日常闲聊里藏着呼吸信号：SpiroPhonia 用自发语音做 COPD 筛查

英文题目：SpiroPhonia: Non-Invasive Respiratory Health Assessment from Spontaneous Speech

会议身份：conference:interspeech:2026:conference-paper-id:khanom26_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 #数据集 #统计分析 #语音 #病理语音评估

评分：6.2/10 | 创新 1.3/2 | 技术严谨 1.1/1.5 | 实验充分 1.0/1.5 | 清晰度 0.8/1 | 影响力 0.9/1.5 | 开源 0.0/1.5 | 可复现 0.1/0.5 | 工程/实践 1.0/1.5

排名：前50% | 文档类型：应用研究

👥 作者与机构

• Roksana Khanom：机构信息未能从会议 PDF 纯文本可靠映射
• Shafia Supty：机构信息未能从会议 PDF 纯文本可靠映射
• Nirupam Roy：机构信息未能从会议 PDF 纯文本可靠映射
• Ashok Agrawala：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该任务以日常自发对话语音为输入，输出说话人是否存在慢性阻塞性肺疾病及相关慢性呼吸疾病（Chronic Obstructive Pulmonary Disease, COPD），难点在于内容与韵律自由变化、信道噪声及说话人特质会淹没微弱呼吸损伤信号。其方法链分为四步：先对网络访谈语音做语音活动检测（Voice Activity Detection, VAD）清洗与分段，再并行提取声学微扰、频谱包络与呼吸节律三类特征，接着经统计检验与去冗余筛选保留判别性子集，最后按分类器独立做递归特征消除（Recursive Feature Elimination with Cross-Validation, RFECV）并在被试独立划分上评估。与依赖持续元音或朗读的受控范式不同，该工作强调免配合的被动监测与生理可解释的紧凑标志物，具有向手机与智能音箱迁移的实际意义。在201人自发语音数据集的41人独立测试集上，随机森林（Random Forest, RF）达到87.14%的曲线下面积（Area Under Curve, AUC），梯度提升（Gradient Boosting, GB）以80.00%的F1分数和85.71%的敏感性占优，线性支持向量机（Support Vector Machine, SVM）仅用5个特征保持85.00%的高特异性。结论仅适用于英语中老年访谈类语音，患者标签未经肺功能金标准验证，跨语言、跨设备与纵向恶化跟踪均尚未验证。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

为什么要用日常说话声来发现慢阻肺？

输入是这篇论文要解决的筛查缺口，目标是让研究生能复述为什么自发语音值得做、难在哪里。慢性阻塞性肺疾病，英文简称 COPD，是一种进行性且大多不可逆的气流受限疾病，全球患者超过 4 亿，是全球第三大死因，早期漏诊多，纵向监测靠偶发复诊。传统诊断依赖肺量计，需要临床环境、培训人员与患者高度配合，不适合居家连续监测。

必须保留的关键信息是生理链路：肺部气流驱动发声，声门下压调节声音稳定与时序，气道阻塞会改变声门激励与呼吸和说话的协调，表现为音高变异、频谱能量分布与停顿行为的变化。这就是把声音当作呼吸间接指标的依据。已有工作多用持续元音、朗读稿或指导呼吸动作，在实验室或诊所录制，需要用户配合，难以连续采集。

自发语音的优势是自然产生、无需结构化任务，智能手机与语音助手已持续产生这类信号。但难点恰是教学重点：内容、韵律、说话人特质与录音条件都不可控，被试独立建模时细微呼吸信号易被淹没。论文提出的核心问题是真实世界对话语音是否仍包含在非受控条件下可判别的稳健生物标志物。

自发语音 × 呼吸生理耦合： 自发语音指日常对话中自然产生的、无朗读稿和无发音任务约束的语音，负责提供连续可得的观测材料；呼吸生理耦合指肺部气流驱动声门振动、声门下压调节音高稳定与发声时序的生理链路，负责把气流受限转化为可测的声学变化，二者搭配的理由是前者解决可及性与依从性问题，后者提供病理可解释性，组合意义是让手机等已有拾音设备在不增加行为负担下追踪纵向声音变化。

本解读默认从原文独立写作，不继承其他分析的评价。资源状态方面，本次未发现来源绑定且完成超文本传输安全协议状态验证的资源，因此不得声称代码、模型或数据已公开，数据集按原文表述为按申请供学术研究使用。

补充：术语速查与常见误解澄清

为便于初学者回查，这里固定简称：慢性阻塞性肺疾病即 COPD，自发语音即无稿对话语音，基频即 F0，梅尔频率倒谱系数即 MFCC，递归特征消除即 RFECV，被试独立即训练测试无人重叠。常见误解一是把曲线向下等同性能变差，本研究箱线图向上偏移反而对应疾病组，需结合纵轴含义判断好坏。误解二是把准确率等同临床可用，实际需分初筛与确认看灵敏度与特异度。误解三是把无深度训练等同确定性求解，实际浅层网络仍有训练随机性，原文只给点估计。

本节不新增实验数字，仅解决论文特有的理解偏差，帮助读者带着正确预期进入方法与结果细节。

同输入同目标的已有路线差在哪里？

要复述方法先要定位路线。按同输入、同目标、同监督、同运行阶段对照，已有路线可分为三支。第一支是脚本化自然语音的肺病评估，例如 131 人队列的移动设备自然语音生物标志物研究，以及用手机录制自然语音被动评估肺功能的临床环境研究。第二支是持续发声任务的慢阻肺分类，例如用持续元音区分治疗前后状态，录音干净、任务固定。第三支是实验室受控的朗读与咳嗽等主动任务。

三支路线的共同局限是依赖诱发语音任务与结构化录音，需要用户按规定发声，难以支持居家长期被动监测。SpiroPhonia 的不同在于输入完全是真实世界访谈与个人叙述中的英语自发对话，标签经呼吸科医生按上下文内容核验，走被试独立评估。这不是在同条件下刷点数，而是把运行阶段从诊所搬到无约束环境。

理解这 1 对照才能正确读结果表：后文对照的 67% 至 84.6% 来自持续元音或脚本语音的受控采集，而本研究 78.05% 来自完全自发的真实环境录音，两类数字的采集难度与可部署性不同，不能只比大小。相关工作的另一条线是日常声音蕴含物理状态与环境信息的系列研究，支持从环境声推断交互与活动的思路，但呼吸标志仍需本研究的统计与分类证据来证实。

补充：与持续元音和朗读路线的适用边界

持续元音路线输入固定、噪声少，适合机理验证与小样本下的稳定估计，但需用户配合发长元音，不适合被动监测。朗读路线内容可控、韵律变异小，适合临床定点评估，但仍需朗读任务与安静环境。自发语音路线输入最自然、可连续获得，适合纵向追踪，但内容与环境变异最大，需要停顿与频谱等多维互补。

因此三者不是同条件胜负，而是同目标下的不同运行阶段分工。论文的贡献是证明在最难的自发真实环境下紧凑特征仍具判别力，而不是证明自发语音在所有指标上碾压受控任务。引用对照时应保留采集条件说明，避免跨条件直接排名。

任务到底要判什么？输入输出如何定义？

论文研究的只是二分类任务：给定一段自发语音，判断说话人属于慢阻肺或相关呼吸疾病组，还是健康对照组。举例来说，输入可以是 1 位 70 岁男性约 60 秒的访谈片段，输出是 1 个类别标签，不输出肺功能数值，不做严重程度分级，也不做逐帧检测。教学例子仅为帮助理解流程，不代表原文报告过该样本的判别分数。

形式化一点，设每个说话人有多段 10 秒至 30 秒的窗，窗级别提取特征后在说话人级别聚合评估，最终在留出测试集的 41 个说话人上报告准确率、平衡准确率、曲线下面积、灵敏度、特异度与 F1 分数。指标方向都是越高越好，但临床含义不同，后文结果节会拆开。

需要固定的术语是被试独立评估，英文为 subject-independent evaluation，白话是训练集 160 人与测试集 41 人互不重叠，同一人绝不同时出现在两边，所有特征处理与模型拟合只在训练集内完成，留出样本只用于最终评估。这一步是防止模型记住说话人音色而非疾病信号，是复现时最容易犯错的地方。

SpiroPhonia 全流程如何从一段闲聊走到判别结果？

先沿一个样本走完全程。取一段公开平台的英语访谈，先转成 44.1 千赫、16 比特单声道波形文件，用基于能量的语音活动检测去掉采访者提问、长静音与重叠背景人声，再经人工校对，切成 10 秒至 30 秒的窗，每窗做幅度归一化、100 赫至 5000 赫带通滤波，必要时做轻量谱减去噪。然后从每窗提取 3 组特征，做统计分析与递归筛选，最后送入分类器输出类别。

原文强调窗长选择的安排理由：过短则停顿事件稀疏导致基于停顿的估计不稳定，过长则引入与呼吸无关的话题与风格韵律变异，10 秒至 30 秒是稳定性与自然变异的折中。这个理由是复现切分时必须保留的，不要随意改成 2 秒或 60 秒。

下面这张处理前后语谱图是理解预处理保守程度的关键，导读是先看它保留了什么、抑制了什么，而不是只看去噪是否彻底。

看图路径： 1. 先看左右两块面板的横轴时间与纵轴频率是否对齐，确认是同一段约 60 秒语音的前后对比；2. 再看右侧色条强度单位为分贝，比较中高频背景底色的深浅变化；3. 找到左图白色标注背景噪声与右图已抑制及低频部分衰减两处文字，定位处理生效的频带；4. 观察底部低频亮带是否在处理后仍保留，判断语音主体能量是否被保留

论文图 1。原论文 Figure 2：“Spectrograms of a 70-year-old male’s spontaneous speech before and after signal processing.”。

从像素可见，左右两图横轴都是时间秒，纵轴都是频率赫兹，右侧色条为强度分贝。左图白色标注背景噪声区整体偏亮，右图标注已抑制，低频区标注部分衰减的低频成分。处理后中高频底色变深，说明背景能量被压低，但底部低频语音主体亮带仍然保留，竖条纹的语音谐波结构清晰。这支持原文轻量谱减与带通滤波的定位：压制噪声但不抹掉语音，后续抖动、梅尔倒谱与停顿特征仍有可靠输入。若把滤波做得过激，反而会损伤能反映湍流与共振的频谱细节。

补充：从窗到说话人的聚合口径提醒

原文特征在窗级别提取，但评估在说话人级别经分层划分完成。复现时需明确聚合对象：窗级向量如何聚合成说话人级决策，指标在说话人上平均还是在窗上平均，会直接改变数字含义。数值相同不是同一指标的证据，百分点与相对百分比也不同，不同指标差值不能混入模型列。

若原文表头、图注或算术出现冲突，应明确标注冲突而不自行编造划分或聚合口径。本解读按 160 训练加 41 测试的说话人级留出评估来叙述，未见冲突即不虚构冲突，缺项则如实指出，例如设备分布与子组聚合未报告。

三组特征各自算什么？生理含义是什么？

第一组是声学扰动特征，英文为 acoustic perturbation features，白话是看声带振动稳不稳。具体做法是在浊音区估计基频，即 fundamental frequency，记为 F0，取其均值与方差，再算逐周期频率扰动的局部抖动、相对平均扰动、五点周期扰动商，以及幅度扰动的局部微光与谐噪比，还提取 F1 至 F4 共振峰表征声道谐振。慢性阻塞性肺疾病组平均 F0 略低，抖动显著升高，微光一致但较弱地升高。

第二组是频谱特征，用梅尔频率倒谱系数，英文为 Mel Frequency Cepstral Coefficients，简称 MFCC。每窗算 13 维系数，每维再取 5 种汇总统计，共 65 维，捕捉声道塑形与细粒度频谱变化。其中中频与高阶系数如 MFCC10 与 MFCC3 分离最强，效应量可达约 0.6。

第 3 组是肺启发时序特征，白话是数停顿。用负 40 分贝能量阈值与最小 100 毫秒停顿时长检测停顿，再算停顿占比、每分钟停顿数与总停顿时长。停顿占比与每分钟停顿数秩相关最高，提示呼吸效率下降与呼吸说话协调紊乱。

声学扰动特征 × 肺启发时序特征： 声学扰动特征负责量化声带周期间的频率与幅度稳定性，如基频均值方差、抖动、微光与谐噪比，反映声门激励是否稳定；肺启发时序特征负责量化呼吸与说话的协调节奏，如停顿占比、每分钟停顿数与总停顿时长，反映为补偿气流受限而频繁换气的代价，二者搭配是因为前者看微观振动，后者看宏观呼吸调度，组合后同时覆盖发声器与呼吸泵两个环节。

梅尔频率倒谱系数 × 共振峰： 共振峰指 F1 至 F4 等声道共振频率，负责描述声道形状的粗尺度谐振位置；梅尔频率倒谱系数是对频谱做梅尔滤波加倒谱变换后的紧凑表示，负责刻画共振包络与湍流噪声的细粒度能量分布，二者搭配的理由是共振峰可解释性强但维度少，梅尔倒谱表达力强但较抽象，组合意义是用 13 维系数每维取 5 种统计量共 65 维来互补声道塑形信息。

3 组共 94 维，覆盖振动稳定性、声道能量形状与呼吸调度，是后文紧凑子集的候选池。复述时要说清每组输入是预处理后的窗信号，输出是窗级向量，而不是直接输出类别。

没有神经网络大规模训练时，模型到底拟合了什么？

本研究没有训练深度神经网络的大规模权重更新，该节必须明确说明未训练的模型与实际拟合的内容。实际拟合的是 5 种传统机器学习分类器：线性支持向量机、梯度提升、随机森林、逻辑回归与浅层神经网络，均用默认的 scikit-learn 配置，唯一调的超参数是特征子集大小。监督来源是经呼吸科医生核验的说话人级疾病标签，不是逐帧标注。

真实计算过程分 2 个阶段。第一阶段是统计过滤：去掉近零方差特征，对绝对皮尔逊相关大于 0.9 的特征对只保留统计效应量更大者，从 94 维降到 67 维非冗余特征。第二阶段是带交叉验证的递归特征消除，英文为 Recursive Feature Elimination with Cross-Validation，简称 RFECV，用分层五折，排序与拟合只限每折训练部分，防泄漏，以平均交叉验证准确率选最优子集大小，且按分类器独立执行，得到分类器专属子集。

统计过滤 × 递归特征消除： 统计过滤负责先去掉近零方差特征，并对绝对皮尔逊相关大于 0.9 的特征对只保留统计效应量更大者，得到 67 维非冗余集；递归特征消除负责在分层五折交叉验证下按分类器自身的排序准则反复剔除最弱特征并以平均准确率选最优子集大小，二者搭配是因为前者与模型无关地去冗余，后者与分类器相关地选紧凑子集，组合意义是先降相关再按需取舍，避免泄漏并兼顾简约与判别力。

需要指出的缺项是原文未报告梯度路径、学习率、轮数等深度训练细节，因为本研究不依赖这些；浅层神经网络也只给点估计，原因是训练随机性，未给置信区间。复现时不要从模型名称推定存在反向传播调参，应按原文做默认配置加特征数选择。

补充：默认配置与唯一调参的复现含义

默认 scikit-learn 配置意味着复现时不应引入额外调参搜索来美化结果，唯一调的超参数是特征子集大小，且经分层五折平均准确率选择。若改用网格搜索调核函数、树深或学习率，就偏离了原文的可比条件，得到的提升不能归因于原文方法。

另一点是估计器相关的排序准则：递归消除按分类器自身重要性排序，因此线性支持向量机的 5 维与随机森林的 59 维不可直接互换。复现应按分类器独立执行筛选，而不是用一套通用特征喂所有模型。训练资源方面原文未报告硬件预算，推理开销与帧率也未测量，讨论部署时应分别说明，不把总体趋势推广到每组每步。

数据从哪来？划分与统计如何保证可比？

数据构造是本研究可复述的核心。SpiroPhonia 数据集用公开平台的自发语音组装，用慢性阻塞性肺疾病患者访谈、肺病故事等关键词检索候选录音，纳入自述有慢阻肺、哮喘、肺气肿或其他慢性呼吸疾病的访谈与个人叙述，健康对照取年龄范围可比的访谈，包括需持续呼吸健康的职业说话人与明确自述无已知呼吸疾病者。所有视频经人工检查音频质量与对话内容，标签由呼吸科医生按上下文核验，去标识后回顾性分析。原文说明属豁免的人体研究，不需知情同意与伦理审查。

下表整理数据集构成，比较问题是两组在数量与性别年龄上是否可比，公平条件是同为英语自发访谈且经医生核验，指标是人数与范围而非性能。

表后解释是主要收益与代价。收益是 201 人中 102 例呼吸疾病与 99 例健康对照数量接近，性别分布均衡，年龄覆盖 45 岁至 95 岁，减少了年龄性别的明显偏倚。代价是数据来自公开平台的关键词检索与人工筛选，高质量对话才被纳入，存在选择偏差，且未报告录音设备与声学环境的分布，跨设备泛化待验证。未胜出项是数据集规模仍属小队列，限制了数据密集型建模，这也是后文集成方法需 59 维而线性模型仅需 5 维的背景。

划分与统计条件是：160 人训练集与 41 人留出测试集的分层划分保证被试独立；正态性用夏皮罗威尔克检验，再选独立样本 t 检验或曼惠特尼 U 检验，加邦费罗尼校正，显著阈为 0.05，效应量用科恩 d 或秩 2 列相关；性能区间用 1000 次说话人级自助法给 95% 置信区间。

主结果在什么条件下测得？哪个模型赢在哪项？

主结果的测量问题是被试独立下自发语音能否判别疾病，与谁比是 5 个分类器在同一 160 训练加 41 测试划分下的横向比较，条件一致，指标方向均为越高越好。关键数字是最佳模型 78% 准确率、80% F1 分数与 87% 曲线下面积，点估计排名与自助区间一致，所有分类器准确率下界高于 58%，头部模型曲线下面积下界高于 71%，说明判别信号稳定而非特定测试集拼凑。

下表整理留出测试集性能，比较问题是不同模型的运行剖面差异，公平条件是同划分同评估，指标方向越高越好。

表后解释要讲收益与代价。线性支持向量机与梯度提升同以 78.05% 居首，但剖面相反：前者特异度 85.00% 且仅用 5 维，适合确认与移动端资源受限部署；后者灵敏度 85.71% 且 F1 分数 80.00% 最高，适合漏诊代价高的初筛；随机森林曲线下面积 87.14% 最高，适合需稳健类分离的高置信场景。具体代价是逻辑回归 73.17% 准确率与浅层神经网络 70.73% 准确率未胜出，浅层网络受小样本限制，中等表现符合预期。未评测边界是延迟、功耗与误判率的实际临床成本，原文未测量，不能承诺改善。

灵敏度 × 特异度： 灵敏度指患者被正确判为阳性的比例，负责衡量漏诊风险，越高越适合初筛；特异度指健康人被正确判为阴性的比例，负责衡量误报负担，越高越适合确认与移动端低资源部署，二者搭配的理由是单一准确率无法反映临床分工，组合意义是让高灵敏度的梯度提升做初筛、高特异度的线性支持向量机做确认、高曲线下面积的随机森林做高置信判别，形成分层部署。

下面这张 3 组箱线图是理解判别来源的关键，导读是先看组间偏移，再看组内变异是否淹没偏移。

看图路径： 1. 先确认三块子图从左到右分别为声学抖动、频谱均值、每分钟停顿数，且每块内左蓝为健康、右紫为慢性阻塞性肺疾病组；2. 比较每组箱体中线位置，判断疾病组是否整体上移；3. 观察须线长度与圆圈离群点，判断自发语音的组内变异与极端值分布；4. 结合纵轴数值范围，估计组间偏移相对于组内 spread 的大小

论文图 2。原论文 Figure 3：“Distribution of key acoustic, spectral, and temporal speech features for COPD and healthy speakers.”。

从像素可见，左图声学相对平均扰动抖动、中图频谱 MFCC10 均值、右图时序每分钟停顿数三块中，疾病组箱体中线均高于健康组。声学抖动健康组集中在约 0.006 附近，疾病组中线约 0.008 且上须与离群点更多；频谱均值健康组中线约负 11，疾病组约负 7；每分钟停顿数健康组中线约 27，疾病组约 34。组内须线较长说明自发语音变异大，但中线偏移方向一致，支持原文抖动、MFCC10 与停顿数是稳健标志的判断。像素不能精确读出每个四分位数，不硬写，只讲方向与相对大小。

特征多少才够？拿掉复杂性会怎样？

消融问题是判别信息是否集中在紧凑子集。原文用递归消除曲线显示，交叉验证准确率随前几个特征急剧上升，约 10 个之后趋稳，说明少量声学与频谱线索已可可靠判别。线性模型尤其支持向量机仅用 5 维达到强性能，包括局部抖动、局部微光、停顿占比、MFCC2 标准差等，体现简约与判别力的平衡。逻辑回归与浅层网络收敛在 14 维左右，随机森林与梯度提升保留约 59 维以捕捉自发语音中的非线性结构。

跨分类器一致出现的标志是局部抖动、局部微光与停顿占比被每个模型选中，反映对慢阻肺生理变化的敏感性；中阶梅尔倒谱如 MFCC2 至 MFCC5 与 MFCC10 至 MFCC12 也频繁出现，提供气流受限相关的频谱塑形与湍流能量互补信息。

下表整理特征选择模式与外部对照，比较问题是紧凑特征在真实环境下是否仍可比受控任务，公平条件需注意采集条件不同，指标是准确率方向。

表后解释是主要收益与反例。收益是尽管变异更大，本研究用紧凑特征达到 78.05%，可比受控的 67% 至 84.6% 区间，报告的置信区间反映了小队列典型方差。代价是集成方法需约 59 维才达最优，复杂度高而可解释性与部署成本上升；反例是临床自发对照的 75.2% 与本研究接近，说明自发语音路线可行但优势幅度有限，不能夸大为全面超越实验室方案。未验证的是跨语言、跨设备与跨噪声环境的稳定性，原文列为未来工作。

哪些结论还不能下？缺项与风险是什么？

论文直接报告的是小队列被试独立分类性能，有限解释是日常语音编码了稳健呼吸生物标志，未验证推测是可直接用于连续健康监测。必须用可能与待验证来表达后者。缺失证据不是技术错误，相关性不是因果：抖动升高与停顿增多和疾病相关，但不能证明声音变化由气流受限唯一引起，年龄、吸烟史、 comorbidities 与录音条件的混杂未被完全排除。

具体限制有三。其一，适度数据集规模限制了数据密集型建模评估，浅层神经网络表现中等符合小样本预期。其二，需要更广泛的语言、录音设备与声学环境验证以评估稳健性与可扩展性。其三，公开平台检索带来选择偏差，只纳入高质量对话语音，真实居家噪声与远场拾音可能更差。

风险是把准确率下界高于 58% 误读为临床可用。原文用分层部署来限定：高灵敏度做初筛、高特异度做确认、高曲线下面积做高置信判别，最优选择取决于临床环节。未测量误判率的实际代价、延迟与成本时，不承诺这些量得到改善，训练资源、推理开销与实际延迟应分别讨论。

要复现这套流程，第一步先做什么？

复现先做数据与划分，而不是先调模型。按原文收集英语自发访谈，经医生核验标签，去标识后转 44.1 千赫 16 比特单声道，用能量语音活动检测加人工校对去非语音，切 10 秒至 30 秒窗，幅度归一化、100 赫至 5000 赫带通、必要时轻谱减。特征按 94 维实现：25 维声学含 F0 均值方差、抖动、微光、谐噪比与 F1 至 F4，65 维频谱为 13 维梅尔倒谱每维 5 统计，3 维时序为负 40 分贝阈值与 100 毫秒最小时长下的停顿占比、每分钟停顿数与总停顿时长。

划分必须严格被试独立：分层抽 160 人训练、41 人留出测试，所有处理与拟合只在训练集内，留出集只做最终评估。先做统计过滤去近零方差并按绝对皮尔逊相关大于 0.9 剪枝，再按分类器独立做分层五折递归消除，以平均准确率选特征数，默认 scikit-learn 配置。评估报准确率、平衡准确率、曲线下面积、灵敏度、特异度、F1 分数，并做 1000 次说话人级自助 95% 区间。

还需补的验证是跨设备重录、不同噪声下的停顿阈值敏感性，以及按性别年龄分层的子组性能，原文未充分展开。关键超参数与信息条件是窗长、滤波带、停顿阈值与最小时长、相关阈值 0.9、五折分层与特征数，这些决定复现成败。代码与权重方面，本次无可用资源绑定，只能按上述步骤自实现，不得声称官方代码已公开。

何时值得尝试这条路线？一句话收束

当目标是无负担居家初筛而非替代肺量计确诊，且已有访谈或语音助手语音可合规使用时，这条路线值得尝试：用 5 维左右的抖动、微光、停顿占比与中阶梅尔倒谱先做轻量验证，再按需扩展到集成模型。复现优先级是保证被试独立与医生核验标签，其次是窗长与停顿参数，最后才是分类器选型。

收束判断是自发语音在非受控条件下仍保留可判别的呼吸信号，最佳模型 78% 准确率、80% F1 分数与 87% 曲线下面积支持这一判断，但小样本、选择偏差与泛化缺项要求用分层部署与扩大验证来承接，未来工作应聚焦数据集扩展与跨环境系统评估以增强临床可靠性。

⚖️ 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