背 TD、舌体 TB、舌尖 TT。记 EMA 堆叠为 E，时间为 t，构音器为 j，空间维度为 d。对每个 j 先算中位数 mu，再算标量 d 为范数，速度 v 为差分除以增量。每个构音器 4 个统计量共 24 维，再加跨六构音器的 4 个全局均值，最后加一个颌舌协调量即窗内颌与舌尖垂直坐标的皮尔逊相关，共 29 维。把 USC-TIMIT 所有说话人所有窗口堆起来得到参考矩阵，窗口数约 8.5 万，这是学 PCA 的输入。

电磁构音图 × 音频到 EMA 反演： 电磁构音图负责提供上唇、下唇、颌、舌背、舌体、舌尖六线圈的真实位置时间序列，是运动学真值；音频到 EMA 反演负责在只有录音时充当固定替代传感器，从 16 kHz 语音预测出同一六线圈轨迹，二者搭配的理由是临床录音多而 EMA 硬件少，组合后同一套窗口特征与 PCA 变换可同时吃真实 EMA 和预测 EMA，使 AWI 能在纯音频语料上部署。

该组件的动作是可重放的：加载六线圈位置、按文中采样率算中位数与差分、按 250 毫秒窗 100 毫秒跳步滑窗、逐窗拼 29 维。未报告的缺项是静音与非语音窗的标注器细节，论文只说汇总时排除非语音窗，但未给出语音活动检测的阈值与工具，需要复现者自行固定并记录。

一维 Za 轴如何学出并让大值等于更弱？

英文主成分分析即 principal component analysis，缩写 PCA，做法是对健康参考矩阵先做标准化再取第一主成分。原文报告该成分与全局位移极差和平均速度的绝对相关约 0.8 且为负相关，说明原始分越高对应越小越慢的运动。作者取该第一成分并翻转符号，定义大 Za 为更弱更受限。把任意话语的窗口特征过同一变换并按窗中心对齐时间，就得到 Za 时间序列。

这个定向操作很重要：PCA 本身只给最大方差方向，不自带临床方向，是负相关证据与符号翻转赋予了弱即大的可解释性。透明运动学耦合指的就是每个 Za 值都能回溯到位移与速度统计，而不是黑箱隐变量。次级指标都基于同一校准后序列：90 分位 AWIp90 看上尾严重段，5 到 95 分位极差 AWIrange 看句内动态范围，大于 0 比例 AWIprop high 看高于健康参考的时间占比。主指标 AWI 均值默认指 AWImean。

构音状态坐标 Za × 构音无力指数 AWI： 构音状态坐标 Za 负责逐窗口给出连续运动状态，值越大表示位移越小、速度越慢、越受限；构音无力指数 AWI 负责把整段连贯语音的 Za 序列压缩为可比标量，主指标取语音窗均值，搭配理由是帧级曲线用于看时程而被试级标量用于分组与关联临床量表，组合后既保留动态解释又得到统计可用的单值。

复述时要固定指代：Za 是帧级或窗级曲线，AWI 是话语级或被试级标量。论文后续所有组间比较与相关都是对 AWI 做的，时程曲线只用于展示声带高功能组的重叠与帕金森的整体右移。

本研究训练了什么，又冻结了什么？

本研究没有训练新的音频到 EMA 神经网络，这是初学者易误解之处，必须明确。被冻结的是 Wu 等人的说话人无关声学到构音反演模型，输入 16 kHz 语音，输出同样六构音器位置，结构与权重都不动，只当固定传感器用。真正构造的是标准化加 PCA 管线与全局仿射校准参数。PCA 在健康 USC-TIMIT 上拟合，仿射参数 a 与 b 在有配对真值与预测值的 USC-TIMIT 话语上拟合，形式为真实 Za 等于 a 乘预测 Za 加 b，然后应用于帕金森、对照与高功能数据的所有音频 Za 轨迹。校准后 Za 等于 0 约对应健康参考分布，这是跨语料可比的前提。

主成分分析 × 运动学特征向量： 运动学特征向量负责把每个 250 ms 窗口的位移幅度、平均速度、峰值速度、位移标准差按 6 个构音器展开并加上全局均值与颌舌垂直相关，拼成 29 维；主成分分析负责在健康 USC-TIMIT 约 8.5 万窗口矩阵上学标准化加第一主成分方向并翻转符号使大值对应弱运动，二者搭配是因为手工特征保证可解释的位移速度语义，PCA 保证 1 维最大方差方向自动成为低运动性轴。

一致性检验的做法是先对每句做 z 分数归一化，再画真实 Za 与预测 Za 散点。原文报告跨 85284 窗皮尔逊 0.839、斯皮尔曼 0.837，云团贴近对角线，支持用替代传感器做后续分析。但要注意该检验是在健康语料内做的，帕金森运动学可能分布外，且对照与病人来自不同语料库，通道与任务差异会混入均值偏移。

看图路径： 1. 先确认横轴为真实 Za、纵轴为校准后预测 Za 并找到虚线对角线；2. 再观察高密度黄绿色团块是否贴着对角线右上区域；3. 对照右侧 count 色条判断深紫稀疏点为少数离群窗

论文图 2。原论文 Figure 2：“Agreement between EMA–derived and audio–derived articulatory kinematic measure Za on USC–TIMIT. Across 85,284 windows, Pearson r = 0.839 and Spearman ρ = 0.837.”。

该散点横轴为每窗真实 Za，纵轴为校准后每窗预测 Za，虚线为对角线，颜色表示计数。高密度黄绿区集中在右上对角线附近，说明大 Za 与小 Za 两端都能跟住；深紫稀疏点向左上散开，提示个别窗预测偏高。右侧色条最高约 700，证实主体质量集中而非均匀散布。这张图只证明形状一致，不证明绝对零点无偏，零点可比依赖上一段的全局仿射校准。

仿射校准 × z 分数归一化： 仿射校准负责用全局线性映射把预测 EMA 得到的 Za 拉回到真实 EMA 的尺度，使 Za 等于 0 约对应健康参考分布；z 分数归一化负责在图 2 一致性检验时按每句去均值除标准差以便比较形状一致性，前者用于跨语料可比，后者用于验证反演是否跟住真值波动，二者分工不同不能互相替代。

复现动作是：跑通真实与预测两条管线得配对序列，最小二乘拟合单一全局 a 与 b，冻结后应用于所有音频数据。缺项是未报告 a 与 b 数值与拟合时是否按窗等权，复现者应输出并固定这两个数，否则他人无法对齐尺度。

数据、任务与指标条件是否对齐？

实验按问题组织，条件必须逐项核对。参考集是 USC-TIMIT 朗读句与短语，带 2 维与 3 维 EMA 与音频，用于学 PCA 与拟合校准。临床主集是 21 名帕金森患者，在典型发声提示下产出 Rainbow Passage 与额外连贯语音，并完成 UPDRS 总量表与第三部分、VHI、沟通参与 CPIB 与 Hoehn-Yahr 分期。匹配对照是从感知嗓音质量库 PVQD 选年龄性别匹配的健康人，因连贯语音可用性只得到 9 对，同一音频到 EMA 到 Za 管线应用于两侧。特异性集是 398 名有无声带高功能者，分析 CAPE-V 第一句固定句子，同样走替代 EMA 管线。

为回答测什么与谁比，第一张表把 4 个数据集的规模、任务与用途并置，避免把不同任务的数值直接比大小。第二张表把核心定量结果并置，区分相关类型与显著性。

第一张表要回答的比较问题是各数据集在什么语音任务上支撑什么结论，公平条件是帕金森与对照用可比连贯语音且同一管线，高功能用固定句看喉病变是否带动 Za，指标方向是 Za 越大越受限。

该表说明主要收益是敏感性与特异性分用不同对照，避免用喉病人证敏感性或用匹配对照证特异性。具体代价是匹配对照仅 9 对且跨库，通道与朗读材料差异可能放大均值差；高功能只看单句，句法与时长受限。未胜出或未评测边界包括自发语音、非英语、其他神经疾病如肌萎缩侧索硬化与共济失调构音障碍，原文列为未来工作。

指标方面，主指标 AWI 是语音窗 Za 均值，越大越弱；次级有上尾、极差与超零比例。临床关联用皮尔逊 r 与斯皮尔曼 rho 双报告并给双侧 p，分布比较看被试均值与帧级直方图。硬件与算力预算原文未报告，这是复现缺项。

喉病人真的带不动 Za 吗？

该节测特异性：以喉为主的疾病是否显著抬高构音轴。条件是同一句、按性别分开展示组均值加减 1 倍标准差曲线，时间归一到 0 到 1，纵轴越大越受限。预期是若 AWI 确为构音偏向，则健康与患者曲线应大面积重叠且差异小于 0.5 个 Za 单位。

下面左右两图分别对应男性与女性，蓝色实线为健康，橙色虚线为患者，浅带为各自正负 1 倍标准差，顶部标出单词以便对照重音位置，这是判断时程是否一致的依据。

看图路径： 1. 先分开看 Male 与 Female 两个面板各自的蓝色实线与橙色虚线；2. 再沿归一化时间 0 到 1 对照顶部单词找到中间低谷与句末回升；3. 检查浅色±1 SD 带是否大面积重叠以判断组间差异大小

论文图 3。原论文 Figure 3：“CAPE-V Sentence 1 (“The blue spot is on the key again.”): group–mean ±1 SD Za(t) for healthy speakers (solid blue) and patients with vocal hyperfunction (dashed orange), shown…”。

可见内容是两性曲线几乎重合，都在句中低谷降到约负 7 到负 8 附近再回升，句末收敛到约负 1。男性健康 21 例患者 39 例，女性健康 130 例患者 208 例，但带宽高度重叠，典型差异小于 0.5。时程在重读词附近下探、句末上升的模式两组一致。论文据此报告 AWI 对性别、基频与声带高功能大体不敏感，主要由声门上构音运动学主导。这支持而非证明因果：它显示喉病变不必然带动 Za，但不排除响度操控下的间接变化，原文也把响度列为需继续检验的因素。

UPDRS × 声带高功能： UPDRS 负责提供帕金森整体与运动部分严重度与嗓音参与量表，用于检验 AWI 的敏感性与临床关联；声带高功能负责提供以喉为主而非以构音为主的对照疾病，用于检验 AWI 的特异性，二者搭配的理由是一个证实构音轴能随运动负担升高，另一个证实它不随喉部病变漂移，共同支撑呼吸-喉-构音分解中构音偏向的解释。

该结果的限制是只用单句且为朗读，若换自发语音或大声清晰发声条件，结论可能变化，复现时应固定同一句与同一归一化做法再比较。

帕金森比匹配对照高多少？分布重叠吗？

该节测敏感性：可比连贯语音下帕金森 AWI 是否系统性偏高。做法是对每名帕金森与其匹配对照拼接所有典型连贯语音句并算被试级 AWI，帧级 Za 则 pooled 成分布。左图连线看配对方向，右图直方图看分布偏移与重叠。

下面左图每条灰线连 1 对，右图蓝色为 PD、橙色为健康并标出各自均值虚线，横轴越大越受限，这是判断好坏方向的关键。

看图路径： 1. 在左图逐对追踪灰色连线是否全部从健康侧向上斜到 PD 侧；2. 在右图比较蓝色 PD 与橙色健康直方图的峰位与重叠区；3. 核对两条垂直虚线均值线与横轴越大越受限的方向标注

论文图 4。原论文 Figure 4：“4”。

可见左图 9 条灰线全部上斜，对照聚在约负 1.5 附近，匹配的帕金森伙伴落在约 2 到 3 个 Za 单位，没有出现病人低于其对照的反例。右图健康中心约负 1.5，帕金森中心约 2.5，右移约 4 个单位，重叠有限，效应量大。论文强调训练时未用任何帕金森标签，坐标完全来自健康 EMA，因此方向性外推被视为泛化的证据。但必须指出对照与病人来自不同语料库，录音通道与任务不完全一致，跨库偏移可能贡献部分均值差，这是该大效应的主要 caveat。

结合前一节看，喉病人不动而帕金森大动，构成双重对照：敏感性与特异性分别由不同数据集支撑。若只看本节会高估特异性，若只看高功能会低估敏感性，两节必须联合解读。

AWI 随运动严重度单调上升吗？哪项关联最弱？

该节把连续 AWI 与临床量表做个体级关联。做法是对 21 名帕金森用典型连贯语音的 AWI 关联 UPDRS 总量表与第三部分，并在三分位箱线图中看中位数是否单调。预期是总量表与运动部分正相关，嗓音参与量表同向，而分期年龄病程认知非运动量表相关小。

第二张表要回答的比较问题是在相同 21 人典型语音条件下哪个量表与 AWI 关联更强，公平条件是同一 AWI 定义与双侧检验，指标方向是 UPDRS 与 VHI 越大越重为正相关，CPIB 越低越差为负相关。

该表显示主要收益是 UPDRS 总量表与第三部分的斯皮尔曼约 0.5 且 p 小于 0.05，VHI 与 CPIB 幅度相近，支持 AWI 更贴近整体运动负担与言语影响。具体代价是皮尔逊仅约 0.4 且部分 p 大于 0.05，样本仅 21 人，线性假设下证据弱于秩相关。未胜出项是 Hoehn-Yahr 分期、年龄、病后年数、认知与非运动症状，原文报告绝对值一般不超过 0.3 且 p 大于 0.1，说明 AWI 不是粗分期或非运动因素的代理。图 5 箱线图进一步显示 UPDRS 第三部分低中高三分位中位数约 2.1 到 2.7 到 2.9，移动约 0.8 个单位，但个体散点重叠大，不能当逐人诊断阈值。

综合判断用词应为报告显示相关、结果支持运动关联，而分布外推广与因果仍属待验证。

哪些边界会让 AWI 的解释打折？

第一是反演模型的分布外风险。替代传感器只在健康 EMA 上训练，帕金森运动学本身可能超出训练分布，预测轨迹的系统偏差虽经全局仿射校正，但校正只有斜率与截距两个自由度，无法修正非线性畸变。若预测在小位移段压缩，则帕金森的高 Za 可能被低估或高估，复现时应分 Za 分位报告残差而非只看总体相关。

第二是跨库与小样本。对照来自 PVQD 而病人来自匿名临床集，麦克风、房间与朗读材料不同，9 对的配对结果易受单对影响。21 人的相关分析中三分位每组仅约 7 人，箱线图须带散点解读，末端离群点会拉动中位数与相关。语言限于英语朗读，自发语音、不同语速与响度条件未覆盖。

第三是验证链缺项。原文无构音弱真值，只能以临床量表与已知组间差异为对照；未测量误判率、延迟与算力，未报告非语音窗剔除器、校准参数与统计多重比较校正。这些缺失不是技术错误，但意味着不能承诺诊断准确率、实时性或成本改善。未来工作按原文应测替代反演结构、自发语音与其他神经疾病，并在同一库内扩大匹配对照以分离通道效应。

要复现 AWI 先固定哪四件事？

先固定数据与任务。下载 USC-TIMIT 用于学参考空间，准备帕金森 Rainbow Passage 典型语音与 PVQD 可比连贯语音用于 9 对比较，准备 398 人 CAPE-V 第一句用于特异性。记录采样率、通道与朗读提示，因为跨库差异会直接进入均值。资源状态方面，本次未发现来源绑定且完成验证的开源代码模型或数据，不得声称代码模型或数据已公开，复现者应按论文引用自行获取并记录版本。

再固定窗口与特征。按 250 毫秒窗 100 毫秒跳步，对六线圈逐窗算位移极差、均速、峰速与标准差，加全局均值与颌舌垂直相关拼 29 维，中性位置取时间中位数。任何语音活动检测阈值都要固定并报告，因为 S 集合定义改变均值。

然后固定 PCA 与校准。只在健康矩阵上拟合标准化加第一主成分并翻转符号使大值对应小慢运动，冻结后应用于所有数据。在配对 USC-TIMIT 上拟合全局线性映射并输出斜率截距，冻结后应用于所有音频 Za，校准后零点约对齐健康分布。一致性检验复算 85284 窗的皮尔逊与斯皮尔曼，目标约 0.839 与 0.837，允许通道差异带来小幅浮动。

最后固定汇总与统计。主指标取语音窗均值，次级取 90 分位、5 到 95 分位极差与超零比例。组间看配对方向与分布均值，临床看双侧皮尔逊与斯皮尔曼并报告 p，三分位只作单调展示不作分类阈值。建议先跑通单句时程曲线再跑被试均值，避免把帧级重叠误读为被试级可分。

何时值得试 AWI，还需补哪项验证？

当研究问题是把构音弱从混合嗓音严重度里拆出来，且手头只有录音而无 EMA 时，值得试 AWI。它提供连续可解释的构音偏向分，可与未来的呼吸与喉指数拼成 R-L-A 多子系统空间，用于疗法靶向、分层与纵向跟踪。已有证据是喉对照基本不动、帕金森系统性偏高、与 UPDRS 秩相关约 0.5，这些共同支持构音偏向解释。

不值得的场景是需要诊断标签、个体阈值或实时部署承诺时。本文明确不做分类器，21 人与 9 对的样本无法支撑阈值泛化，未测延迟与成本，不能直接上临床。若误把均值差当逐人可分，或把相关当因果，都会夸大结论。教学上应把比喻收回真实信号：所谓弱不是肌肉力量计读数，而是窗口位移与速度统计在健康主成分方向上的投影偏大。

还需补的验证按优先级是同库大样本匹配对照以排除通道效应，多反演结构与自发语音下的稳定性，以及纵向与干预响应数据以检验 AWI 是否随治疗变化。若这三项成立，AWI 才能从描述子升级为可用的构音分量指标。

⚖️ 评分明细

评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。

• 评分规则：type-aware-v1
• 评分模型：muse-spark-1.3-contributor
• 评分请求协议：openai_responses

← 返回 interspeech-2026 论文汇总